Minist re de lEnseignement Sup rieur Et
de la Recherche Scientifique
Universit de Tunis
Institut Sup rieur de Gestion
RAPPORT DE PROJET DE
FIN D TUDES
En vue de lobtention du dipl me de licence
Appliqu e en Informatique D cisionnelle
D veloppement dune solution destimation des
Prix des voitures d'occasion en Tunisie
Entreprise daccueil :
WIMBEE TECH
Elabor par :
Gadhoum Mohamed Yassine & Maalej Zied
Encadrant p dagogique
Encadrant professionnel
Mr Badreddine Ahmed
Mr Mziou Kais
Ann e universitaire : 2019 - 2020
Remerciements
Nous voudrons tout d'abord remercier Madame Manel JRAD, la
directrice du d partement des ressources humaines au sein de
WIMBEE TECH, de nous avoir accueillis au sein de la soci t tout
au long du stage.
Nous tenons galement remercier M. Kais MZIOU, M. Hichem
FEHMI et M. Majdi TRABELSI, nos encadrants professionnels et
M. Ahmed BADREDDINE, maitre-assistant au sein de l'Institut
Sup rieur de Gestion de Tunis, ISG Tunis, pour leur encadrement,
leur disponibilit et la richesse de cette exp rience.
Nous tenons remercier tout le personnel de Wimbee, qui a mis
tout en Suvre pour que notre stage se d roule dans les meilleures
conditions possibles, et tous nos coll gues pour leur aide pr cieuse.
D dicace
Du profond du cSur, nous d dions notre travail toutes les
personnes qui nous ont encourag s et soutenus durant cette
p riode.
Particuli rement &
Nos chers parents qui nous ont toujours pouss et motiv dans nos
tudes et pour avoir toujours support et appr ci tous
les efforts qui nous ont amen s r aliser ce travail.
Nos fr res et sSurs pour leurs grands d vouements, sacrifices et
amour ternel.
Tous nos amis qui nont jamais cess de nous soutenir et avec qui
nous avons partag de bons moments.
Table des mati res :
Introduction g n rale ......................................................................................................................................... 9
Chapitre 1 : Pr sentation du cadre g n ral ..................................................................................................... 1
I.
II.
Introduction ........................................................................................................................................... 1
Cadre du projet ...................................................................................................................................... 1
III.
Pr sentation de lorganisme daccueil ................................................................................................... 1
IV.
Etude de lexistant ................................................................................................................................. 3
1. Critique de lexistant ............................................................................................................................................ 3
2. Travail demand ................................................................................................................................................... 3
V.
Gestion de projet .................................................................................................................................... 5
1. D finition des m thodes Agiles ........................................................................................................................... 5
2. Comparaison entre les m thodes traditionnelles et les m thodes Agiles ............................................................. 5
3. Pr sentation de la m thode SCRUM ................................................................................................................... 6
4. Produit backlog .................................................................................................................................................... 8
VI.
Le Machine Learning........................................................................................................................... 10
1. D finition ........................................................................................................................................................... 10
2. La diff rence entre lapprentissage supervis et le non supervis ..................................................................... 10
3. La relation de notre projet avec le Machine Learning ....................................................................................... 10
VII. Conclusion ........................................................................................................................................... 12
Chapitre 2 : Web scraping et chargement de donn es ................................................................................. 13
I.
II.
Introduction ......................................................................................................................................... 13
Backlog du sprint 1 .............................................................................................................................. 13
III. Web Scraping ...................................................................................................................................... 14
IV. Conception ........................................................................................................................................... 14
V.
R alisation ........................................................................................................................................... 15
1. Analyse comparative entre les packages de web scraping ................................................................................. 15
2. Automatiser la lecture des urls ........................................................................................................................... 16
3. Lister les liens de toutes les annonces ................................................................................................................ 19
4. Scraper toutes les annonces et les classer dans un tableau de donn es .............................................................. 22
VI. Conclusion ........................................................................................................................................... 25
Chapitre 3 : Nettoyage de donn es et mod lisation ...................................................................................... 26
I.
