projet-10

Projet 10 : Détectez des faux billets avec Python

⚠ Déploiement de l'agorithme

• Le code du déploiement de l'application Dash Plotly est disponible dans un le dépôt detection-faux-billets-dash-app.
• L'application déployée sur render est disponible ici.

J'utilise une version gratuite de l'application donc le chargement peut être un peu long.

📋 Scénario

En tant que consultant Data Analyst nous effectuons une prestation en régie au sein de l’Organisation nationale de lutte contre le faux-monnayage (ONCFM). Cette institution a pour objectif de mettre en place des méthodes d’identification des contrefaçons des billets en euros.

🎯 Objectifs

• Préparer et analyser les données comprenant les caractéristiques dimensionnelles des billets en fonction de leur authenticité.
• Explorer différentes solutions pour la mise en place de l'algorithme et retenir le modèle le plus adapté.
• Tester notre algorithme sur de nouvelles données.

🔧 Outils utilisés

• Pandas, Matplotlib et Seaborn : préparation et analyse descriptive des données.
• SciPy, scikit-learn et statsmodels : mise en place de l'algorithme.
• Joblib et Pathlib : pour l'exportation de l'algorithme.
• Dash Plotly : pour le déploiement de l'algorithme sur une application en ligne.

🎓 Compétences acquises

• Réaliser une régression linéaire.
• Opérer des classifications automatiques pour partitionner les données.
• Réaliser une analyse prédictive.
• Réaliser une régression logistique.
• Réaliser une classification kNN et k-means.
• Réaliser un arbre de décision et une forêt aléatoire.
• Utiliser des méthodes ensemblistes (Bagging et Boosting).
• Optimiser un modèle avec GridSearchCV.
• Valider un modèle avec la validation croisée.

Example d'analyses de classfications réalisées dans le notebook de préparation

Aperçu de l'application Dash