🎯 Système d'Analyse de Sentiments Client

📋 Description

Système automatisé d'analyse de sentiments clients basé sur le Machine Learning et le NLP (Natural Language Processing). Ce projet permet de classifier automatiquement les avis clients en sentiments Positifs ou Négatifs avec une précision de 98,07%.

✨ Fonctionnalités Principales

• 🤖 Classification automatique : Analyse de sentiments en temps réel
• 📊 Dashboard interactif : Visualisation des statistiques et tendances
• 📝 Historique des prédictions : Suivi complet de toutes les analyses
• 🔔 Monitoring réactif : Alertes automatiques si ratio négatif > seuil critique
• 🚀 Performance optimale : 98,07% d'accuracy avec Linear SVM
• ⚡ Temps de réponse : < 100ms par prédiction

🎓 Contexte Académique

Ce projet a été développé dans le cadre d'un projet de Machine Learning et NLP.

---

🏗️ Architecture du Projet

sentiment-analysis/
│
├── app.py                     # Application Flask principale
├── config.py                  # Configuration de l'app
├── run.py                     # Script de lancement
├── requirements.txt           # Dépendances Python
├── nixpacks.toml              # Configuration pour le déploiement (Railway/Render)
├── Procfile                   # Commande pour serveur Gunicorn
├── .gitattributes             # Configuration Git LFS (pour les .pkl)
│
├── Data/
│   └── raw/
│       └── processed/
│           └── vectorization_objects.pkl 
│
├── models/
│   └── final_optimized_model.pkl          
│
└── templates/                 # Dossier des vues HTML
    ├── base.html
    ├── index.html
    ├── history.html
    ├── stats.html
    └── about.html

---

🔧 Installation

Prérequis

• Python 3.8+ (recommandé : Python 3.9 ou 3.10)
• pip (gestionnaire de paquets Python)
• virtualenv (recommandé pour isolation)

Étape 1 : Cloner le Repository

git clone https://github.com/votre-username/sentiment-analysis.git
cd sentiment-analysis

Étape 2 : Créer un Environnement Virtuel

Linux / macOS :

python3 -m venv venv
source venv/bin/activate

Windows :

python -m venv venv
venv\Scripts\activate

Étape 3 : Installer les Dépendances

pip install --upgrade pip
pip install -r requirements.txt

⚠️ Note importante : Les packages gensim et textblob doivent être installés en dernier comme spécifié dans requirements.txt.

Étape 4 : Télécharger les Ressources NLP

Après l'installation, téléchargez les ressources nécessaires pour TextBlob :

python -m textblob.download_corpora

Si vous utilisez NLTK directement, téléchargez également :

import nltk
nltk.download('stopwords')
nltk.download('wordnet')
nltk.download('punkt')

Étape 5 : Configuration (Optionnel)

Créez un fichier .env pour les variables d'environnement :

# .env
FLASK_APP=app.py
FLASK_ENV=development
SECRET_KEY=votre_clé_secrète_ici
DATABASE_URI=sqlite:///data/predictions.db

---

🚀 Utilisation

Démarrage en Mode Développement

python app.py

L'application sera accessible à l'adresse : http://localhost:5000

---

🔍 Pipeline de Traitement

1. Prétraitement NLP

# Étapes automatisées :
1. Conversion en minuscules
2. Suppression ponctuation et caractères spéciaux
3. Tokenisation
4. Retrait des stopwords
5. Lemmatisation (WordNet)
6. Gestion des négations (not_good → single token)

2. Vectorisation TF-IDF

# Paramètres optimisés :
- max_features: 10,000
- min_df: 5
- max_df: 0.7
- ngram_range: (1, 2)  # Unigrammes + Bigrammes

3. Classification Linear SVM

# Hyperparamètres optimaux (GridSearchCV) :
- C: 1.0
- kernel: 'linear'
- class_weight: None

---

📦 Dépendances Principales

Web Framework

• Flask 3.1.2 : Framework web léger et flexible
• Werkzeug 3.1.3 : WSGI utilities
• Jinja2 3.1.6 : Moteur de templates
• Gunicorn 21.2.0 : Serveur WSGI pour production

Machine Learning

• scikit-learn 1.6.1 : Bibliothèque ML principale
• numpy 2.1.3 : Calculs numériques
• pandas 2.2.3 : Manipulation de données
• scipy 1.15.2 : Algorithmes scientifiques
• joblib 1.4.2 : Sérialisation des modèles

NLP (Natural Language Processing)

• gensim : Word2Vec et modèles de topics
• textblob : Analyse de sentiments et POS tagging

Utilitaires

• requests 2.32.3 : Requêtes HTTP
• python-dateutil 2.9.0 : Manipulation de dates
• pytz 2025.1 : Gestion des fuseaux horaires

---

👥 Auteurs & Contributeurs

Ce projet est le fruit d'une collaboration passionnée entre :

• Akilou Illa Abdourazak : Abdourazak01
• Yassine Boumhand : Yboumhand

🤝 Contribution

Les contributions sont les bienvenues ! Voici comment contribuer :

1. Fork le projet
2. Créez une branche pour votre fonctionnalité (git checkout -b feature/AmazingFeature)
3. Committez vos changements (git commit -m 'Add AmazingFeature')
4. Push vers la branche (git push origin feature/AmazingFeature)
5. Ouvrez une Pull Request

---

⭐ Si ce projet vous a été utile

N'hésitez pas à lui donner une ⭐ sur GitHub !

---

Dernière mise à jour : 7 Février 2025 Version : 1.0.0