II.
Introduction ......................................................................................................................................... 26
Backlog des sprints .............................................................................................................................. 26
III.
Sprint 2 : Nettoyage de donn es .......................................................................................................... 27
1. Nettoyage sp cifique pour chaque base de donn es : ........................................................................................ 28
2. Nettoyage commun pour la base de donn es commune : .................................................................................. 35
IV.
Sprint 3 : Mod lisation et valuation de diff rents mod les ............................................................... 41
1.
Introduction ........................................................................................................................................................ 41
2. Le mod le de r gression lin aire et la r gression en gradient............................................................................ 41
3. Analyse comparative entre les deux mod les .................................................................................................... 42
V.
Conclusion ........................................................................................................................................... 45
Chapitre 4 : Centralisation et Automatisation de donn es et D veloppement dune interface ................ 46
I.
II.
Introduction ......................................................................................................................................... 46
Backlog des sprints .............................................................................................................................. 46
III. Conception ........................................................................................................................................... 48
IV. R alisation ........................................................................................................................................... 50
1. Sprint 5 : construire une base de donn es SQL.................................................................................................. 50
2. Sprint 6: Mettre en place une interface web ...................................................................................................... 53
3. Sprint 7 : Automatisation des t ches : ................................................................................................................ 58
Publicité
VI. Conclusion ........................................................................................................................................... 62
Conclusion g n rale ......................................................................................................................................... 63
R f rences ......................................................................................................................................................... 64
Liste des figures :
Figure 1: Fiche didentit de WIMBEE ............................................................................................................... 2
Figure 2: Lorganigramme de WIMBEE ............................................................................................................. 2
Figure 3:M thode agile Scrum ............................................................................................................................. 7
Figure 4: Le processus de l'apprentissage automatique ..................................................................................... 11
Figure 5: Bouton Montrer plus ........................................................................................................................... 17
Figure 6: Automobile.tn ..................................................................................................................................... 18
Figure 7: Auto-plus.tn ........................................................................................................................................ 18
Figure 8: Karhabti.tn .......................................................................................................................................... 19
Figure 9: lien d'une annonce Karhabti.tn ........................................................................................................... 20
Figure 10: lien d'une annonce tayara.tn .............................................................................................................. 20
Figure 11: lien d'une annonce Automobile.tn .................................................................................................... 21
Figure 12: lien d'une annonce auto-plus.tn ........................................................................................................ 21
Figure 13: tableau de donn es non trait automobile.tn..................................................................................... 23
Figure 14: tableau de donn es non trait tayara.tn ............................................................................................. 23
Figure 15: tableau de donn es non trait auto-plus.tn ........................................................................................ 24
Figure 16: tableau de donn es non trait karhabti.tn ......................................................................................... 24
Figure 17: Marque et mod le dans la m me colonne......................................................................................... 29
Figure 18: Marque et mod le s par es ............................................................................................................... 29
Figure 19: Prix avec DT ..................................................................................................................................... 31
Figure 20: Prix sans DT ..................................................................................................................................... 31
Figure 21: Kilom trage avec Km ....................................................................................................................... 32
Figure 22: Kilom trage sans Km ....................................................................................................................... 33
Figure 23: Puissance fiscale avec CV ................................................................................................................ 34
Figure 24: Puissance fiscale sans CV ................................................................................................................. 34
