Newer
Older
Ce projet implémente un pipeline MLOps complet pour l'analyse prédictive utilisant des modèles de machine learning (Régression Logistique et Random Forest). Il intègre des pratiques DevOps modernes et utilise MLflow pour le suivi des expérimentations.
mon_projet/
├── .git/ # Répertoire Git
├── .venv/ # Environnement virtuel Python
├── coverage/ # Rapports de couverture de tests
├── data/
│ ├── raw/ # Données brutes (diabetes.csv)
│ ├── cleaned_data.csv # Données nettoyées
│ └── data_modelisation.csv # Données prêtes pour la modélisation
├── doc/
│ └── règles_metiers.md # Documentation métier
├── myproject/
│ ├── application/ # Fonctions modulaires
│ ├── domain/ # Modèles et outputs
│ ├── logs/ # Fichiers de logs
│ ├── infrastructure/ # Scripts infrastructure
│ └── utils.py # Fonctions utilitaires
├── notebooks/ # Jupyter Notebooks
├── outputs/ # Résultats et graphiques
├── tests/ # Tests unitaires et d'intégration
└── mlruns/ # Expérimentations MLflow
```bash
git clone <URL_DU_DÉPÔT>
cd mon_projet
```
```bash
python -m venv .venv
# Pour Windows
.venv\Scripts\activate
# Pour macOS/Linux
source .venv/bin/activate
```
```bash
pip install -r requirements.txt
```
## 📊 Utilisation
1. Ouvrir le notebook principal :
- Naviguer vers `notebooks/NotebookDemo.ipynb`
- S'assurer que l'environnement virtuel est activé
- Exécuter les cellules séquentiellement
- **Métriques de Performance** : Visualisables dans le notebook (Accuracy, F1-Score)
- **Visualisations** : Disponibles dans `myproject/domain/outputs`
- **Modèles Entraînés** : Sauvegardés dans `myproject/domain/Models`
Accédez à l'interface via votre navigateur pour explorer les métriques et paramètres.
- **Règles Métier** : Consultez `doc/règles_metiers.md`
- **Documentation Technique** : Disponible dans le dossier `doc/`
1. Consultez la section dépannage dans ce README
2. Contactez les administrateurs du projet
Ce projet est destiné à un usage éducatif et académique.
_Développé dans le cadre du projet MLOps - Année Universitaire 2024-2025_