Projet Air Paradis – Analyse de sentiments

📘 Ce projet est également disponible en anglais 🇬🇧

Ce dépôt contient les notebooks et le code source du projet d’analyse de sentiments sur des tweets, réalisé dans le cadre du programme OpenClassrooms "Air Paradis".

Contexte métier

L’objectif est de prédire si un tweet (ou une courte expression écrite) est perçu comme positif ou négatif, dans le contexte d’une compagnie aérienne.
Le projet repose sur le jeu de données public Sentiment140.

Description du projet

Le projet vise à développer un système complet d’analyse de sentiments, comprenant :

Une analyse exploratoire des données textuelles,
Une comparaison de plusieurs modèles de classification (classiques, avancés et à l’état de l’art),
Le déploiement d’une API REST exposant un modèle avancé (embeddings + LSTM),
La mise en place d’un pipeline CI/CD pour automatiser les tests et le déploiement,
Un hébergement local sur un serveur NAS pour garantir la souveraineté des données.

Structure du dépôt

notebooks/ : notebooks d’analyse et de modélisation,
deployment/ : code de l’API, tests, Dockerfile et fichiers liés au déploiement,
docs/ : documentation et ressources associées,
../.github/workflows/ : pipelines CI/CD.

Entraînement des modèles

Les phases d’entraînement ont principalement été réalisées sur Google Colab, afin de bénéficier de ressources GPU nécessaires aux modèles de deep learning.

Utilisation

Les notebooks détaillent les étapes d’analyse et d’entraînement.
L’API est disponible dans le dossier deployment/api.

Remarques

Les fichiers requirements.txt dans notebooks/ proviennent des environnements Google Colab et peuvent contenir des dépendances peu optimisées pour un usage local.
Le fichier .env, exclu du dépôt, contient les variables d’environnement nécessaires.

Ce README sera mis à jour progressivement au fur et à mesure de l’avancement du projet.
Certains commentaires de code peuvent rester en français (ainsi que les cellules Markdown des notebooks). Tout sera traduit en anglais ultérieurement.

Projet réalisé dans le cadre du parcours "Data Scientist – Projet 7" d’OpenClassrooms

2.3 KiB Raw Blame History Unescape Escape