Figure 25: Le tableau de donn es contant les quatre sites ................................................................................. 36
Figure 26: Boxplot de la colonne kilom trage avant nettoyage ......................................................................... 38
Figure 27: Boxplot de la colonne kilom trage apr s nettoyage ......................................................................... 38
Figure 28: Boxplot de la colonne Prix avant nettoyage ..................................................................................... 39
Figure 29: Boxplot de la colonne prix apr s nettoyage ...................................................................................... 40
Figure 30: r sultat de l' valuation (test) du mod le en gradient effectu e sur 30% de notre population .......... 43
Figure 31: r sultat de l' valuation (test) du mod le lin aire effectu e sur 30% de notre population ................ 44
Figure 32: Exemple d'une pr diction lin aire du prix d'une "Volkswagen Passat" ........................................... 44
Figure 33: Exemple d'une pr diction en gradient du prix d'une "Volkswagen Passat" .................................... 45
Figure 34: La base de donn es car_data1 ........................................................................................................... 50
Figure 35:Table voitures .................................................................................................................................... 51
Figure 36: Table voituresclean ........................................................................................................................... 51
Figure 37: Table marque et mod le.................................................................................................................... 52
Figure 38: Dossier Interface PFE ................................................................................................................. 53
Figure 39: Dossier templates ........................................................................................................................ 54
Figure 40: Dossier testauto (les deux parties SQL et Python) ..................................................................... 55
Figure 41: Dossier static (Javascript) ........................................................................................................... 55
Figure 42: Ex cution du projet ........................................................................................................................... 56
Figure 43: Interface du projet ............................................................................................................................. 57
Figure 44: Estimation du prix d'une voiture ....................................................................................................... 57
Figure 45: R sultat d'estimation d'une voiture indisponible .............................................................................. 58
Figure 46: Cr er une t che ................................................................................................................................. 59
Figure 47: Nommer la t che ............................................................................................................................... 59
Figure 48: Cr er une action et sp cifier le fichier automatiser ....................................................................... 60
Figure 49: Action cr e avec succ s .................................................................................................................. 61
Figure 50: Programmer l'ex cution du fichier ................................................................................................... 61
Figure 51: t che cr e avec succ s ..................................................................................................................... 62
Liste des tableaux :
Tableau 1: Tableau comparatif entre les m thodes traditionnelles et agiles ........................................................ 6
Tableau 2 : produit backlog de notre projet ....................................................... Error! Bookmark not defined.
Tableau 3: Backlog du sprint 1 .......................................................................................................................... 13
Tableau 4: Tableau comparatif entre les deux outils.......................................................................................... 15
Tableau 5: Backlog du sprint 2 .......................................................................................................................... 26
Tableau 6: Backlog du sprint 3 .......................................................................................................................... 27
Tableau 7: analyse comparative entre les deux mod les .................................................................................... 42
Tableau 8: Backlog du sprint 5 .......................................................................................................................... 46
Tableau 9: Backlog du sprint 6 .......................................................................................................................... 47
Tableau 10: Backlog du sprint 7 ........................................................................................................................ 48
Introduction g n rale
De nos jours les donn es sont au cSur de nos discussions, leur collecte, leur propri t , leur traitement et leur
bonne utilisation peuvent mener un r sultat impressionnant.
Donc les donn es qui ont toujours t omnipr sentes repr sentent dores et d j un enjeu majeur pour les
entreprises et une source denrichissement et de d veloppement conomique.
Nous ne pouvons pas parler de limportance de donn es sans citer les nouvelles sciences qui viennent
d merger pendant ces deux derni res d cennies tels que lintelligence artificielle, linformatique
d cisionnelle et le big data.
Dans ce cadre sinscrit notre projet de fin d tudes de trois mois au sein de la multinationale fran aise
Wimbeetech. Notre projet intitul D veloppement dune solution destimation des Prix des voitures
d'occasion en Tunisie sinscrit aussi dans le domaine de lIntelligence Artificielle, plus pr cis ment le
Machine Learning puisquil sagit de collecter des donn es puis les nettoyer ensuite passer la phase de
mod lisation en se basant sur le principe de lapprentissage supervis cest- -dire le mod le va sentrainer sur
notre base de donn es g n r e par Web Scraping pour pouvoir estimer le prix dune voiture donn e.
Pour assurer la persistance de nos donn es nous avons construit une base de donn es comportant des tables
sp cifiques dont nous aurons besoin dans le reste du projet.
