Système de Détection de Fraude
Système ML end-to-end pour la détection de fraude bancaire. Pipeline ETL · XGBoost (AUC-ROC 0.976, Recall 86%) · API REST Flask · Dashboard temps réel Streamlit · Déployé sur Render & Streamlit Cloud.
Vue d'ensemble
Système complet de détection de fraude bancaire conçu comme un pipeline production-ready. Le projet couvre l'intégralité du cycle de la donnée — de la donnée brute jusqu'au déploiement d'une API de scoring en temps réel.
Data Engineering
Pipeline de nettoyage dynamique et réutilisable sur des données bancaires brutes (JSON). Gestion des doublons, des valeurs nulles, des formats incohérents et masquage des données sensibles (PII). Sortie : un CSV standardisé prêt pour le ML.
Machine Learning
Entraînement XGBoost sur deux datasets : synthétique (199 lignes) et réel Kaggle (284k lignes). Feature engineering : 5 nouvelles variables prédictives créées (heure, ancienneté du compte, log du montant...). Résultat : AUC-ROC 0.976 · Recall 86%.
API REST
Un endpoint /predict qui score une transaction en temps réel en moins de 100 ms. Développé avec Flask, déployé sur Render.
Dashboard
Interface Streamlit analysant automatiquement 200 transactions avec KPIs, graphiques et tableau filtrable par niveau de risque (LOW / MEDIUM / HIGH). Déployé sur Streamlit Cloud.