📘 Machine Learning Projects

Bienvenue dans ce dépôt dédié à la pratique et à l’expérimentation des algorithmes de Machine Learning.
Ce projet regroupe des exercices complets sur plusieurs algorithmes supervisés et non-supervisés, accompagnés de traitements des données réels, visualisations et tests d’évaluation.

---

📁 Structure du dépôt

Machine learning projects │ ├── Dataset/ # Jeux de données utilisés │ ├── Clustering/ # Tous les modèles de clustering | ├── K-means │ ├── DBSCAN │ ├── Fuzzy C-Means │ ├── Gaussian Mixture │ ├── Hierarchique | ├── Meanshift | ├── Mini-Batch │ └── OPTICS

│ ├── Decision Tree/ # Arbres de décision (classification et régression) │ ├── Matplotlib/ # Graphiques et visualisations avec matplotlib │ ├── Pandas/ # Manipulations de données avec Pandas │ ├── REGRESSION_LINEAIRE/ # Modèles de régression linéaire │ ├── REGRESSION LOGISTIQUE/ # Modèles de régression logistique │ ├── Random Forest/ # Méthodes d'ensemble (Bagging, Voting, etc.) │ ├── Bagging │ ├── Voting Classifier │ └── Autres variantes │ ├── SVM/ # Machines à vecteurs de support │ ├── ScikitLearn/ # Utilisation de la librairie Scikit-learn │ └── Seaborn/ # Visualisations avancées avec Seaborn

---

🔍 Techniques utilisées

Ce dépôt couvre plusieurs aspects clés du workflow en Machine Learning :

🧹 Prétraitement des données

• Nettoyage de données (remplissage, suppression, encodage, normalisation etc.)
• Gestion des valeurs manquantes
• Normalisation et standardisation
• Rééchantillonnage (SMOTE, sous-échantillonnage)

📊 Visualisation

• Courbes de distribution
• Matrices de corrélation
• Graphiques interactifs (Seaborn, Matplotlib)
• Visualisation des clusters

🧠 Modélisation

• Régression linéaire
• Régression logistique
• Arbres de décision
• Random Forest
• SVM (linear & kernel)
• Méthodes d'ensemble : Bagging, Random Forest, Voting Classifier ,XGBOOST ,CATBOOST
• Clustering : DBSCAN, K-means, Fuzzy C-Means, GMM, OPTICS, etc.

📈 Évaluation

• Accuracy, Recall, Precision, F1-score
• Matrices de confusion
• Cross-validation

---

✅ Objectif pédagogique

Ce dépôt est destiné à :

• Renforcer la compréhension des algorithmes classiques de ML
• Pratiquer la visualisation et le prétraitement
• Comprendre les limites et points forts de chaque méthode
• Développer une approche rigoureuse et reproductible

---

🛠️ Technologies utilisées

• Python 3
• Pandas, NumPy
• Scikit-Learn
• Seaborn, Matplotlib
• SciPy, Statsmodels

---

🚀 Comment utiliser ce dépôt

1. Cloner le repo : git clone https://github.com/Falux-27/ML-Exercices.git cd ML-Exercices