Ce projet met en œuvre une solution complète de détection de plaques d’immatriculation à partir d’images ou de vidéos, combinant des techniques de vision par ordinateur avec un modèle d’apprentissage entraîné par nos soins. Il fonctionne en temps réel, aussi bien sur des vidéos pré-enregistrées que via une caméra live.

Ce projet applique des techniques de machine learning pour prédire le volume de ventes (Units Sold) et proposer une extension vers la prédiction du niveau de stock futur, en fonction de multiples facteurs externes (promotions, saisonnalité, conditions météo, prix concurrentiels...).

Ce projet met en œuvre un algorithme d’apprentissage par renforcement pour entraîner un agent à résoudre l’environnement CartPole-v1 à l’aide d’un Deep Q-Network (DQN). L’agent apprend à équilibrer un bâton posé sur un chariot en déplaçant celui-ci à gauche ou à droite, en maximisant sa durée de survie.

Ce projet propose une approche NLP pour analyser et regrouper les hymnes nationaux en clusters thématiques ou stylistiques, via une vectorisation TF-IDF et des techniques de clustering (KMeans, hiérarchique). L’objectif est de mieux comprendre les similarités textuelles à l’échelle mondiale.

Ce projet met en œuvre plusieurs algorithmes de machine learning supervisé sur le dataset Pokémon MP-24-25 pour deux tâches principales : - 🔢 Régression : prédiction des HP à partir d'autres caractéristiques - 🏷️ Classification : prédiction du status (Légendaire ou non) et du type_1

Ce projet a pour objectif de réaliser une analyse exploratoire des données (EDA) sur le dataset Pokémon MP-24-25.csv. Il sert de base aux projets supervisés suivants et vise à détecter les incohérences, nettoyer les données, et préparer des variables pour de futures analyses.