Apr s cette tape nous avons couronn notre projet par une interface Web ergonomique contenant les
diff rents champs de saisie des caract ristiques dune voiture donn e pour lui afficher un prix estimatif
ad quat aux prix du march actuel gr ce la mise jour r guli re et p riodique de donn es qui est due par
lautomatisation du Web Scraping et le nettoyage de donn es laide du planificateur de t ches de Windows.
Ce rapport se compose essentiellement de 4 chapitres chacun comporte un nombre bien d termin de sprints,
puisque notre projet est r alis en suivant la m thode agile SCRUM :
Chapitre 1 Pr sentation du cadre g n ral qui consiste pr senter lentreprise et le cadre projet ainsi que de
faire l tude de lexistant.
Chapitre 2 Web scraping et chargement de donn es : les techniques et les outils adopt s pour effectuer
lop ration du scraping des 4 site Tayara.tn, automobile.tn, auto-plus.tn et karhabti.tn.
Chapitre 3 Nettoyage de donn es et mod lisation les biblioth ques et les techniques utilis es pour rendre
les donn es sous une forme standard et pr tes tre mod liser, puis effectuer une analyse comparative entre
les diff rents mod les adopt s et choisir le plus pr cis.
Chapitre 4 Centralisation et Automatisation de donn es et D veloppement dune interface ce chapitre
traite les outils et les techniques utilis s pour d velopper une interface Web et pour assurer lautomatisation
des donn es et lalimentation de notre base de donn es.
Chapitre 1 : Pr sentation du cadre g n ral
I.
Introduction
Dans ce chapitre nous allons vous pr senter lorganisme daccueil, ses diff rents
compartiments, ses domaines dexpertise et son organigramme, puis nous allons vous d crire
notre projet et faire une tude de lexistant. Enfin nous allons vous parler de la m thode de
gestion de projet adopt e par notre soci t .
II. Cadre du projet
Ce travail sinscrit dans le cadre dun projet de fin d tudes en vue de lobtention du dipl me
de Licence Appliqu e en Informatique d cisionnelle de lInstitut Sup rieur de Gestion de
Tunis. Ce stage de trois mois au sein de WIMBEE a pour but de r aliser un projet qui
consiste mettre en place une solution permettant destimer le prix de vente des voitures
Publicité
doccasion en Tunisie partir des prix de voitures de diff rents sites web puis couronner ce
programme par une interface web ergonomique et conviviale avec lutilisateur.
III. Pr sentation de lorganisme daccueil
WIMBEE est une soci t multinationale qui a t fond e en Tunisie en 2019, dot e dune
quipe dexperts fonctionnels, m tiers ainsi que des consultants et des d veloppeurs qui
maitrisent les innovations et les nouvelles technologies.
En effet WIMBEE est sp cialis e en plusieurs technologies de traitement de donn es et li es
essentiellement aux donn es tel que la strat gie data, Data Driven, Transformation digitale,
Risque & Conformit , Big Data, RGPD.
" La strat gie data : sassurer que lensemble des donn es collect es soient fiables et
exploitables pour tre utilis es, partag es et valoris es, au service des clients et des
collaborateurs.
" Data Driven : une approche qui consiste prendre des d cisions strat giques sur la base
dune analyse et dune interpr tation des donn es.
1
" RGPD : R glement g n ral sur la protection des donn es.
" Big Data : le stockage, l'analyse et le traitement de donn es massives (m gadonn es).
Figure 1: Fiche didentit de WIMBEE
La figure 1 repr sente la fiche technique de Wimbee, cest- -dire les coordonn es
g ographiques, les emails et les num ros des bureaux.
Figure 2: Lorganigramme de WIMBEE
La figure 2 montre les diff rents d partements de Wimbee.
2
Le chef de d partement data science cest Monsieur Hichem fehmi, Il a sous sa responsabilit ,
un Chef de projet SAS, 2 consultants data science et 5 Stagiaires, Il est rattach directement a
la direction g n rale, Fait partie de la codirection Wimbee.
