Objectif principal : Concevoir un classificateur capable d’identifier automatiquement les messages indésirables avec un taux d’erreur réduit.
Technologies utilisées : Le socle technique repose sur Python, Naive Bayes, Scikit-learn. Ces choix permettent de maintenir un bon équilibre entre performance, stabilité et rapidité de développement, tout en facilitant la structuration du code et la séparation des responsabilités.
Fonctionnalités clés : Prétraitement NLP, vectorisation, entraînement du modèle, scoring et export des résultats.
Livrables attendus : Les livrables attendus incluent un périmètre fonctionnel stabilisé, un prototype exploitable et un code organisé, complété par une documentation d’installation et d’usage. Selon le contexte, le projet prévoit rapport d’analyse, preuves de tests et procédures afin de sécuriser la livraison.
Calendrier prévisionnel : Le calendrier prévisionnel suit une progression en phases : cadrage des besoins, conception, développement itératif, puis validation et corrections. Une période dédiée à l’optimisation (performance, ergonomie, fiabilité) finalise la livraison.
Parties prenantes & critères de succès : Utilisateurs finaux et encadrants. Critères : précision, rappel, F1-score et robustesse.