Script PFM
(Slide 1 )
Bonjour à tous,
Aujourd’hui, je vais vous présenter notre projet de fin de module d’apprentissage
automatique, qui porte le nom de « prédiction des prix des voitures sur le
marché marocain. » réaliser par amine bouazza et douae aabbar sous
l’encadrement de dr. Ouchra hafsa.
(slide 2 INTRO Générale)
Je pense qu’on a tous voulu acheter une voiture… ou au moins connu quelqu’un
qui cherchait à le faire. Et dans ces moments-là, une chose saute aux yeux :
pour une même voiture, on peut trouver des prix complètement différents.
Cette grande variabilité des prix rend la décision difficile. C’est exactement ce
constat qui nous a poussés à développer ce projet.
Nous avons donc conçu CarPricer Morocco, une application qui permet de
prédire automatiquement le prix d’un véhicule sur le marché marocain, en se
basant sur ses caractéristiques techniques, grâce à un modèle de machine
learning.
(slide 3 PLAN)
Dans cette présentation, on va vous montrer la procédure du développement en
adaptant le plan suivant.
(slide 4 contexte marche)
On ne peut pas réaliser une application comme celle-ci sans comprendre le
marché automobile marocain.
(slide 5)
👉 C’est là que naît notre problématique :
Comment estimer automatiquement et de façon fiable le vrai prix d’une voiture
d’occasion au Maroc ?
(slide 6 Problématique)
Pour mieux comprendre le contexte et mettre en évidence le problème principal,
nous avons consulté deux sites de vente de voitures d’occasion au Maroc et nous
avons remarqué que la même voiture, une Peugeot 208, était proposée à deux
prix très différents.
(slide 7 )
Lire slide
(slide 8 COLLECT DONNes)
1 : lire slide
2 : Le web scraping est une technique qui permet d’extraire automatiquement
des données à partir de sites web ; pour cela, nous avons utilisé Python avec les
bibliothèques BeautifulSoup, pour analyser le code HTML, et Requests, pour
envoyer des requêtes aux pages web.
Volume : SLIDE
(slide 12 preparation des données)
1:
Lors du diagnostic initial, nous avons exploré le dataset avec Pandas en
commençant par un aperçu général des données. Nous avons vérifié les types
de données pour chaque colonne, identifié les valeurs manquantes aussi que
les statistiques descriptives sur les variables numériques.
2 : SLIDE
3 : SLIDE
4 : EDA
Matrice corrélation : Cette matrice de corrélation permet d’analyser les
relations entre les variables numériques du dataset. On voit par exemple que le
prix est un peu lié à la puissance fiscale et à l’année du modèle, mais pas
vraiment aux autres variables.
Graphe évolution : Ce graphique montre l’évolution du prix de vente moyen
des voitures selon l’année du modèle. On observe une baisse importante autour
de 2012, suivie d’une hausse progressive jusqu’en 2025.
Relation prix et age : Ce graphique montre la relation entre le prix des voitures
et leur âge. On remarque que plus les voitures sont anciennes, plus leur prix a
tendance à baisser, quel que soit le constructeur.
Histogramme : L'histogramme montre que les voitures automatiques (environ
17 500) sont plus chères que les manuelles (environ 15 000), visant à souligner
cette différence.
(slide 18 : modeles)
1 : Slide+
Random Forest : Random Forest combine plusieurs arbres de décision via bagging
pour des prédictions robustes. Il est choisi pour sa stabilité avec les données
hétérogènes des voitures.
Gradient Boosting : Gradient Boosting construit des arbres séquentiellement pour
corriger les erreurs et minimiser la perte. Il est retenu pour capturer les relations
non linéaires des prix.
XGBoost : XGBoost améliore Gradient Boosting avec régularisation et
parallélisation pour des prédictions rapides. Il est sélectionné pour sa
performance sur de grands datasets.
LightGBM : LightGBM optimise l’entraînement avec des arbres à histogrammes et
une croissance par feuille. Il est choisi pour sa scalabilité et efficacité.
KNN : KNN prédit en utilisant la moyenne des k voisins les plus proches dans les
caractéristiques. Il est choisi pour sa simplicité et efficacité locale.
2 : slide
3 : slide
(slide 22 : interface)
SLIDE
(slide Finale)
Conclusion :
Pour conclure, notre projet CarPricer Morocco démontre comment l’intelligence
artificielle peut aider à estimer de manière fiable le prix des voitures sur le
marché marocain, nous avons proposé une solution simple et efficace pour les
acheteurs comme pour les vendeurs.
Pour la suite, plusieurs perspectives d’amélioration s’offrent à nous :
Enrichir le dataset en collectant plus de données depuis plusieurs
plateformes marocaines de vente de véhicules.
Ajouter une section dédiée aux pièces détachées et aux
accessoires automobiles (pneus, batteries, autoradios, etc.) pour élargir
l’utilité de l’application aux besoins en entretien et personnalisation.
Étendre le modèle à d’autres types de véhicules, tels que les motos,
voitures neuves, utilitaires, ou encore les bus.
Développer une application mobile pour rendre l’outil plus accessible
au grand public.
