Tous les Challenges

Mettez vos skills machine learning à l'épreuve! Construisez le meilleur modèle de prédiction de prix immobiliers. L'Objectif: Utiliser un dataset de 50,000+ propriétés pour prédire le prix final avec la meilleure accuracy possible. Dataset Fourni: Features (20 colonnes): - Localisation (latitude, longitude) - Surface (m²) - Nombre de chambres - Nombre de salles de bain - Année de construction - Condition du bâtiment - Proximité transports - Écoles à proximité - Parcs à proximité - Parking disponible - Piscine - Garage - Étage - Ascenseur - Balcon - Terrasse - Meublé - Chauffage - Climatisation - Énergie renouvelable Target: Prix (HTG/USD) Phase 1: Exploration des Données (Semaine 1) Analyse EDA (Exploratory Data Analysis) Visualisations Correlation analysis Outlier detection Data cleaning Phase 2: Feature Engineering (Semaine 2) Créer de nouvelles features Normalisation/Standardisation Encoding des variables catégorielles Selection des features importantes PCA ou autre dimensionality reduction Phase 3: Modélisation (Semaine 3) Vous pouvez utiliser: Linear Regression Decision Trees / Random Forest Gradient Boosting (XGBoost, LightGBM) Neural Networks (TensorFlow/PyTorch) Ensemble methods Anything else! Phase 4: Validation & Tuning (Semaine 4) Cross-validation Hyperparameter tuning Regularization Ensemble stacking Final submission Métriques d'Évaluation: Primary: RMSE (Root Mean Squared Error) Secondary: R² Score Tertiary: MAE (Mean Absolute Error) Leaderboard: Position | Participant | Model | RMSE | R² Score | Date ---------|--------------|-----------------|---------|----------|---------- 1 | DataMaster | XGBoost | 12,340 | 0.9521 | 2024-03-31 2 | AIExpert | LightGBM | 12,890 | 0.9487 | 2024-03-30 3 | MLWizard | Neural Network | 13,120 | 0.9412 | 2024-03-29 4 | PyPro | Random Forest | 13,450 | 0.9356 | 2024-03-28 5 | CodeNinja | Linear Reg | 15,600 | 0.9120 | 2024-03-27 Checklist de Soumission: Notebook Jupyter (.ipynb) commenté Données preprocessing complètes EDA avec visualisations Feature engineering détaillé Modèle entraîné (serialisé .pkl ou .h5) Predictions sur test set Rapport d'analyse (PDF) Code reproductible Ressources Fournies: Dataset complet (CSV) Starter notebook Baseline model (sklearn) Evaluation script Kernel computing time Stack Recommandé: import pandas as pd import numpy as np import scikit-learn import xgboost import lightgbm import tensorflow/torch import matplotlib import seaborn Récompenses: Top 10: Reconnaissance + $50 Amazon Gift Top 5: Reconnaissance + $100 Gift Top 3: $200, $150, $100 USD 1st Place: $500 + Feature article Participants: 3,456 data scientists Statistiques: Meilleure accuracy: 95.21% (RMSE: 12,340€) Moyenne: 87.5% Participants qui terminent: 78% Timeline: Semaines 1-4: Challenge ouvert Semaine 5: Évaluation finale Semaine 6: Résultats & récompenses