Carculator

Carculator est une application web qui prédit le prix des voitures d'occasion au Maroc à partir de données saisies par l'utilisateur. Le projet utilise un modèle d'apprentissage automatique entraîné sur des données extraites du site Moteur.ma.

📁 Structure du projet

carculator/
│
├── app.py                   # Application Flask principale
├── EDA_Training.ipynb       # Analyse exploratoire et entraînement du modèle
├── scraping_moteur_ma.py    # Script de scraping de données depuis Moteur.ma
│
├── marque_encoder.pkl       # Encodage des marques
├── modele_encoder.pkl       # Encodage des modèles
├── scaler.pkl               # StandardScaler pour les données numériques
├── rf_model_op.joblib       # Modèle Random Forest entraîné
│
├── static/                  # Fichiers CSS et JS
├── templates/               # Templates HTML (interface utilisateur)
│
├── LICENSE                  # Licence du projet
├── .gitignore               # Fichiers ignorés par Git
├── requirements.txt         # Les bibliothèques requises
└── README.md                # Ce fichier

🧠 Technologies

• Python 3.10+
• Flask pour créer l'interface web
• scikit-learn pour le machine learning
• Pandas / NumPy pour la manipulation de données
• BeautifulSoup pour le scraping web
• HTML / CSS / JS (dans templates/ et static/)

🚀 Fonctionnalités

• Prédiction du prix d'un véhicule d'occasion basé sur :
  • Marque, modèle, année
  • Kilométrage, puissance fiscale
  • Type de carburant et boîte de vitesses
• Interface web conviviale (Flask)
• Traitement des données encodées et normalisées
• Modèle RandomForest pour des prédictions robustes

🛠️ Installation

1. Clone le dépôt :

git clone https://github.com/hajar-elkhalidi/carculator.git
cd carculator

2. Crée un environnement virtuel :

python -m venv venv
source venv/bin/activate  # ou venv\Scripts\activate sous Windows

3. Installe les dépendances :

pip install -r requirements.txt

⚙️ Lancer l'application

python app.py

Ouvre ton navigateur à l'adresse : http://127.0.0.1:5000

📊 Entraînement du modèle

L'entraînement et la préparation du modèle sont réalisés dans le fichier EDA_Training.ipynb. Ce notebook contient :

• L'analyse exploratoire des données
• Le prétraitement (encodage, scaling)
• L'entraînement du modèle RandomForest
• L'exportation du modèle et des transformateurs (.pkl, .joblib)

🕵️‍♀️ Auteurs

• Aminata KIMBIRI
• Hajar EL KHALIDI
• Mouad TACE

Étudiant.e.s en Intelligence Artificielle, passionné.e.s par le Machine Learning et le développement web.

📄 Licence

Ce projet est sous licence MIT. Voir le fichier LICENSE pour plus d'informations.