Voici le projet de Salmane et moi explorant une base de données FIFA, nous avons principalement appliquer des principes de Machine Learning que nous avons vu cette année, en plus d'une application permettant de visualiser les données et leurs incidences suite à des variations. Notre base de donnée "FIFA 22", a été collecté sur le site "Kaggle".
Dans un premier temps, nous avons développé des modèles d'apprentissages supervisés pour prédire le poste idéal d'un joueur en fonction de ses caractéristiques physiques et techniques. Le but est d'améliorer les performances d'un joueur en lui suggérant son positionnement idéal sur un terrain de foot. Un des but, était également de tester différent modèles d'apprentissage supervisés pour illustrer leurs points faibles et leurs points forts et expliquer le principe de l'apprentissage supervisée (explication lors de la présentation). Par ailleurs, nous avons également mis en place un modèle prédictif pour évaluer la technicité d'un joueur en fonction de la qualité de son pied faible.
Dans un deuxième temps, nous avons développé un histogramme interactif permettant de visualiser comment les caractéristiques des joueurs influencent leurs postes sur le terrain. Ici, on utilise pas de modèle prédictif mais seulement des fréquences pour évaluer quels sont les postes qui reviennent le plus souvent dans notre base de données lorsque notre joueur a certaines caractéristiques.