Loading repository data…
Loading repository data…
Majin-M / repository
Ce projet présente une application interactive de machine learning permettant de prédire la probabilité qu'un individu possède un compte bancaire, à partir de ses caractéristiques socio-démographiques.
Bienvenue dans le dépôt de l'Application de Prédiction d'Inclusion Bancaire ! 🚀
Ce projet présente une application interactive de machine learning permettant de prédire la probabilité qu'un individu possède un compte bancaire, à partir de ses caractéristiques socio-démographiques. Conçu comme projet de portfolio, il met en avant les bonnes pratiques en data engineering et développement Python : pipeline de données structuré, clean code, séparation des responsabilités et documentation complète.
Les données proviennent des enquêtes FinScope menées en Afrique de l'Est (Kenya, Rwanda, Tanzanie, Ouganda). L'inclusion bancaire y reste un enjeu majeur : une large partie de la population n'a pas accès aux services financiers formels. Ce projet modélise les facteurs socio-démographiques qui influencent la possession d'un compte bancaire.
Construire un pipeline structuré de bout en bout : ingestion des données brutes, analyse exploratoire, nettoyage, et mise à disposition pour la modélisation.
Financial_inclusion_dataset.csv).notebooks/EDA.ipynb.Unknown pour le catégoriel), suppression des doublons, normalisation des noms de colonnes en snake_case.data/financial_inclusion_clean.csv.docs/naming_conventions.md.Entraîner un modèle de classification et le rendre accessible via une interface interactive permettant une prédiction en temps réel.
Pour plus de détails sur les dépendances, consultez requirements.txt.
financial-inclusion/
│
├── app.py # Point d'entrée — streamlit run app.py
│
├── src/
│ ├── data_processing.py # Chargement et prétraitement des données
│ └── model.py # Entraînement du modèle Random Forest
│
├── data/
│ ├── Financial_inclusion_dataset.csv # Dataset brut (non versionné)
│ └── financial_inclusion_clean.csv # Dataset nettoyé (généré par l'EDA)
│
├── notebooks/
│ └── EDA.ipynb # Analyse exploratoire des données
│
├── docs/
│ └── naming_conventions.md # Conventions de nommage du projet
│
├── requirements.txt # Dépendances du projet
└── README.md # Présentation du projet
git clone https://github.com/Majin-M/financial-inclusion.git
cd financial-inclusion
pip install -r requirements.txt
Ouvrir et exécuter notebooks/EDA.ipynb dans Jupyter pour produire data/financial_inclusion_clean.csv.
streamlit run app.py
Ce projet est sous licence MIT. Vous êtes libre de l'utiliser, le modifier et le partager avec attribution appropriée.
Je suis Steven Mouthoud, Data Engineer passionné par la construction de pipelines de données robustes et le développement d'applications orientées data.