🇫🇷 Français | 🇬🇧 English

Français

ML Internship — 10 Tasks (1 mois)

Environnement de travail pour le stage ML : Level 1 → Industry Level.

Structure

Chaque tâche a son propre dossier, indépendant :

taskXX_nom/
├── data/         # datasets (non versionnés, voir .gitignore)
├── notebooks/     # exploration, prototypage
├── src/           # code réutilisable (.py)
└── outputs/       # modèles sauvegardés, figures, résultats

Roadmap (1 mois, 10 tâches) — ✅ terminé

Semaine	Tâches	Focus
1	Task 1, 2	Régression, clustering — bases
2	Task 3, 4, 5	Classification multi-classe, données déséquilibrées, reco
3	Task 6, 7	Audio/CNN, séries temporelles
4	Task 8, 9, 10	Détection d'objets, maintenance prédictive, MLOps

Les 10 tâches ont été complétées, avec au moins un bonus réalisé sur chacune.

Setup

python -m venv venv
source venv/bin/activate      # Windows : venv\Scripts\activate
pip install -r requirements.txt

Liste des tâches

#	Tâche	Niveau	Statut	Résultat clé
1	Student Score Prediction	Level 1	✅	Le tutorat pèse plus que les heures d'étude (R²=0.27)
2	Customer Segmentation	Level 1	✅	5 segments clients, dont un fort potentiel inexploité
3	Forest Cover Classification	Level 2	✅	88% accuracy — l'altitude domine tout
4	Loan Approval Prediction	Level 2	✅	97% accuracy — le score de crédit pèse 86%
5	Movie Recommendation System	Level 2	✅	Precision@10 = 0.35 (après correction d'un piège de méthode)
6	Music Genre Classification	Level 3	✅	87% accuracy — aucune feature ne domine
7	Sales Forecasting	Level 3	✅	R²=98.8% — la saisonnalité prime sur l'économie
8	Traffic Sign Recognition	Industry	✅	FPS ok (26), précision limitée par la taille du dataset
9	Predictive Maintenance	Industry	✅	Compromis FDR/Recall — le couple est le meilleur indicateur
10	MLOps Pipeline	Industry	✅	API + Docker + CI/CD validés de bout en bout

Chaque dossier contient un README.md (contexte technique) et un INSIGHT.md (analyse en langage simple, une page).

English

ML Internship — 10 Tasks (1 month)

Working environment for the ML internship: Level 1 → Industry Level.

Structure

Each task has its own, independent folder:

taskXX_nom/
├── data/         # datasets (non versionnés, voir .gitignore)
├── notebooks/     # exploration, prototypage
├── src/           # code réutilisable (.py)
└── outputs/       # modèles sauvegardés, figures, résultats

Roadmap (1 month, 10 tasks) — ✅ completed

Week	Tasks	Focus
1	Task 1, 2	Regression, clustering — basics
2	Task 3, 4, 5	Multi-class classification, imbalanced data, recce
3	Task 6, 7	Audio/CNN, time series
4	Task 8, 9, 10	Object detection, predictive maintenance, MLOps

All 10 tasks have been completed, with at least one bonus achieved on each.

Setup

python -m venv venv
source venv/bin/activate      # Windows : venv\Scripts\activate
pip install -r requirements.txt

Task List

#	Task	Level	Status	Key result
1	Student Score Prediction	Level 1	✅	Tutoring weighs more than study hours (R²=0.27)
2	Customer Segmentation	Level 1	✅	5 customer segments, including strong untapped potential
3	Forest Cover Classification	Level 2	✅	88% accuracy — altitude dominates everything
4	Loan Approval Prediction	Level 2	✅	97% accuracy — credit score weighs 86%
5	Movie Recommendation System	Level 2	✅	Precision@10 = 0.35 (after fixing a method trap)
6	Music Genre Classification	Level 3	✅	87% accuracy — no feature dominates
7	Sales Forecasting	Level 3	✅	R²=98.8% — seasonality takes precedence over the economy
8	Traffic Sign Recognition	Industry	✅	FPS ok (26), precision limited by the size of the dataset
9	Predictive Maintenance	Industry	✅	FDR/Recall trade-off — torque is the best indicator
10	MLOps Pipeline	Industry	✅	End-to-end validated API + Docker + CI/CD

Each folder contains a README.md (technical background) and an INSIGHT.md (plain language analysis, one page).