EDOUARD745/mobile-money-africa

# Mobile Money & Inclusion Financière en Afrique ### Projet Machine Learning - Portfolio Data Science --- ## Objectif du Projet Prédire l'adoption du Mobile Money et identifier les déterminants de l'inclusion financière en Afrique de l'Est (Kenya, Rwanda, Tanzanie, Ouganda) à partir de données socio-économiques individuelles. La variable cible est `bank_account` (oui / non la personne possède un compte bancaire). Le modèle principal est XGBoost avec explicabilité SHAP. Le résultat final est un dashboard Power BI conçu pour la publication LinkedIn. --- ## Structure du Projet ``` mobile-money-africa/ | +-- data/ | +-- raw/ <- Données brutes originales (non modifiées) | +-- processed/ <- Données nettoyées et prêtes pour le ML | +-- external/ <- Données complémentaires (Banque Mondiale, GSMA) | +-- notebooks/ | +-- 01_EDA.ipynb <- Phase 3 : Exploration des données | +-- 02_preprocessing.ipynb <- Phase 4 : Nettoyage et préparation | +-- 03_feature_engineering.ipynb <- Phase 5 : Création de nouvelles features | +-- 04_modeling.ipynb <- Phase 6 : Entraînement des modèles ML | +-- 05_shap_interpretation.ipynb <- Phase 6 : Explicabilité avec SHAP | +-- src/ | +-- preprocessing.py <- Fonctions de nettoyage réutilisables | +-- features.py <- Fonctions de feature engineering | +-- model.py <- Fonctions d'entraînement et d'évaluation | +-- outputs/ | +-- figures/ <- Graphiques exportés (.png, .html) | +-- models/ <- Modèles entraînés et sauvegardés (.pkl) | +-- powerbi/ | +-- dashboard.pbix <- Dashboard Power BI final | +-- .env.example <- Template pour les variables d'environnement +-- .gitignore <- Fichiers exclus de Git +-- requirements.txt <- Dépendances Python +-- README.md <- Ce fichier ``` --- ## Phases du Projet ### Phase 1 - Setup et environnement Mise en place de la structure du projet, de l' …