ephra68/AgriTech-Chad

# AgriTech Chad Pipeline de prédiction du rendement agricole pour le Tchad — **production-ready**. ## Stack technique - **Backend** : FastAPI + SQLAlchemy (SQLite local, bascule PostgreSQL via `AGRITECH_DATABASE_URL`) - **Frontend** : React + Vite + Tailwind + Recharts - **ML** : scikit-learn, XGBoost, LightGBM, CatBoost, Optuna, SHAP, Evidently AI - **Sécurité** : JWT (python-jose), bcrypt (passlib), rate limiting (slowapi) - **Orchestration** : Prefect (ré-entraînement périodique) - **CI/CD** : GitHub Actions + déploiement Render ## Structure du projet ``` agritech_chad/ ├── backend/ │ ├── app.py # API FastAPI (v2.0.0) │ ├── security.py # Authentification JWT │ ├── database.py # SQLite/SQLAlchemy │ ├── models.py # ORM (User, Prediction) │ ├── schemas.py # Pydantic v2 │ ├── schema_validation.py # Validation CSV stricte │ └── logging_config.py # Logs structurés JSON ├── frontend/ │ └── src/ │ ├── App.jsx # Interface principale │ ├── predictionApi.js # Client API │ └── components/ # Footer, StatCard, etc. ├── src/ │ ├── prediction_service.py # Service de prédiction (conformal + SHAP) │ ├── interpretability.py # SHAP (explication des prédictions) │ ├── conformal_prediction.py # Intervalles de confiance calibrés │ ├── drift_monitoring.py # Evidently AI (data/model drift) │ ├── train_model_advanced.py # Pipeline avancé (4 modèles + stacking) │ └── pipeline_orchestrator.py # Prefect flows ├── models/ # Modèles entraînés (.joblib) ├── data/ # Données (train.csv, test.csv) ├── outputs/ # Soumissions générées ├── tests/ # Tests unitaires ├── .github/workflows/ci.yml # CI/CD ├── render.yaml # Déploiement Render └── requirements.txt # Dépendances Python ``` ## Installation ```bash # Backend python -m venv .venv source .venv/b …