📝 Projet

🚫 Critères Éliminatoires Communs (Go / No-Go)

Attention

Si l’une des cases ci-dessous est cochée “NON”, le projet n’est pas corrigé (Note = 0 ou rattrapage).

Critère	OUI	NON
Présence du fichier README.md à la racine	☐	☐
Noms et Prénoms clairs dans l’en-tête du README	☐	☐
Le Dataset n’est pas versionné/inclus dans le dépôt Git	☐	☐
Le code métier est modulaire (fichiers .py importés dans le .ipynb)	☐	☐

📊 Data Science et Baseline ML

Cette note évalue votre capacité à préparer le terrain, comprendre vos données et établir une base de référence solide.

Jalon / Critère	Détail des Attentes	Points
📍 Jalon 1 : Data	Choix du dataset pertinent et bien justifié selon les contraintes du sujet.	/ 2
📍 Jalon 2 : EDA	Nettoyage robuste, statistiques descriptives pertinentes, détection des anomalies, augmentation de données si applicable. Visualisations soignées.	/ 5
📍 Jalon 3 : ML Classique	Baseline ML fonctionnelle. Utilisation et compréhension démontrée de la régularisation (Ridge, Lasso, ElasticNet).	/ 5
📍 Jalon 4 : Éval ML	Évaluation correcte du modèle classique. Analyse approfondie du compromis Biais/Variance (surapprentissage/sous-apprentissage).	/ 5
🌐 Points Globaux (Partie 1)	Respect des labels Git (data, eda, ml, eval-ml). Propreté du code d’exploration et clarté des commentaires dans le notebook.	/ 3

📊 Deep Learning Fondamental

Cette note sanctionne la maîtrise des architectures de base, des mathématiques sous-jacentes (optimisation) et la rigueur de la démarche comparative.

Jalon / Critère	Détail des Attentes	Points
📍 Jalon 5 : Architecture	Conception du réseau claire. Justification solide du choix entre MLP, CNN (spatialité, filtres) ou RNN (séquences).	/ 6
📍 Jalon 6 : Optimisation	Recherche des hyperparamètres pertinentes. Choix justifié de l’optimiseur. Stratégie explicite pour contrer le Vanishing/Exploding Gradient (fonctions d’activation, normalisation).	/ 6
📍 Jalon 7 : Comparaison	Analyse critique et argumentée comparant les performances, limites et temps de calcul entre la baseline ML et l’approche DL.	/ 5
🌐 Points Globaux (Partie 2)	Respect des labels Git (dl, opti-dl, eval-dl). Modularité du code (architecture des réseaux placée dans des fichiers .py externes).	/ 3

📊 Deep Learning Avancé et Ingénierie

Cette dernière note valorise votre curiosité technique (état de l’art), vos compétences en MLOps/déploiement et la qualité de votre rendu final.

Jalon / Critère	Détail des Attentes	Points
📍 Jalon 8 : DL Avancé	Choix et implémentation réussie d’une technologie de pointe (GAN, VAE, Transformateur, GNN, Transfer Learning). Justification du besoin technique.	/ 6
📍 Jalon 9 : Déploiement	Dashboard interactif (Streamlit/Dash) ergonomique et fonctionnel pour exploiter le modèle.	/ 5
🌐 README & Transparence	Qualité du rapport écrit. Transparence IA explicite détaillant les outils utilisés et les limites rencontrées.	/ 4
🌐 Reproductibilité	Le fichier requirements.txt ou l’environnement uv permet une installation sans erreur.	/ 3
⭐ Bonus : CI/CD	Automatisation des tests ou déploiement continu du dashboard (GitHub Pages, Cloudflare, etc.).	/ 2 (Bonus)