Playground ML

Lien Projet Déploiement : https://playgroundmlpython.streamlit.app/

Bienvenue dans Playground ML, une application web interactive conçue pour vous permettre d'explorer le machine learning de manière intuitive. Que vous soyez débutant ou expert, notre application vous guide à travers chaque étape, de la préparation des données à l'évaluation des modèles.

Objectif du projet

Ce projet a été réalisé dans le cadre du Projet 2 Diginamic Lyon pour le POEC Data Analyst. L'objectif est de construire un playground ML interactif afin de mettre en pratique nos 5 jours de cours sur le Machine Learning.

Le langage de programmation utilisé est Python.

• Date du projet : du 04/09/2024 au 10/09/2024

Contributeurs

• Melissa KUNEGEL
• Lucas FANGET
• Grégoire DELCROIX

Intervenant :

• Bastien ANGELOZ, data scientist

---

Fonctionnalités principales

Import de données

• Importez vos fichiers CSV pour commencer l'analyse.
• Chargement de jeux de données d'exemple (vin.csv pour la Classification, diabete.csv pour la Régression).

Prétraitement des données

• Nettoyage des données avec options d'imputation des valeurs manquantes.
• Encodage des variables catégorielles (OneHotEncoding, Ordinal Encoding).
• Normalisation et standardisation des données.

Exploration des données

• Visualisez les relations entre vos variables (heatmaps, pairplots, boxplots).
• Sélectionnez vos variables explicatives et cible via une interface intuitive.

Modélisation

• Appliquez des modèles de classification (régression logistique, KNN, Random Forest).
• Testez différents modèles avec LazyPredict ou LazyRegressor et comparez les performances.
• Accédez également aux algorithmes de régression.
• Acculturation au DeepLearning avec l'API Roboflow pour la détection des ongles à partir d'une image

Téléchargement de rapports

• Génération de rapports récapitulatifs avec les métriques des modèles.
• Téléchargez des fichiers CSV avec les résultats de vos analyses.

Installation

Pré-requis

• Python 3.10.9
• Streamlit 1.38.0
• Pandas, Scikit-learn, Numpy, LazyPredict

Étapes d'installation

1. Clonez le projet :

   git clone https://github.com/mkunegel/ProjetML.git
   cd ProjetML

2. Créez un environnement virtuel (MacOS, Windows):

    python3 -m venv .venv
    source .venv/bin/activatec

   python -m venv .venv
   .venv\Scripts\activate

3. Installez les dépendances :

   pip install -r requirements.txt

Lancement de l'application

1. Exécutez le fichier principal avec Streamlit :

   streamlit run app.py

2. Utilisez l'interface web pour :

   • Importer des données.
   • Nettoyer et explorer vos données.
   • Appliquer des modèles de machine learning.

Structure du projet

ProjetML/
│
├── app.py                       # Fichier principal pour lancer l'application
├── requirements.txt             # Dépendances du projet
├── sections/
│   ├── classification/          # Modèles et analyses de classification
│   ├── dataPreprocessing/        # Prétraitement des données
│   ├── dataExplore/              # Visualisations et statistiques descriptives
│   ├── nailsdetection/           # Section pour la détection des ongles via API Roboflow
│   └── regression/               # Modèles de régression
├── data/                        # Contient les datasets d'exemple
└── README.md                    # Ce fichier !