Garden of KnowledgeApplied Sciences › Computer Science › Software › Data Science › Machine Learning

February 12, 2026

Projets Machine Learning

Idées de projets classées par domaine et par difficulté pour mettre en pratique les concepts de Machine Learning.

Projets par niveau§

Débutant§

Projet	Domaine	Techniques	Dataset suggéré
Classifieur de spam	NLP	Naive Bayes, TF-IDF	SMS Spam Collection
Prédiction de prix immobilier	Régression	Linear/Polynomial Regression	Boston Housing
Classification de fleurs Iris	Classification	KNN, Decision Tree	Iris Dataset
Analyse de sentiments	NLP	Logistic Regression, BOW	IMDB Reviews
Prédiction de survie Titanic	Classification	Random Forest, SVM	Kaggle Titanic

Intermédiaire§

Projet	Domaine	Techniques	Dataset suggéré
Détection de chiffres manuscrits	Vision	CNN, LeNet	MNIST
Système de recommandation de films	RecSys	Collaborative Filtering, SVD	MovieLens
Prédiction de séries temporelles (actions)	Finance	LSTM, ARIMA	Yahoo Finance API
Classification d’images (chats vs chiens)	Vision	CNN, Transfer Learning (ResNet)	Kaggle Cats vs Dogs
Détection de fraude	Classification	XGBoost, SMOTE	Credit Card Fraud
Clustering de clients	Non supervisé	K-Means, DBSCAN, PCA	Mall Customers

Avancé§

Projet	Domaine	Techniques	Dataset suggéré
Détection d’objets en temps réel	Vision	YOLO, Faster R-CNN	COCO
Chatbot question-réponse	NLP	Transformers, BERT, Fine Tuning	SQuAD
Génération d’images	Vision	GAN, Diffusion	CelebA
Segmentation d’images médicales	Médecine	U-Net, Attention	ISIC Skin Lesion
Agent jouant à un jeu Atari	RL	DQN, PPO	OpenAI Gymnasium
Fine-tuning d’un LLM	NLP	LoRA, QLoRA	Dataset personnalisé

Projets par domaine§

Natural Language Processing (NLP)§

graph LR
    NLP["NLP"] --> CLASS["Classification<br/>de texte"]
    NLP --> SENT["Analyse de<br/>sentiments"]
    NLP --> QA["Question-<br/>Answering"]
    NLP --> SUMM["Résumé<br/>automatique"]
    NLP --> NER["Reconnaissance<br/>d'entités"]
    NLP --> TRAD["Traduction"]

    style NLP fill:#2196F3,color:#fff

Classification de texte : spam, catégorisation d’articles, détection de langue
Analyse de sentiments : avis clients, tweets, commentaires
Question-Answering : chatbots, assistants virtuels
Résumé automatique : résumer des documents, articles
NER : extraire noms, dates, lieux, organisations d’un texte
Traduction : traduction automatique entre langues

Vision par ordinateur§

graph LR
    CV["Computer<br/>Vision"] --> CLASSIF["Classification<br/>d'images"]
    CV --> DET["Détection<br/>d'objets"]
    CV --> SEG["Segmentation"]
    CV --> GEN["Génération<br/>d'images"]
    CV --> SR["Super-<br/>résolution"]
    CV --> FACE["Reconnaissance<br/>faciale"]

    style CV fill:#4CAF50,color:#fff

Classification : diagnostic médical, contrôle qualité industriel, reconnaissance de plantes
Détection : conduite autonome, surveillance, comptage de foule
Segmentation : imagerie satellite, cartographie, imagerie médicale
Génération : art IA, colorisation, inpainting
Super-résolution : amélioration de photos, restauration d’images anciennes

Médecine et biologie§

Imagerie médicale : détection d’anomalies en radiologie (CT, IRM, rayons X)
Pathologie : comptage de caractéristiques dans les lames histologiques
Échographie : mesure automatique de features
Protéines : prédiction de repliement (AlphaFold), classification
Génomique : séquençage tumeur-normal, mutations actionnables

Autres domaines§

Systèmes de recommandation : produits, films, musique, articles
Jeux : échecs, Go, jeux Atari, jeux de stratégie
Robotique : manipulation d’objets, navigation
Finance : prévisions, détection de fraude, scoring de crédit
Logistique : optimisation de routes, prévision de demande

Conseils pour réussir un projet ML§

Commencer simple — un modèle baseline avant d’optimiser
Comprendre les données — explorer, visualiser, nettoyer avant de modéliser
Définir une métrique claire — accuracy, F1, RMSE, etc.
Itérer — améliorer progressivement plutôt que viser la perfection d’emblée
Documenter — noter ses expériences, paramètres, résultats
Versionner — utiliser Git pour le code, DVC pour les données

—The Gardener