Analyse de données & ML2026

Stage Data Analytics OIBSIP

Neuf analyses de données, du nettoyage à la détection de fraude

Les neuf tâches des niveaux 1 et 2 du parcours Data Analytics d'Oasis Infobyte, chacune livrée avec son notebook, ses données, ses graphiques et un README qui présente la méthode, les résultats et les limites.

Code sourcesur GitHub (nouvel onglet)
Courbes ROC et précision-rappel des modèles de détection de fraude, au-dessus des nuages de points des quatre segments de clients RFM.
Graphiques tirés du dépôt : détection de fraude (en haut) et segmentation RFM des clients (en bas).

En bref

Le problème
Un jeu de données réel est rarement propre ni équilibré : valeurs manquantes, doublons, classes rares. Un indicateur mal choisi peut alors annoncer un excellent score pour un modèle inutile.
L'objectif
Mener chaque analyse jusqu'à une conclusion exploitable, avec des métriques adaptées au problème et les limites écrites noir sur blanc.
Ma contribution
Seul contributeur du dépôt public : notebooks, nettoyage des données, modèles, graphiques et README des neuf tâches.
Technologies
  • Python
  • pandas
  • scikit-learn
  • imbalanced-learn
  • NLTK
  • VADER
  • plotly
  • Jupyter

Résultats

tâches des niveaux 1 et 2 terminées et publiées
fraudes du jeu de test détectées, avec 6 fausses alertes sur 56 651 transactions légitimes
de R² pour la prédiction des prix immobiliers par régression linéaire

Les neuf tâches

  • Nettoyage des ventes d'un café : 1 951 valeurs manquantes retrouvées exactement grâce à deux règles métier.
  • Analyse exploratoire des ventes de centres commerciaux d'Istanbul : vêtements, chaussures et technologie font 95 % du chiffre d'affaires.
  • Segmentation RFM et K-Means : 4 segments, dont les « Champions », 16 % des clients et 64 % du chiffre d'affaires.
  • Sentiment des tweets adressés aux compagnies aériennes : régression logistique à 79,3 % d'exactitude, contre 44,7 % pour TextBlob.
  • Prix immobiliers par régression linéaire : R² de 0,909 avec 14 variables, effet de chaque variable exprimé en % du prix.
  • Qualité des vins : Random Forest à 81,3 % d'exactitude pour repérer les vins notés 7 ou plus.
  • Fraude à la carte bancaire (0,17 % de fraudes) : SMOTE et Random Forest, F1 de 0,852 et PR-AUC de 0,828.
  • Google Play Store : 92 % d'applications gratuites, 68 % d'avis positifs selon VADER.
  • Saisie semi-automatique et correction : trigrammes avec repli, et Damerau-Levenshtein qui corrige 23 fautes courantes sur 25.

Sources des informations de cette page : Dépôt OIBSIP (nouvel onglet), README de la détection de fraude (nouvel onglet), README des prix immobiliers (nouvel onglet).