IV. Etude de lexistant
1. Critique de lexistant
Dans le cadre de sa strat gie de d veloppement de la vente des v hicules neuves par
lacquisition des v hicules doccasion, une entreprise X a des difficult s pour estimer le prix
des voitures doccasion, cette derni re a donc fait appel Wimbee pour lui proposer une
solution compl te permettant de faire une veille sur les valeurs r elles de vente des voitures
doccasion et destimer les prix de la majorit des marques des voitures sur le march .
Actuellement lestimation du prix des voitures se fait par la comparaison des prix apr s
consultation des diff rents sites de vente en ligne.
En Tunisie on na pas encore r alis ce type de projet (un estimateur de prix de voiture
doccasion).
Notre entreprise Wimbee veut cr er son propre produit cest- -dire elle souhaite d velopper
son propre code de scraping au niveau de la construction dune base de donn e, qui sera
automatiquement mise jour pour prendre en consid ration la fluctuation des prix sur le
march au cours du temps.
- Probl me dactualisation : au niveau de mise jour de donn es (les donn es sont statiques).
- m me sil y a des programmes sur ce projet, ils ne sont pas couronn s par une interface web
conviviale avec lutilisateur et ergonomique.
2. Travail demand
Mise en place dune solution permettant destimer le prix de vente des voitures doccasion en
Tunisie partir des prix de voitures dans diff rents sites :
" Construction de base de donn es par web scraping de plusieurs sites.
" Construction dun mod le de machine learning (mod le de r gression, mod le en gradient
boosting) qui permet destimer le prix dune voiture partir de ses caract ristiques
(kilom trage puissance fiscale, ann e de mise en circulation, carburant, mod le &).
3
" Enregistre les donn es dans une base transactionnelle que se met jour automatiquement.
" D velopper une interface web qui permet lutilisateur de fournir les informations
n cessaires de la voiture et lui afficher son prix estim en temps r el.
Architecture fonctionnelle cible
Online
Offline
Param tres
recherches
Choix des
param tres de
recherche
Serveur
Request
BO : Serveur
dapplication
Commercial
Front office
Prix estim
Fourchette
de prix
Mod le de
pr diction
Web Scraping
BD dapprentissage et
valuation du mod le
Mise jour
du mod le
Evaluation et
auto
apprentissage
4
V. Gestion de projet
1. D finition des m thodes Agiles
Une m thode Agile est une approche it rative et collaborative (avec le client), qui nous
permet de prendre en consid ration les besoins initiaux du client et ceux li s aux volutions
du produit en cours de r alisation.
La m thode Agile se base sur un cycle de d veloppement qui met le client au centre. Ce
dernier est impliqu dans la r alisation du d but la fin du projet. Gr ce la m thode agile le
demandeur b n ficie dun suivi continu et dune meilleure visibilit de la gestion des travaux.
2. Comparaison entre les m thodes traditionnelles et les m thodes Agiles
Lobjectif de cette partie est de choisir la m thode ad quate qui assure le bon d roulement du
projet et lobtention des meilleurs r sultats possibles.
Il existe deux m thodes de gestion de projet qui peuvent tre mises en Suvre :
Cycle en V (M thode standard)
SCRUM (M thode agile)
S quentielle : Un flux dactivit s
It ratif : le mod le it ratif implique la
Cycle de vie
repr sent s par des s quences.
r p tition dun cycle dop rations. Le
Lin aire .
projet est affin au fur et mesure de
chaque it ration.
Incr mental : construire le produit
morceau par morceau jusquau rendu
final.
Plans d taill s bas s sur des
Planification adaptative et ajustements
Publicité
Planification
exigences stables d finies d s le
si n cessaires en fonction des nouvelles
d but du projet.
demandes.
5
Une quipe avec des ressources
Une quipe responsabilis e o
quipe
sp cialis e et dirig e par un chef de
linitiative et la communication sont
projet.
privil gi es, soutenue par le chef de
projet.
