Scribd
Importer
197 vues2 pages

Projets IA : Anomalies, Images, Sentiments, Performance

Le document présente quatre mini projets d'intelligence artificielle réalisés par différents groupes. Chaque projet a un objectif spécifique, des tâches à accomplir et un livrable attendu, allant de la détection d'anomalies dans des données bancaires à la prédiction des performances académiques des étudiants. Les projets impliquent l'utilisation de techniques d'apprentissage supervisé et non-supervisé, ainsi que des analyses de sentiments et de classification d'images.

Transféré par

fardassil
Copyright
© © All Rights Reserved
Nous prenons très au sérieux les droits relatifs au contenu. Si vous pensez qu’il s’agit de votre contenu, signalez une atteinte au droit d’auteur ici.
Formats disponibles
Téléchargez aux formats DOCX, PDF, TXT ou lisez en ligne sur Scribd
197 vues2 pages

Projets IA : Anomalies, Images, Sentiments, Performance

Le document présente quatre mini projets d'intelligence artificielle réalisés par différents groupes. Chaque projet a un objectif spécifique, des tâches à accomplir et un livrable attendu, allant de la détection d'anomalies dans des données bancaires à la prédiction des performances académiques des étudiants. Les projets impliquent l'utilisation de techniques d'apprentissage supervisé et non-supervisé, ainsi que des analyses de sentiments et de classification d'images.

Transféré par

fardassil
Copyright
© © All Rights Reserved
Nous prenons très au sérieux les droits relatifs au contenu. Si vous pensez qu’il s’agit de votre contenu, signalez une atteinte au droit d’auteur ici.
Formats disponibles
Téléchargez aux formats DOCX, PDF, TXT ou lisez en ligne sur Scribd

Mini projet : Intelligence artificielle

Groupe 1 : Détection d'anomalies dans des


données bancaires
Objectif : Identifier des transactions suspectes dans un dataset en
utilisant des techniques d'apprentissage supervisé et non-supervisé.

Tâches :

- Prétraiter les données (normalisation, gestion des valeurs manquantes).

- Utiliser un modèle KNN pour classer les transactions normales et


suspectes.

- Tester une approche non-supervisée (clustering avec K-Means) pour


trouver des anomalies.

Livrable : Présentation contenant les étapes, les visualisations, et une


discussion sur les résultats obtenus.

Groupe 2 : Classification d'images de chiffres


manuscrits
Objectif : Utiliser l'algorithme de classification KNN pour reconnaître des
chiffres manuscrits.

Tâches :

- Utiliser le dataset MNIST (ou un dataset similaire).

- Implémenter un modèle KNN pour classer les chiffres.

- Tester la précision avec différents nombres de voisins (k).

Livrable : Une présentation expliquant la méthodologie, avec des


exemples d'images bien et mal classifiées.

Groupe 3 : Analyse de sentiments sur des tweets


Objectif : Prédire si un tweet exprime un sentiment positif, négatif ou
neutre.
Tâches :

- Prétraiter les données textuelles (nettoyage, suppression des mots


inutiles).

- Utiliser la bibliothèque VADER pour analyser les sentiments.

- Comparer les résultats avec un modèle supervisé comme Naïve Bayes.

Livrable : Une présentation détaillant les étapes de traitement, les


modèles utilisés, et une discussion des résultats.

Groupe 4 : Prédiction des performances des


étudiants
Objectif : Construire un modèle supervisé pour prédire les performances
académiques des étudiants en fonction de leurs caractéristiques.

Tâches :

- Utiliser un dataset public contenant des données telles que les heures
d’étude, les notes précédentes, et la participation en classe.

- Appliquer un modèle de régression (linéaire ou régression logistique)


pour prédire les scores finaux.

- Évaluer la performance du modèle en calculant des métriques comme la


précision ou le RMSE.

Livrable : Un code documenté et une présentation des résultats avec des


insights sur les facteurs influençant la performance.

Vous aimerez peut-être aussi