1. Unsupervised Learning
1.1. Principal Component Analysis
1.1.1. Entrainez au moins 1 modèle
1.1.1.1. Consignez les scores de performance dans un graphique et tableau
1.1.1.2. Suggéré sur au moins 1 ensemble à haute dimension
1.1.1.2.1. Sauvegarder en format CSV
1.1.1.3. Discutez dans le rapport
2. Classificateurs de base
2.1. ≥ 3 classificateurs
2.1.1. Sur au moins 3 ensembles de données différents
2.1.1.1. Consignez les scores de performance dans un graphique et tableau
2.1.1.2. Discutez dans le rapport
3. Combinaison de modèles
3.1. ≥3 classificateurs
3.1.1. Sur plusieurs ensembles de données
3.1.2. Élaborez une stratégie d'aggrégation
3.1.2.1. Consignez les scores de performance dans un graphique et tableau
3.1.2.2. Discutez dans le rapport
3.2. Exporter les modèles
3.2.1. Créer un script d'inférence
3.2.1.1. Inférer sur des valeurs non étiquetées
3.2.1.1.1. Servira à classer les équipes
4. Méthodes classiques
4.1. Bagging, Boosting, Random Forest, etc...
4.1.1. Libre de prendre une méthode
4.1.2. Décrivez-la dans le rapport
5. Méthodes Deep Learning
5.1. Réseau de neurones
5.1.1. TensorFlow, PyTorch, Keras, Scikit-Learn, etc.