Domaine: Apprentissage Automatique, Développement Web, Développement d'Applications Mobiles

Description: Ce projet visait à construire un système intelligent d'aide à la décision qui fournit des prédictions pour les matchs de football basées sur les données historiques des équipes impliquées. Le système génère des prédictions probabilistes de victoire, défaite ou match nul, et permet aux utilisateurs de comparer leurs propres prédictions avec celles faites par le modèle d'IA. La solution intègre des algorithmes d'apprentissage automatique, notamment XGBoost, la Régression Logistique, Naive Bayes, les Arbres de Décision, les Forêts Aléatoires et les Machines à Vecteurs de Support (SVM). Le web scraping a été réalisé avec Python pour collecter les statistiques des matchs. Les prédictions initiales ont montré un taux de précision de 55 %, qui a été amélioré à 80 % après avoir enrichi l'ensemble de données avec des fonctionnalités supplémentaires et un encodage.

Le projet comprend également une plateforme web et une application mobile:

• Plateforme Web: Fournit des prédictions pour les matchs à venir et permet aux utilisateurs de faire leurs propres prédictions.
• Application Mobile: Engage les utilisateurs en offrant des récompenses attractives basées sur leurs scores de prédiction, améliorant la motivation et l'interaction des utilisateurs.

Caractéristiques Clés:

• Modèles d'Apprentissage Automatique: Utilisation de divers algorithmes (XGBoost, Régression Logistique, Naive Bayes, Arbres de Décision, Forêts Aléatoires, SVM) pour des prédictions précises.
• Collecte de Données: Emploi de techniques de web scraping avec BeautifulSoup de Python pour recueillir des données historiques et des statistiques de match.
• Métriques de Performance: Évaluation de la performance du modèle à l'aide de métriques telles que la Matrice de Confusion (avant et pendant le match), la Précision, le Rappel, le score F1, l'Exactitude et l'Exactitude Équilibrée.
• Interaction Utilisateur: Les utilisateurs peuvent comparer leurs prédictions avec les résultats générés par l'IA et consulter un résumé détaillé.
• Précision des Prédictions Améliorée: L'ensemble de fonctionnalités amélioré et les techniques d'encodage des données ont augmenté la précision des prédictions de 55 % à 80 %.
• Développement Multiplateforme: Création d'une plateforme web réactive et d'une application mobile avec Flutter pour les appareils Android et iOS.

Technologies Utilisées:

• Back-End: PHP, Symfony, API REST, MySQL
• Front-End: JavaScript, HTML, CSS, Bootstrap, Twig
• Application Mobile: Flutter, Dart
• Apprentissage Automatique: BeautifulSoup, Scikit-Learn, Pandas, NumPy, Matplotlib
• Environnement de Développement: Visual Studio Code, Jupyter Notebook

Image de l'App:

 

pdf : 

Mémoire de Fin d'Études pour le Master en Informatique
 

Description:

Ce projet consiste à créer une application mobile intelligente qui aide les utilisateurs à corriger les fautes d'orthographe et de grammaire et offre des services de traduction. L'application suit et stocke en continu les saisies de l'utilisateur, lui permettant de construire une base de données de vocabulaire personnalisée. Ces données sont ensuite utilisées pour entraîner des modèles d'IA afin d'améliorer la précision de la détection des erreurs et de l'apprentissage des langues. L'application offre une interface conviviale, prend en charge plusieurs langues et est optimisée pour un usage éducatif, ce qui en fait un outil précieux pour les apprenants en langues et les rédacteurs.

Caractéristiques Clés:

• Correction Orthographique et Grammaticale en Temps Réel: Détecte et corrige les fautes d'orthographe et de grammaire au fur et à mesure que les utilisateurs tapent.
• Traduction Multilingue: Prend en charge la traduction entre différentes langues pour une communication améliorée.
• Suivi du Vocabulaire Personnalisé: Enregistre toutes les saisies de l'utilisateur pour construire un vocabulaire personnalisé pour l'apprentissage et l'amélioration de la détection des erreurs.
• Apprentissage Piloté par l'IA: Utilise les données collectées pour entraîner des modèles d'IA afin d'obtenir de meilleures prédictions et une meilleure compréhension des langues.
• Interface Conviviale: Conception simple et intuitive adaptée aux apprenants et aux rédacteurs.

Technologies Utilisées:

• Développement Mobile: Dart, Flutter
• Apprentissage Automatique: Collecte de données pour les futurs modèles d'entraînement de l'IA