Dans cette vidéo, j'explique un projet complet d'application de Machine Learning sur des données automobiles, en commençant par la collecte des données sur le site QatarSale à l'aide du Web Scraping, puis en transformant les données en un ensemble de données organisé, en effectuant une compréhension des données et un prétraitement des données, jusqu'à l'entraînement d'un modèle de régression linéaire pour prédire les prix des voitures.
Le projet comprend l'extraction de données sur les voitures telles que l'année de fabrication, le nombre de cylindres, le kilométrage et le prix, puis la conversion des données textuelles en données numériques pouvant être utilisées dans le modèle d'apprentissage automatique.
Ensuite, les données sont nettoyées et les colonnes non nécessaires sont supprimées, puis les données sont divisées en ensembles d'entraînement et de validation, et l'on applique la normalisation Min-Max et la standardisation, on analyse la corrélation entre les variables, puis on construit un modèle de régression linéaire et on l'évalue à l'aide de l'erreur quadratique moyenne (MSE).
Une visualisation des données avant et après le traitement est également présentée, ainsi qu'une comparaison entre les prix réels et les prix prévus par le modèle.
Le projet illustre un cycle de travail complet en Machine Learning qui commence par :
Web Scraping → Création d'ensemble de données → Compréhension des données → Prétraitement des données → Visualisation des données → Sélection des caractéristiques → Division des données → Normalisation → Standardisation → Analyse de corrélation → Régression linéaire → Évaluation du modèle.
Ensemble de données : 200 enregistrements de voitures
Modèle : Régression linéaire
Variable cible : Prix de la voiture
Caractéristiques : Année, Cylindres, Kilométrage
Métrique d'évaluation : Erreur quadratique moyenne (MSE)