Prévison de date de passage des jalons avec les méthodes de machine learning

• Introduction
  
• Chapitre I
  
  • 
    
  • I.1 Introduction
    
  • I.2 Contexte
    
  • I.3 Contexte Logiciel
    
  • 
    
  • I.4 Jalonnement adopté
    
  • I.5 Semaines entre chaque jalon
    
  • 
    
  • I.6 Indicateurs
    
  • I.7 Conclusion
    
• Chapitre II
  
  • 
    
  • II.1 Objectif
    
  • II.1.1 Métier
    
  • II.1.2 Technique
    
  • II.1.3 Stratégique
    
  • II.2 Règle
    
  • II.3 Données
    
  • II.3.1 Composition de données
    
  • II.3.2 Schéma de données
    
  • II.3.3 Nommage des projets
    
  • II.3.4 Zone architecture
    
  • II.4 Difficultés rencontrées
    
  • II.5 Décomposition du problème
    
  • II.6 Data pre-processing
    
  • II.6.1 Nettoyage des données
    
  • II.6.2 Chercher les valeurs aberrantes
    
  • II.6.3 Application des lois statistiques
    
  • II.6.3.1 Loi de Benford
    
  • II.6.3.2 Loi de Zipf
    
  • 
    
  • II.6.3.3 Loi normale
    
  • 
    
  • II.6.4 Sélection des caractéristiques intéressantes
    
  • 
    
  • II.6.5 Transformer les données
    
  • 
    
  • II.6.5.1 TF-IDF
    
  • II.6.5.2 Word2Vec
    
  • 
    
  • II.6.5.3 LabelEncoder
    
  • II.6.5.4 Normalisation
    
  • II.6.6 Augmentation de données
    
  • II.7 Conclusion
    
• Chapitre III
  
  • 
    
  • III.1 Introduction
    
  • III.2 Machine Learning
    
  • III.3 Apprentissage supervisé
    
  • III.4 Régression ou classification III.4.1 Problème de classification
    
  • 
    
  • III.4.2 Problème de régression
    
  • III.5 Algorithmes linéaires ou non linéaires
    
  • III.6 Modèles paramétriques ou non paramétriques
    
  • III.7 Apprentissage hors ligne ou incremental
    
  • III.8 Modèles géométriques ou probabilistes
    
  • III.9 Les principaux algorithmes
    
  • III.9.1 La régression linéaire
    
  • 
    
  • III.9.2 Les K plus proches voisins
    
  • III.9.3 Les arbres de décision
    
  • III.9.4 Les forêts aléatoire
    
  • III.9.5 Les machines à vecteurs de support
    
  • III.9.6 MLP
    
  • 
    
  • III.9.6.1 rétropropagation
    
  • III.9.6.2 Initialisation judicieuse
    
  • III.9.6.3 Utiliser le bon nombre de couches et de neurones par couche
    
• Chapitre IV
  
  • IV.1 Performance d'un modèle et sur-apprentissage
    
  • 
    
  • IV.2 Évaluation de la classification IV.2.1 La matrice de confusion
    
  • 
    
  • IV.3 Évaluation de la régression
    
  • IV.3.1 RSS
    
  • IV.3.2 MSE
    
  • IV.3.3 RMSE
    
  • IV.3.4 RMSLE
    
• Chapitre V
  
  • 
    
  • V.1 Classification
    
  • V.1.1 Sur l'ensemble du jeux de données
    
  • V.1.1.1 Random forest
    
  • 
    
  • V.1.1.2 XGBOOST
    
  • 
    
  • V.1.1.3 KNN
    
  • 
    
  • V.1.2 Sur un jeux de test aléatoire
    
  • V.1.3 Temps d'entraînement des algorithmes
    
  • 
    
  • V.2 Régression
    
  • V.2.1.1 Random forest
    
  • V.2.1.2 KNN
    
  • 
    
  • V.2.3 Temps d'entraînement des algorithmes
    
• Chapitre VI
  
  • 
    
  • VI.1 Introduction
    
  • VI.2 Méthode SCRUM
    
  • VI.3 Diviser pour régner
    
  • VI.3.2 Diviser notre problème
    
  • 
    
  • VI.3.2.1 Les IHM
    
  • VI.3.2.2 Les données
    
  • VI.3.2.3 Les APIs et les Frameworks
    
  • VI.3.3 Diviser le temps
    
  • VI.3.3.1 Sprint 1
    
  • VI.3.3.2 Sprint 2
    
  • VI.3.3.3 Sprint 3
    
  • VI.3.3.4 Sprint 4
    
• Chapitre VII
  
  • VII.1 Introduction
    
  • VII.2 Logiciels et outils utilisé
    
  • VII.2.1 Python3
    
  • 
    
  • VII.2.2 Jira
    
  • VII.2.3 Pandas
    
  • VII.2.4 D3.js
    
  • 
    
  • VII.2.5 TensorFlow
    
  • VII.2.6 Scikit-Learn
    
  • VII.2.7 Keras
    
  • 
    
  • VII.2.8 Google Cloud Plate forme
    
  • 
    
  • VII.2.9 Flask
    
  • VII.2.10 HTML/CSS/JS
    
  • VII.2.11 Git & GitHub
    
  • 
    
  • VII.3 Aperçu de l'outil
    
• Conclusion
  
• Bibliographie