LEVI JUNIOR BOUBANDA

Configuration del'ID client OAuth 2.0 Configuration du package pour Android Récupération d'informations sur la condition physique Création del'interface utilisateur extraction des données de santé à partir de montres connectées, en se focalisant sur les marques Apple, Huawei et Garmin. Il analyse les différentes méthodes d'extraction de données, y compris l'utilisation d'API, d'applications mobiles et de scripts Python. Examine également la manière de gérer les autorisations d'accès aux données et souligne l'importance de respecter les politiques de confidentialité. On proposant un code Python et des instructions pour extraire des données de santé à partir de Google Fit, Samsung Health et des montres Garmin. Enfin, il mentionne un retour sur l'utilisation de Flutter et Dart pour développer une application mobile permettant d'extraire les données de Google Fit.

Dans ce projet, le but était de prédire la qualité des vins rouges et blancs à partir de leurs caractéristiques chimiques (comme l'acidité, le taux d'alcool, le sucre, etc.). Les données ont été téléchargées à partir d'une base publique (UCI Repository), puis combinées en un seul fichier après avoir ajouté une colonne pour indiquer le type de vin (rouge = 1, blanc = 0). Une première analyse des données a permis de vérifier qu’il n’y avait pas de valeurs manquantes, d’observer la distribution des différentes variables avec des histogrammes, et de repérer les valeurs extrêmes grâce à des boxplots. Ensuite, les données ont été divisées en deux parties : une pour l'entraînement des modèles (80 %) et une pour les tests (20 %). Avant d’entraîner les modèles, les données ont été normalisées à l’aide de la méthode StandardScaler pour que toutes les variables soient sur la même échelle. Trois algorithmes de machine learning ont été utilisés pour faire la prédiction : la régression linéaire (modèle simple), la forêt aléatoire (modèle basé sur plusieurs arbres de décision), et le SVM pour régression (modèle à base de marges optimales). Les performances de chaque modèle ont été évaluées avec des mesures comme l’erreur moyenne absolue (MAE), l’erreur quadratique moyenne (MSE) et le coefficient R² qui indique la précision du modèle. Ce travail permet de poser les bases pour créer un système automatique d’évaluation de la qualité du vin.

Ce projet a permis de développer un pipeline complet d'analyse de sentiment utilisant le modèle BERT, depuis l'extraction des données jusqu'à l'inférence. La phase d'extraction a été réalisée avec un script robuste (data_extraction.py) capable de charger des fichiers CSV tout en gérant les erreurs potentielles (fichiers manquants ou format incorrect). Le traitement des données a implémenté un nettoyage efficace du texte (suppression des caractères spéciaux, normalisation) et une tokenisation adaptée via le AutoTokenizer de Hugging Face. Pour l'entraînement, nous avons affiné un modèle BERT pré-entraîné (bert-base-uncased) avec une boucle d'entraînement optimisée, tout en développant un script d'inférence (inference.py) pour prédire le sentiment de nouveaux textes. La collaboration s'est appuyée sur une organisation Git rigoureuse, avec des branches dédiées (feature-data-extraction, feature-model-training), des revues de code via Pull Requests et des messages de commit clairs. Les tests unitaires couvrent l'ensemble des composants, garantissant la fiabilité du pipeline,

Le projet mené par Fairmat, en collaboration avec la Clinique de l'IA d'Alvancity, visait à automatiser l'extraction et l'analyse de données pour optimiser le recyclage innovant des fibres de carbone. Les données, collectées via web scraping sur Amazon à l'aide de Selenium, ont été nettoyées, enrichies et structurées en plusieurs étapes, réduisant les doublons de 45 % et ajoutant des catégories via des mots-clés. La base finale comptait 6 572 enregistrements, révélant des tendances comme un prix moyen de 78 € et une dominance des produits de bricolage (33,2 %). Malgré des limites (qualité des descriptions, dépendance à Amazon), les résultats offrent des opportunités commerciales, notamment pour les produits à bas coût. Le projet souligne l'importance de l'automatisation et suggère des améliorations futures, comme l'intégration de sources supplémentaires et de techniques avancées de NLP pour affiner les analyses

MEDICINAL PLANTS DISEASES DETECTION USING AI : le projet consiste à utiliser la technologie pour aider les agriculteurs à améliorer leur efficacité et prévenir les maladies des plantes ANALYSE DE DONNEE APICOLES .