README.md

# Projet MLOps - Analyse Prédictive avec MLflow

## 👥 Auteurs

- Mounir AZZOUGUI
- Abdellah AMRANE

## 📝 Description

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.

## 🏗️ Structure du Projet

```
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
```

## 🚀 Installation et Configuration

### Prérequis

- Python 3.x
- Git

### Installation

1. Cloner le dépôt :

```bash
git clone <URL_DU_DÉPÔT>
cd mon_projet
```

2. Créer et activer l'environnement virtuel :

```bash
python -m venv .venv
# Pour Windows
.venv\Scripts\activate
# Pour macOS/Linux
source .venv/bin/activate
```

3. Installer les dépendances :

```bash
pip install -r requirements.txt
```

## 📊 Utilisation

### Pipeline Principal

1. Ouvrir le notebook principal :
   - Naviguer vers `notebooks/NotebookDemo.ipynb`
   - S'assurer que l'environnement virtuel est activé
   - Exécuter les cellules séquentiellement

### Exploration des Résultats

- **Métriques de Performance** : Visualisables dans le notebook (Accuracy, F1-Score)
- **Visualisations** : Disponibles dans `myproject/domain/outputs`
- **Modèles Entraînés** : Sauvegardés dans `myproject/domain/Models`

### MLflow Tracking

Pour visualiser les expériences :

```bash
mlflow ui
```

Accédez à l'interface via votre navigateur pour explorer les métriques et paramètres.

## 📚 Documentation

- **Règles Métier** : Consultez `doc/règles_metiers.md`
- **Documentation Technique** : Disponible dans le dossier `doc/`

## 🆘 Support

En cas de problèmes :

1. Consultez la section dépannage dans ce README
2. Contactez les administrateurs du projet

## 📄 Licence

Ce projet est destiné à un usage éducatif et académique.

---

_Développé dans le cadre du projet MLOps - Année Universitaire 2024-2025_