sibirinestor/analystlab-week2-feature-engineering

AnalystLab Africa Week 2 - Feature Engineering & Data Preprocessing (Heart Disease Prediction) # AnalystLab Africa — Semaine 2 : Feature Engineering & Prétraitement des Données **Week 2: Feature Engineering & Data Preprocessing for Machine Learning** Projet de stage en Data Science : transformation d'un jeu de données cliniques bruts en un jeu de données **prêt pour le Machine Learning**, avec pipeline documenté. *Data Science internship project: turning raw clinical data into an ML-ready dataset with a fully documented preprocessing pipeline.* --- ## Contexte / Context Ce projet traite le jeu de données **Heart Failure Prediction** (fedesoriano, Kaggle) — 918 patients, 11 caractéristiques cliniques + cible `HeartDisease` (présence/absence de maladie cardiaque). L'objectif est de préparer les données pour entraîner un classifieur binaire. *This project uses the Heart Failure Prediction dataset (918 patients, 11 clinical features + target `HeartDisease`). Goal: prepare the data to train a binary classifier.* **Jeu de données source / Source dataset** : kaggle.com --- ## Contenu du dépôt / Repository contents ``` Week2/ ├── README.md ├── run_notebook.sh # Lance Jupyter (venv) / launch Jupyter ├── run_app.sh # Lance l'app de prédiction Streamlit ├── app.py # Interface de prédiction du risque cardiaque ├── data/ │ ├── raw/heart.csv # Jeu brut original / raw dataset │ ├── cleaned/heart_cleaned.csv # Jeu nettoyé (avant encodage) / cleaned │ └── ml_ready/heart_ml_ready.csv # Jeu prêt pour le ML / ML-ready dataset ├── models/ │ ├── heart_model.joblib # Random Forest entraîné (Accuracy 0.880) │ └── heart_preprocessor.joblib # Médianes, bornes IQR, colonnes one-hot ├── notebooks/ │ └── week2_feature_engineering.ipynb # Notebook principal (Parts 1-5) ├── reports/ │ ├── rapport_comprehension_metier.md # Rapport de compréhension métier / Business repor …