YASMINE-ELKIRCH/FraudDetection-BIGDATA

Dashboard interactif Dash/Plotly comparant la détection de fraude bancaire avant et après le Big Data. Pipeline Python (pandas, scikit-learn) nettoyant 284k transactions Kaggle, simulant un système legacy vs moderne : +39% de fraudes révélées, Recall 87%, AUC 0.96. Projet universitaire IOT3 – FST Tunis El Manar 2025/2026. # Finance & Banque : Détection de Fraude Avant et Après le Big Data > Projet universitaire — **Module Big Data**, IOT3 — Faculté des Sciences de Tunis (FST), Université Tunis El Manar, 2025 / 2026. Un tableau de bord interactif **Dash / Plotly** qui compare un système *legacy* de détection de fraude bancaire avec un pipeline moderne basé sur les technologies Big Data. Le projet démontre concrètement l'impact de la qualité des données et du *feature engineering* sur la capacité du modèle à détecter la fraude par carte de crédit. --- ## Table des matières 1. Contexte & objectifs 2. Résultats clés 3. Architecture du projet 4. Stack technique 5. Structure du dépôt 6. Installation 7. Utilisation 8. Tests 9. Déploiement 10. Rapport LaTeX 11. Équipe 12. Licence --- ## Contexte & objectifs La fraude bancaire représente un risque majeur pour les institutions financières. Les méthodes traditionnelles — règles statiques, traitements batch — ne détectent plus efficacement les fraudes complexes dans un contexte de volumes croissants et de comportements diversifiés. **Objectifs :** - Comparer les approches **avant / après** l'introduction du Big Data. - Mettre en évidence le gain de visibilité sur les fraudes. - Modéliser le système via **UML** (classes, cas d'utilisation, séquences). - Produire un **dashboard** interactif pour valoriser les résultats. **Dataset :** Credit Card Fraud Detection (Kaggle) — 284 807 transactions anonymisées par ACP. --- ## Résultats clés | Indicateur | Avant Big Data | Après Big Data | Variation | |---------------------------------|----------------|----------------|-------------| | Transactions conservées | 255 353 | 283 726 | **+11,1 %** | | Fraudes détectées | 340 | 473 | **+39,1 %** | | Taux de fraude visible | 0,13 % | 0,17 % | +0,04 pt | | Montant total traité | 21,46 M € | 25,19 M € | +17,4 % | **Per …