Élaborer un modèle de détection des faux billets

Contexte

Projet réalisé dans le cadre de la formation Data analyst chez OpenClassRooms.

Data analyst dans une entreprise qui vient de décrocher un contrat avec l’Organisation nationale de lutte contre le faux-monnayage (ONCFM).

Objectifs du projet

• Analyse complète depuis la collecte en passant par le nettoyage jusqu'à une analyse post réduction des dimensions des données.

Descriptif de la mission

• Créer une application de machine learning permettant, après avoir scanné des billets (longueur, hauteur, largeur, etc.), de faire une prédiction sur la nature des billets (vrai billet ou faux billet).

L’agence européenne EMV (European Monetary Verification), en charge du faux monnayage, nous a recommandé de commencer à tester 4 algorithmes : - K-means - Régression logistique - KNN - Random Forest

Source des données

Données issues de :

• FAO
• Banque Mondiale
• Agence Bio
• Institut de recherche de l'agriculture biologique fiBL

Méthode

-Traitements et analyses réalisés sur les données ;

• Différents algorithmes avec leurs résultats ;
• Choix du modèle final retenu et pourquoi ;
• Application fonctionnelle qui permet de prédire la nature d’un billet en fonction des caractéristiques.

Livrables

• Notebook Python contenant l’ensemble des traitements et des tests effectués.
• Notebook en Python contenant l’application finale permettant de tester les billets avec l'algorithme choisi.
• Support de présentation

Compétences développées

• Imputer des valeurs manquantes grâce à une régression linéaire
• Utiliser des modèles d'apprentissage supervisé (et non supervisé) pour réaliser une prédiction d'un phénomène de classification
• Sélectionner un modèle selon des critères de performance

Authors

https://github.com/CandicePlainfo