📱 Projet d’Analyse des Données Smartphones

Application de data science pour explorer, nettoyer et modéliser les prix de smartphones, avec une interface interactive Streamlit pour tester des prédictions en direct.

---

🎯 Objectifs du projet

• Créer un dataset de smartphones (avec quelques anomalies volontairement ajoutées)
• Effectuer l’exploration et le prétraitement des données
• Visualiser les données (distribution, corrélation, PCA, t-SNE)
• Entraîner un modèle de régression (Arbre de Décision)
• Prédire le prix d’un smartphone à partir de ses caractéristiques

---

🧱 Structure du projet

Projet_Analyse_Donnees_Smartphones/
├── data/
│   └── smartphones.csv
└── src/
    ├── app.py
    ├── modeling.py
    ├── preprocessing.py
    └── scraping.py

---

⚙️ Prérequis

• Python 3.9+ (recommandé)
• pip

Dépendances Python

pip install pandas numpy matplotlib seaborn scikit-learn streamlit

---

🚀 Lancer le projet

1) Générer / régénérer le dataset

python src/scraping.py

2) Exécuter l’analyse et la visualisation hors interface

python src/preprocessing.py
python src/modeling.py

3) Lancer l’application Streamlit

streamlit run src/app.py

---

🧠 Fonctionnalités de l’application

Dans la barre latérale Streamlit, vous pouvez naviguer entre :

1. Exploration & Nettoyage

   • Distribution des prix
   • Heatmap des corrélations

2. Réduction Dimensionnelle

   • Projection PCA (2D)
   • Visualisation t-SNE (2D)

3. Analyse de l’Arbre

   • Importance des variables
   • Visualisation de l’arbre de décision

4. Prédiction en Direct

   • Saisie des caractéristiques d’un smartphone
   • Estimation automatique du prix en DH

---

📊 Variables utilisées

• Brand : marque
• Model : modèle
• Price_DH : prix en dirhams
• RAM_GB : mémoire RAM
• Storage_GB : stockage
• Screen_Size_Inch : taille écran
• Battery_mAh : capacité batterie

---

🧹 Nettoyage des données

Le pipeline inclut notamment :

• Imputation des valeurs manquantes (médiane / moyenne)
• Suppression d’anomalies extrêmes de prix
• Encodage one-hot de la marque
• Standardisation des variables numériques
• Transformation logarithmique de la cible pour stabiliser la régression

---

🔍 Modèle ML

• Algorithme : DecisionTreeRegressor
• Objectif : prédire le prix smartphone
• Sortie finale : conversion inverse du log pour afficher un prix réel en DH

---

🛠️ Améliorations possibles

• Évaluation plus complète (MAE, RMSE, validation croisée)
• Comparaison avec d’autres modèles (Random Forest, XGBoost, etc.)
• Sauvegarde/versioning du modèle
• Déploiement web (Streamlit Cloud, Docker)

---

👤 Auteur

Projet réalisé dans le cadre d’un exercice d’analyse de données et de modélisation ML.