Skin-Cancer-Prediction-BCC

Ce projet vise à développer un modèle d'apprentissage automatique capable de détecter le cancer de la peau, avec un focus initial sur le carcinome basocellulaire (BCC). L'objectif est également d'étendre la détection à d'autres types de cancers de la peau si possible.

Détection de Cancer de la Peau via Machine Learning

Description du Projet

Ce projet vise à développer un modèle d'apprentissage automatique capable de détecter le cancer de la peau, avec un focus initial sur le carcinome basocellulaire (BCC). L'objectif est également d'étendre la détection à d'autres types de cancers de la peau si possible.

Nous nous engageons à appliquer les meilleures pratiques en science des données, notamment l'utilisation de la structure Cookiecutter Data Science et une collaboration optimisée via GitHub.

---

Objectifs Principaux

1. Créer un modèle de détection performant pour le BCC à partir d'images.
2. Étendre la détection à plusieurs types de cancers de la peau.
3. Assurer une organisation rigoureuse et une reproductibilité totale du projet.

---

Structure du Projet

Ce projet suit la structure Cookiecutter Data Science :

├── data/                 # Données brutes, intermédiaires et finales  
├── notebooks/            # Explorations et analyses en Jupyter  
├── src/                  # Code source du projet (prétraitement, modèles, etc.)  
├── models/               # Modèles entraînés et résultats  
├── reports/              # Graphiques, résultats et documentation finale  
├── tests/                # Scripts de tests pour valider le code  
├── requirements.txt      # Liste des dépendances Python  
└── README.md             # Documentation principale  

Chaque dossier contient un fichier README.md pour décrire son rôle et son contenu.

---

Prérequis

1. Configuration de l’Environnement

1. Installez Python 3.9 ou supérieur.
2. Clonez ce dépôt :

   git clone https://github.com/votre-repo/cancer-detection.git
   cd cancer-detection
   

3. Installez les dépendances :

   pip install -r requirements.txt
   

2. Structure Cookiecutter

Ce projet utilise la structure Cookiecutter Data Science. Familiarisez-vous avec son organisation ici.

---

Démarrage

1. Préparation des Données

• Placez les données brutes dans le dossier data/raw.
• Exécutez le script de prétraitement dans src/preprocessing/ pour générer des données prêtes à l’emploi dans data/processed.

2. Exploration et Visualisation

• Les carnets Jupyter sont disponibles dans le dossier notebooks/.

3. Entraînement du Modèle

• Lancez le script principal dans src/models/train_model.py :

  python src/models/train_model.py
  

---

Organisation et Collaboration

Bonnes Pratiques GitHub

• Branches dédiées : Travaillez sur une branche spécifique pour chaque tâche (ex. : feature/data-preprocessing).
• Commits clairs : Expliquez brièvement vos modifications.
• Pull Requests : Faites valider vos modifications par un membre de l'équipe avant de fusionner dans main.

Documentation

• Mettez à jour le fichier README.md si vous ajoutez de nouvelles étapes ou outils.

---

Ressources et Références

• Cookiecutter Data Science : Guide officiel
• Dataset utilisé : [Lien vers la source du dataset]
• Frameworks :
  • TensorFlow / PyTorch (à confirmer selon votre choix)
  • Pandas, NumPy, Matplotlib pour les analyses

---

Prochaines Étapes

1. Finaliser la formalisation mathématique du problème.
2. Prétraiter les données et explorer leur distribution.
3. Construire et entraîner le modèle de classification initial.

---

Contact

Pour toute question ou contribution, contactez Donfack Pascal Arthur ou ouvrez une issue sur ce dépôt.

---

Ce fichier README pourra évoluer avec l'avancement du projet. 😊

Project Organization

├── LICENSE            <- Open-source license if one is chosen
├── Makefile           <- Makefile with convenience commands like `make data` or `make train`
├── README.md          <- The top-level README for developers using this project.
├── data
│   ├── external       <- Data from third party sources.
│   ├── interim        <- Intermediate data that has been transformed.
│   ├── processed      <- The final, canonical data sets for modeling.
│   └── raw            <- The original, immutable data dump.
│
├── docs               <- A default mkdocs project; see www.mkdocs.org for details
│
├── models             <- Trained and serialized models, model predictions, or model summaries
│
├── notebooks          <- Jupyter notebooks. Naming convention is a number (for ordering),
│                         the creator's initials, and a short `-` delimited description, e.g.
│                         `1.0-jqp-initial-data-exploration`.
│
├── pyproject.toml     <- Project configuration file with package metadata for 
│                         lung_cancer_prediction_bcc and configuration for tools like black
│
├── references         <- Data dictionaries, manuals, and all other explanatory materials.
│
├── reports            <- Generated analysis as HTML, PDF, LaTeX, etc.
│   └── figures        <- Generated graphics and figures to be used in reporting
│
├── requirements.txt   <- The requirements file for reproducing the analysis environment, e.g.
│                         generated with `pip freeze > requirements.txt`
│
├── setup.cfg          <- Configuration file for flake8
│
└── lung_cancer_prediction_bcc   <- Source code for use in this project.
    │
    ├── __init__.py             <- Makes lung_cancer_prediction_bcc a Python module
    │
    ├── config.py               <- Store useful variables and configuration
    │
    ├── dataset.py              <- Scripts to download or generate data
    │
    ├── features.py             <- Code to create features for modeling
    │
    ├── modeling                
    │   ├── __init__.py 
    │   ├── predict.py          <- Code to run model inference with trained models          
    │   └── train.py            <- Code to train models
    │
    └── plots.py                <- Code to create visualizations

---

"Le renard sait que la voie du succès est pavée de travail, de persévérance... et parfois de lignes de code." 🦊💻

---