Prédiction de

Prix des maisons

Plan

01 02 03
Introduction Etude Préalable Phase de préparation

04 05
Réalisation Conclusion

1
 Introduction
Le secteur immobilier en Tunisie est en crise en
raison de la pandémie de COVID-19 et de la crise
économique mondiale, se traduisant par une forte
baisse de la construction de logements, avec
seulement 4000 nouvelles constructions en 2019,
contre 60 000 par an entre 2011 et 2018, et un grand
nombre de biens immobiliers vacants, atteignant les
MAMAISON
Immobilier
263 000 en 2021.

2
Etude Préalable

Contexte du projet & Problématique Solution Proposée &

Motivations Travail Demandé

3
 —Contexte du projet & motivations

Le mini-projet académique que j'ai réalisé pendant deux mois à l'IT Business
School (ITBS) porte sur la prédiction des prix de l'immobilier grâce à l'utilisation
de Machine Learning. Ce projet s'inscrit dans le contexte de la transformation
digitale actuelle dans différents secteurs, dont l'immobilier.

4
 —Problématique

Trouver rapidement un bien immobilier adapté ou vendre/louer efficacement

n'est pas facile, même avec des sites immobiliers sophistiqués. Des obstacles
peuvent surgir, tels que la surveillance insuffisante, des moteurs de recherche
inappropriés, une diffusion inadéquate des annonces et une promotion
insuffisante sur les réseaux sociaux, malgré les efforts et les investissements
déployés.

5
 —Solution proposée & Travail
demandé

J'ai comparé différentes options et constaté les limites des sites web immobiliers.
J'ai donc décidé de développer une application spécialisée pour les agences
immobilières, qui propose une prédiction intelligente des prix des biens
immobiliers à des tarifs très attractifs, facilitant ainsi la recherche de biens pour
les propriétaires ou les locataires.

6
Phase De Préparation

Définition de Définition de sur- Les différents

l’apprentissage apprentissage algorithmes de
automatique l’apprentissage
automatique

7
SWOT ANALYSIS
L’apprentisage automatique
L'intelligence artificielle utilise
l'apprentissage automatique, qui repose
sur des programmes permettant à la
machine d'apprendre automatiquement
des processus systématiques et simples
pour effectuer des opérations
complexes.
Sur-apprentissage
Le sur-apprentissage se produit
lorsque le modèle apprend trop les
particularités de chaque exemple, ce
qui peut entraîner un taux de réussite
élevé sur les données d'entraînement
mais des performances générales
réelles
8
 Les Différentes Algorithmes D’apprentissage?

Régression Linéaire

La régression linéaire consiste en la

détermination d'une droite ou d'une
surface qui réduit les écarts entre les
valeurs de sortie prévues et réelles.

9
Réalisation

Les Bibliothéques Environnement du Travail Réaliser

utilisés travail

10
Les Bibliothéques Utilisées

Pandas Numpy
Grâce à Pandas, le NumPy est la base de
langage Python permet SciPy, qui n’est rien
enfin de charger, d’autre qu’un ensemble
d’aligner, de manipuler de bibliothèques Python
ou encore de fusionner pour des calculs
des données. scientifiques.

Scikit-Learn
Elle comprend des fonctions
pour estimer des forêts
aléatoires, des régressions
logistiques, des algorithmes de
classification, et les machines à
vecteurs de support.
Pickle
Pickle est un module de
python qui permet de
sauvegarder une ou plusieurs
variables dans un fichier et
de récupérer leurs valeurs
ultérieurement.

Re
Le module Re permet d'utiliser
des expressions régulières avec
Python.
11
Environnement de travail
Environnement Matéreil
Concernant l'environnement matériel, notre
système a été développée sur un ordinateur dont la
configuration est la suivante :
✓ Hôte : Lenovo
✓ Processeur : Intel(R) Core(TM) i3-1005G1 CPU
@ 1.20GHz 1.19 GHz
✓ Mémoire RAM : 8,00 Go
✓ Système d’exploitation : Windows 11
Environnement Logiciel
Concernant l'environnement logiciel, notre
système a été développée sur : Jupyter
Notebook, c’est une application client-serveur
créée par l’organisation à but non lucratif
Project Jupyter. Elle a été publiée en 2015.
c’est une application Web open-source que
vous pouvez utiliser pour créer et partager des
documents contenant du code en direct, des
équations, des visualisations et du texte.
12
Travail Réaliser

APPROCHE 1 : Algorithme Régression Linéaire

✓ Importation des données ✓ Préparation des données

13
✓ Fractionnement des données en données ✓ Précision du model régression linéaire
d'entraînement et données de test

APPROCHE 2: Utilisation du modéle

✓ Construction du modèle Régression Linéaire ✓ Utilisation du modèle

14
Publication du modèle avec Flask

15
 Conclusion
J'ai étudié les méthodes d'exploitation des big data, développé un
système de prédiction de prix immobiliers avec deux algorithmes
d'apprentissage automatique, obtenant une précision de 59%. Le
modèle a été testé sur plusieurs cas avec des prédictions précises.
Pour intégrer de tels travaux dans la vie humaine, il est nécessaire
d'exploiter la révolution des technologies de l'information et de la
communication avec l'intelligence artificielle.
MAMAISON
Immobilier

16
Merci Pour Votre Attention !

Avez-vous des questions ?

lindagacha86@gmail.com
+216 94 600 587

CREDITS: This presentation template was created by Slidesgo,

including icons by Flaticon, and infographics & images by Freepik.
Please keep this slide for attribution.