PRINCE KREME

J'ai complété ce projet pratique dans le cadre du cours Data Science offert par IBM Developer Skills Network. Ce projet m'a permis de mettre en pratique des compétences essentielles en analyse de données et en modélisation prédictive, en utilisant Python et des bibliothèques comme scikit-learn. Réalisations clés : Évaluation de modèles : J'ai analysé et comparé des modèles de régression linéaire en utilisant des métriques telles que l'erreur quadratique moyenne (MSE) et des graphiques de résidus pour évaluer la performance des modèles. Validation croisée : J'ai implémenté la validation croisée (cross-validation) pour obtenir des prédictions fiables et évaluer la robustesse des modèles sur des ensembles de données variés. Interprétation des résultats : J'ai examiné des prédictions pour identifier les modèles à forte variance ou biais, renforçant ainsi ma compréhension des concepts d'overfitting et d'underfitting. Application pratique : Le projet m'a permis de travailler sur des scénarios réels, comme la prédiction de prix (par exemple, immobilier ou voitures), en validant les résultats pour garantir leur pertinence.

Je suis ravi de partager mon dernier projet réalisé dans le cadre de ma formation : une analyse approfondie des données historiques pour comprendre comment les périodes de récession affectent les ventes d'automobiles. Ce projet m'a permis de renforcer mes compétences en analyse de données, visualisation et création de tableaux de bord interactifs, tout en fournissant des informations exploitables pour les décideurs. Points forts du projet : Partie 1 : Visualisations avec Pandas, Matplotlib, Seaborn et Folium J'ai créé une série de graphiques pour analyser les tendances des ventes automobiles : Graphiques en ligne : Suivi des fluctuations annuelles des ventes et des tendances par type de véhicule (supermini, familiale, sportive, etc.) pendant les récessions (1980, 2007-2009, COVID-19, etc.). Graphiques en barres : Comparaison des ventes par type de véhicule en périodes de récession et hors récession. Sous-graphiques : Analyse des variations du PIB pendant et hors récession. Graphiques en bulles : Étude de l'impact de la saisonnalité sur les ventes. Nuages de points : Identification de la corrélation entre le prix moyen des véhicules et le volume des ventes en période de récession. Graphiques en secteurs : Répartition des dépenses publicitaires globales et par type de véhicule pendant les récessions. Graphiques en ligne : Analyse de l'effet du taux de chômage sur les ventes par type de véhicule. Partie 2 : Tableau de bord interactif avec Plotly et Dash J'ai développé un tableau de bord permettant aux directeurs d'explorer les données via : Des menus déroulants pour filtrer par année ou catégorie (ex. : type de véhicule, période de récession). Des visualisations dynamiques pour les rapports de récession (tendances des ventes, PIB, chômage) et les statistiques annuelles.