🤖 AI Portfolio API : Cancer Detection & Fraud Prediction

Bienvenue dans mon projet de Data Engineering et Machine Learning. Cette API centralise deux modèles d'IA distincts, permettant de traiter à la fois des données médicales (images) et des transactions financières (données structurées).

🌟 Fonctionnalités

1. Détection de Cancer de la Peau (Computer Vision) Modèle : Réseau de Neurones Convolutif (CNN).

Entrée : Images de lésions cutanées.

Traitement : Redimensionnement dynamique en 128x128 et normalisation.

Sortie : Classification (Bénin / Malin) avec un score de confiance.

2. Détection de Fraude Bancaire (Tabular Data) Modèle : XGBoost (## 🤖 AI Portfolio API : Cancer, Fraude & Shipping Optimization)

Bienvenue dans mon projet de Data Engineering et Machine Learning. Cette API centralise trois modèles d'IA distincts, démontrant une expertise variée allant de la vision par ordinateur à l'optimisation logistique.

🌟 Fonctionnalités

1. Détection de Cancer de la Peau (Computer Vision)

• Modèle : Réseau de Neurones Convolutif (CNN).
• Entrée : Images de lésions cutanées.
• Sortie : Classification (Bénin / Malin) avec score de confiance.

2. Détection de Fraude Bancaire (Tabular Data)

• Modèle : XGBoost.
• Entrée : 32 caractéristiques (PCA, montant, temps).
• Sortie : Statut de la transaction et alerte de fraude.

3. Optimisation du Shipping & Logistique (Tabular data )

• Modèles : Pipeline complet avec Scikit-Learn, XGBoost/CatBoost et Isolation Forest pour la détection d'anomalies.
• Entrée : Données d'expédition (poids, distance, features ingénierie v5).
• Spécificité : Utilisation d'un scaler robuste et d'un seuil de décision (threshold) optimisé pour maximiser la précision des livraisons.

🛠️ Stack Technique

• Backend : FastAPI (Python)
• Machine Learning : TensorFlow, XGBoost, Scikit-Learn, CatBoost, LightGBM
• Data Science : Isolation Forest (Anomalies), Feature Engineering
• Déploiement : Docker & Render

🚀 Installation & Utilisation Locale

1. Cloner le projet :

   git clone [https://github.com/Houda198/portfolio-api-final.git](https://github.com/Houda198/portfolio-api-final.git)
   cd portfolio-api-finalModèle supervisé haute performance).
   

Entrée : 32 caractéristiques (PCA, montant, temps).

Sortie : Statut de la transaction et alerte de fraude.

🛠️ Stack Technique

Backend : FastAPI (Python)

Machine Learning : TensorFlow (Keras), XGBoost, Scikit-Learn

Traitement d'images : Pillow (PIL), NumPy

Déploiement : Docker & Render "En cours de déploiement"

🚀 Installation & Utilisation Locale

1. Cloner le projet :

git clone https://github.com/Houda198/portfolio-api-final.git cd portfolio-api-final

2. Lancer avec Python (Environnement virtuel recommandé) :

python -m venv venv

Activer le venv (Windows: venv\Scripts\activate | Mac/Linux: source venv/bin/activate)

pip install -r requirements.txt uvicorn main:app --reload

3. Tester l'API : Une fois lancée, accédez à la documentation interactive (Swagger UI) : 👉 http://127.0.0.1:8000/docs

🐳 Déploiement Docker

Le projet est "containerisé" pour garantir un fonctionnement identique sur n'importe quel serveur.

docker build -t ia-api-portfolio . docker run -p 10000:10000 ia-api-portfolio

📈 Évolutions futures :

[ ] Ajout d'un modèle non-supervisé (Isolation Forest) pour la détection d'anomalies.

[ ] Interface utilisateur avec Streamlit.

[ ] Monitoring des performances des modèles.

Lancer avec Python :

python -m venv venv

Windows: venv\Scripts\activate | Mac/Linux: source venv/bin/activate

pip install -r requirements.txt uvicorn main:app --reload

Accéder au Swagger :

http://127.0.0.1:8000/docs

🐳 Déploiement Docker

docker build -t ia-api-portfolio . docker run -p 10000:10000 ia-api-portfolio