Dj-iko-seven/PredictionAgri-AuBurundi

TP IA Appliquée - Prédiction des récoltes au Burundi # 🌱 PredictionAgri-AuBurundi Application web de prédiction des bonnes et mauvaises récoltes agricoles au Burundi par Machine Learning. **Université Polytechnique de Gitega — Bac4 Génie Logiciel** TP IA Appliquée — 2025/2026 --- ## 🚀 Lancer l'application localement ### 1. Cloner le dépôt ```bash git clone github.com cd PredictionAgri-AuBurundi ``` ### 2. Installer les dépendances ```bash pip install -r requirements.txt ``` ### 3. Lancer Streamlit ```bash streamlit run app.py ``` L'application s'ouvre sur `localhost` --- ## 🌐 Application déployée 👉 **URL publique :** `predictionagri-auburundi.st…` --- ## 📁 Structure du projet ``` PredictionAgri-AuBurundi/ ├── app.py # Application Streamlit principale ├── agriculture_burundi.csv # Dataset (1620 observations, 14 variables) ├── TP_AgriPredict_Burundi.ipynb # Notebook Jupyter (Ex. 1-6) ├── Rapport_Q29_Q30.md # Rapport de réflexion (Q29 & Q30) ├── requirements.txt # Dépendances Python └── README.md # Ce fichier ``` --- ## 📊 Contenu du TP | Exercice | Contenu | Points | |---|---|---| | Ex. 1 | Chargement, exploration, qualité des données | 20 pts | | Ex. 2 | Prétraitement, encodage, normalisation, split | 15 pts | | Ex. 3 | Arbre de Décision + analyse overfitting | 20 pts | | Ex. 4 | Forêt Aléatoire + validation croisée | 20 pts | | Ex. 5 | Régression Logistique + courbe ROC | 20 pts | | Ex. 6 | Prédiction sur 4 scénarios réels | 15 pts | | Ex. 7 | Application web déployée (BONUS) | 15 pts | --- ## 🤖 Modèles ML utilisés - **Arbre de Décision** (max_depth=4, criterion=gini) - **Forêt Aléatoire** (n_estimators=100) ← recommandé en production - **Régression Logistique** (max_iter=1000) ## 📦 Dépendances ``` streamlit>=1.32.0 pandas>=2.0.0 numpy>=1.24.0 scikit-learn>=1.3.0 matplotlib>=3.7.0 seaborn>=0.12.0 ```