https://github.com/benieaimeeboni/projet_oc_n10
Détectez des faux billets avec Python
https://github.com/benieaimeeboni/projet_oc_n10
jupyter-notebook kmeans-clustering linear-regression logistic-regression machine-learning python
Last synced: 4 months ago
JSON representation
Détectez des faux billets avec Python
- Host: GitHub
- URL: https://github.com/benieaimeeboni/projet_oc_n10
- Owner: BenieAimeeBoni
- Created: 2024-10-22T09:49:59.000Z (4 months ago)
- Default Branch: main
- Last Pushed: 2024-10-30T20:23:11.000Z (4 months ago)
- Last Synced: 2024-10-30T21:25:24.155Z (4 months ago)
- Topics: jupyter-notebook, kmeans-clustering, linear-regression, logistic-regression, machine-learning, python
- Language: Jupyter Notebook
- Homepage:
- Size: 3.58 MB
- Stars: 0
- Watchers: 1
- Forks: 0
- Open Issues: 0
-
Metadata Files:
- Readme: README.md
Awesome Lists containing this project
README
# Projet OC n°10
Détectez des faux billets avec Python
Vous êtes consultant Data Analyst dans une entreprise spécialisée dans la data.
Votre entreprise a décroché 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.
Ils font donc appel à vous, spécialiste de la data, pour mettre en place une modélisation qui serait capable d’identifier automatiquement les vrais des faux billets.
Et ce à partir simplement de certaines dimensions du billet et des éléments qui le composent.
Voici le cahier des charges de l’ONCFM, ainsi que le jeu de données.
Le client souhaite que vous travailliez directement depuis ses locaux sous la responsabilité de Marie, responsable du projet d’analyse de données à l’ONCFM.
Elle vous laissera une grande autonomie pendant votre mission, et vous demande simplement que vous lui présentiez vos résultats une fois la mission terminée.
Elle souhaite voir quels sont les traitements et analyses que vous avez réalisés en amont, les différentes pistes explorées pour la construction de l’algorithme, ainsi que le modèle final retenu.
Après avoir lu en détail le cahier des charges, vous vous préparez à vous rendre à l’ONCFM pour prendre vos nouvelles fonctions.
Vous notez tout de même un post-it qui se trouve sur le coin de votre bureau, laissé par un de vos collègues :
Vous embarquez le post-it dans vos affaires et vous dirigez donc à présent vers les bureaux de l’ONCFM pour commencer votre mission.
Votre code en Python contenant :
- l’ensemble des traitements et des tests effectués ;
- l’application finale.
Durant la présentation orale, votre mentor jouera le rôle de Marie, la responsable du projet à l’ONCFM à qui vous présentez vos résultats :
- Présentation des livrables (20 minutes)
- Présentation de l’ensemble de votre cheminement, des traitements et analyses réalisés en amont, des différentes pistes explorées pour la construction de l’algorithme, et du modèle final retenu (15 minutes) ;
- Test de l’algorithme en direct avec un jeu de données qui vous sera fourni pendant la soutenance, ayant la même forme que le jeu suivant : FICHIER billets_production.csv (5 minutes).
- Discussion (5 minutes)
- Échange de questions/réponses : l’évaluateur pourra revenir sur certains points pour vous questionner sur vos choix.
- L’évaluateur vous fera un retour sur votre prestation en soutenance.
- Debriefing (5 minutes)
- À la fin de la soutenance, l'évaluateur arrêtera de jouer le rôle de Marie pour vous permettre de débriefer ensemble.