Fait par des élèves ingénieurs statisticiens économistes de l'Ecole nationale de la statistique et de l'analyse économique:
- Adoumbaye Madjyam
- Cheick Sadibou Ngom
- Mum El hadj Sarr
- sié rachid Traoré
LA DEMONSTRATION FAIT EN LIVE 😊
Dans le dossier code, nous avons les codes concernant l'analyse exploratoire des données ,les essais de modèles et les tests Dans le dossier data, nous avons les jeux de données Dans le dossier ressourcs, nous avons des ressources : le modèle final enrégistré en .pkl, les performances de tous les modèles en .pkl un fichier .txt décrivant les variables de nos données, le data_reporting.html ainsi que le powerpoint pour l'exposé.
Hypothèses de départ Vous êtes data scientist chez Laplace Immo, un réseau national d’agences immobilières.
Demandez à un acheteur de décrire la maison de ses rêves et il ne commencera probablement pas par la hauteur du plafond du sous-sol ou la proximité d'une voie ferrée est-ouest. Mais il se trouve que les négociations de prix sont influencées par bien d'autres éléments que le nombre de chambres à coucher ou une clôture à piquets blancs.
Laplace Immo souhaite que vous fournissez à ses équipes un algorithme de prédiction des prix des maisons. Avec 79 variables explicatives décrivant (presque) tous les aspects des maisons résidentielles à Ames (Iowa, US), ce projet a pour objectif de construire un modèle de prédiction du prix final de chaque maison.
Votre mission: Votre mission est d’aider les équipes de Laplace Immo à avoir un simulateur des prix des maisons à vendre. Voici un récapitulatif de votre mission :
- Réaliser une analyse exploratoire.
- Tester différents modèles de prédiction afin de répondre au mieux à la problématique.
- Il faut utiliser Github Actions pour le déploiement continu et l’interface web 'UI MLFlow" ou un autre outil d'affichage des résultats du tracking, concevoir des tests unitaires avec Pytest (ou Unittest) et les exécuter de manière automatisée lors du build réalisé par Github Actions et respecter les conventions PEP.