Contr le qualit la fin du cycle de
Un contr le qualit pr coce et
Contr le
d veloppement. Le client d couvre le
permanent, au niveau du produit et du
qualit
produit fini.
processus. Le client visualise les
r sultats t t et fr quemment.
Pas de changement possible sans
Sp cifications plus souples en
Changement
revenir la phase de sp cifications et
ajoutant/modifiant les fonctionnalit s
repasser par toutes les autres phases.
aux sprints suivants qui n taient pas
pr vues au d part.
Documentation
Quantit importante
Strict n cessaire
Respect des engagements initiaux en
Satisfaction client par la livraison de
Mesures de
termes de co ts, de budget et de
valeur ajout e.
succ s
niveau de qualit .
Tableau 1: Tableau comparatif entre les m thodes traditionnelles et agiles
Le tableau 1 consiste une comparaison entre deux m thodes de gestion de projet ( cycle en V
et scrum).
3. Pr sentation de la m thode SCRUM
On a choisi de travailler avec SCRUM qui est une approche destin e assurer la gestion et le
bon d roulement de certains projets consid r s comme tant complexes. Cette m thode a pour
but dam liorer la productivit des membres de l quipe de d veloppement et de favoriser le
client en premier lieu et essayer de r pondre ses besoins.
6
(1)
Figure 3:M thode agile Scrum
La figure 3 illustre le d roulement de la m thode scrum.
SCRUM implique la pr sence de trois principaux acteurs :
Product Owner :
Sorte de chef de projet, il porte la vision du produit. Par cons quent, il tablit les priorit s,
d finit les sp cificit s fonctionnelles et les valide, Il doit donc laborer le product backlog.
Scrum Master
Il sassure de faire respecter la m thode et les valeurs Scrum. Il veille sur la bonne d marche
des taches accord es l quipe du d veloppement et insiste sur le respect des d lais.
7
L quipe
Les membres de l quipe du d veloppement accomplissent les t ches recommand es et
d livrent le produit final.
4. Produit backlog
Lapproche Scrum propose de commencer par lister les exigences du client afin de produire le
Product Backlog sous forme de liste ditem ou User Story.
Id
User stories
Description
Priorit
1
2
3
4
Charger les annonces du site
Charger toutes les
Obligatoire
Tayara.tn
informations :kilom trage
,marque , mod le ,ann e&
Charger les annonces du site
Charger toutes les
Obligatoire
karhabti.tn
informations :kilom trage
,marque ,mod le ,ann e&
Charger les annonces du site
Charger toutes les
Obligatoire
automobile.tn
informations :kilom trage
,marque, mod le, ann e&
Charger les annonces du site auto-
Charger toutes les
Obligatoire
plus.tn
informations :kilom trage
,marque, mod le, ann e&
Nettoyer et standardiser les donn es
Faire un diagnostic de donn es ,
Obligatoire
5
issues des diff rents sites
et lister les op rations faire
pour les nettoyer.
8
Centraliser les annonces de voitures
La base de donn es doit tre,
Obligatoire
Publicité
6
dans une base de donn es.
transactionnelle qui se met
jour automatiquement.
Mettre en place un mod le pr dictif
Le mod le doit se baser sur un
Obligatoire
permettant d'estimer le prix de
apprentissage supervis e sur
7
chaque marque de voiture
l'historique des offres de
voitures.
Disposer d'une interface Web pour
L'interface Web prend en input :
Obligatoire
consulter les prix des voitures
la marque, l'ann e de mise en
d'occasion
circulation, le kilom trage et
donne une estimation du prix.
Automatiser toute la chaine de
Param trage et planification la
Obligatoire
chargement de donn es
demande de la chaine de mise
jour de la base de donn es.
8
9
Tableau 2: Produit backlog de notre projet
Le tableau 2 repr sente notre produit backlog ainsi que tous les sprints de notre projet.
9
VI. Le Machine Learning
1. D finition
Le machine Learning est une nouvelle technologie dintelligence artificielle qui permet aux
machines dapprendre, analyser et construire des mod les partir des donn es collect es qui
repr sentent une base sur laquelle les machines sentrainent.
