Table des matières

• Une carte à trois chemins
• Premier chemin : L’apprentissage supervisé
• Deuxième chemin : L’apprentissage non supervisé
• Troisième chemin : L’apprentissage semi-supervisé
• Conclusion : Le choix du chemin

Dans les profondeurs des données se cache une force mystérieuse, capable de transformer des informations brutes en connaissances précieuses : c’est le Machine Learning. Mais que se cache-t-il réellement derrière ce terme, souvent évoqué dans le monde des sciences des données ?

Dans ce chapitre, nous vous dévoilons un projet fascinant : la prédiction d’éligibilité aux prêts à l’aide de deux puissants artefacts du royaume du machine learning, la régression logistique et KNN. Une aventure mêlant données, algorithmes et interface magique, que nous vous invitons à explorer.

Table des matières

• Objectif du Projet
• Le grimoire des données
• Construction des Modèles de Prédiction
• Développement de la Plateforme Web
• Point sur les Technos Utilisées
• Impact et Utilité
• Visuels
• Conclusion de la quête

Objectif du Projet

Chaque grande aventure commence par un défi. Ici, l’objectif principal était de créer un modèle prédictif qui aide les banques à déterminer si un client potentiel est éligible à un prêt en fonction de ses caractéristiques personnelles et financières comme son revenu, sa situation matrimoniale ou son historique de crédit. Pour ce faire, nous avons mis sur pied deux modèles de machine learning : la régression logistique et le k-plus proches voisins (KNN), pour analyser et prédire les résultats en fonction des données. Nous avons également créé une plateforme web pour permettre aux banquiers et administrateurs de banque de visualiser et d’interagir facilement avec ces prédictions. Une solution complète, pensée pour rendre le processus décisionnel plus simple et efficace.