🎬 Recommandation de Films avec Machine Learning

📌 Présentation du projet

Ce projet implémente un système de recommandation de films basé sur l’apprentissage automatique. Il utilise un modèle de filtrage collaboratif pour prédire les films susceptibles d’intéresser un utilisateur en fonction des évaluations passées.

✅ Objectifs :

• Recommander des films personnalisés aux utilisateurs
• Explorer différentes techniques de recommandation
• Comparer les performances des modèles et optimiser les recommandations

🔍 Technologies utilisées :

• 🐍 Python
• 📊 Pandas, NumPy (manipulation des données)
• 🎭 Surprise ou Scikit-Learn (algorithmes de recommandation)
• 📈 Matplotlib, Seaborn (visualisation)
• 🚀 Streamlit / FastAPI (si mise en production)

---

📂 Structure du projet

📁 Films_recommandations
│── 📄 Films_recommandations.ipynb  # Notebook principal avec le code du projet  
│── 📄 requirements.txt  # Dépendances du projet  
│── 📄 README.md  # Documentation
│── 📄 LICENCE 

---

🛠️ Installation et exécution

1️⃣ Cloner le projet

git clone https://github.com/arnaudstdr/films_reco.git
cd films-recommandation

2️⃣ Créer un environnement virtuel et installer les dépendances

python -m venv env
source env/bin/activate  # Sur macOS/Linux
env\Scripts\activate  # Sur Windows

pip install -r requirements.txt

3️⃣ Lancer le notebook

Ouvrir Jupyter Notebook et exécuter Films_recommandations.ipynb

jupyter notebook

---

📊 Exploration des données

Les données utilisées proviennent d’un dataset contenant :

• Users : ID utilisateur
• Movies : ID des films et métadonnées (titre, genre…)
• Ratings : Notes attribuées par les utilisateurs aux films (ex. : 1 à 5 étoiles)

📈 Analyse des données

✅ Histogramme des notes attribuées
✅ Sparsité de la matrice d’interactions
✅ Top films les mieux notés

---

🏆 Modèles de recommandation

Trois approches ont été explorées :

Modèle	Type	Avantages	Inconvénients
Moyenne des notes	Baseline	Simple, rapide	Pas personnalisé
Filtrage collaboratif (SVD, KNN)	ML	Personnalisation, performance correcte	Cold start problem
Hybridation (collaboratif + contenu)	ML	Meilleure précision	Plus complexe, plus de données nécessaires

---

📌 Améliorations possibles

✅ Gestion du "Cold Start" pour les nouveaux utilisateurs/films
✅ Optimisation des hyperparamètres avec GridSearchCV
✅ Utilisation d'un modèle basé sur les embeddings (ex. : Autoencoder)
✅ Déploiement via Streamlit pour une démo interactive

---

📜 Licence

Ce projet est sous licence MIT. Vous êtes libre de l’utiliser et de le modifier.

---

👨‍💻 Auteur

🎯 arnaudstdr – Machine Learning Developer Junior 🎬