Dans lapprentissage automatis on trouve deux types, lapprentissage supervis et
lapprentissage non supervis .
2. La diff rence entre lapprentissage supervis et le non supervis
Dans le domaine du Machine Learning, il existe deux principaux types dapprentissage :
supervis et non supervis . La principale diff rence entre les deux types r side dans le fait que
lapprentissage supervis se fait sur la base dune v rit . En dautres termes, nous avons une
connaissance pr alable de ce que devraient tre les valeurs de sortie de nos chantillons. Par
cons quent, lobjectif de lapprentissage supervis est de r aliser un mod le qui, partir dun
chantillon de donn es et des r sultats souhait s, se rapproche le mieux de la relation entre
entr e et sortie observable dans les donn es. En revanche, lapprentissage non supervis na
pas de r sultats tiquet s.
3. La relation de notre projet avec le Machine Learning
Pourquoi notre projet contient une grande partie de Machine Learning ? Et dans quel type
dapprentissage se situe-il ?
En effet notre projet consiste mettre en place un mod le de pr diction de prix partir dun
ensemble de donn es collect es contenant les attributs et la cible ce qui rend notre
apprentissage bas sur une v rit et des r sultats pr alablement connus, de ce fait on peut dire
quon est dans le cas de lapprentissage supervis .
En fait dans notre projet le processus du machine Learning va se d rouler comme suit dans
notre projet :
10
G n rer une base de donn es contenant plusieurs annonces de plusieurs sites class e dans un
tableau de donn es puis effectuer le nettoyage de donn es ensuite voir la corr lation entre
toutes les variables (colonnes) de notre base et notre variable cible qui est le Prix dans notre
cas, ceci peut aussi se faire par des visualisations. Apr s avoir termin cette tape, nous
devons choisir les attributs ou les variables qui peuvent influencer notre mod le cest- -dire
les variables les plus corr l es avec notre cible et qui peuvent nous donner le prix estimatif le
plus pr cis, proche et approximatif aux prix r els du march tels que le kilom trage, marque,
mod le, lann e de mise en circulation puissance fiscale et carburant tous ces param tres
constitueront les caract ristiques de notre mod le qui va tre d ploy en utilisant des
algorithmes dapprentissage pr d finis se basant sur les donn es pr alablement fournies.
Figure 4: Le processus de l'apprentissage automatique
(2)
La figure 4 illustre le processus de lapprentissage automatique.
11
VII. Conclusion
Durant ce premier chapitre nous avons pr sent un aper u g n ral sur notre projet dont la
probl matique ne peut se r soudre que par un programme de machine Learning, puis nous
avons mis le sujet dans son contexte en contigu t avec lorganisme daccueil au sein duquel
nous avons pass notre stage.
Nous allons dans les chapitre qui suivent, partager avec vous dune mani re approfondie et
d taill e des sprints que nous avons r alis s pour pouvoir achever notre produit final.
12
Chapitre 2 : Web scraping et chargement de donn es
I.
Introduction
Durant ce chapitre nous allons vous pr senter la partie de conception qui comporte les
diff rentes technologies utilis es tout au long de notre projet, ensuite et apr s avoir donn un
petit aper u sur le Web Scraping, nous allons commencer par vous d crire dune mani re
d taill e les premiers sprints de chargement de donn es partir des diff rents sites web.
II. Backlog du sprint 1
Sprint 1: chargement de donn es.
User stories
T ches faire durant ce sprint.
Charger les annonces du site Tayara.
Analyse comparative entre les packages
de web scraping.
Charger les annonces du site
automobile.tn.
Automatiser de la lecture des urls.
Scraper toutes les annonces.
Charger les annonces du site karhabti.
Charger toutes les annonces dans un seul
fichier structur .
Charger les annonces du site autoplus.
Tableau 3: Backlog du sprint 1
Le tableau 3 d crit les t ches faire durant le sprint 1
13
III. Web Scraping
Recueillir un nombre...