🤖 Classification Automatique des Biens de Consommation

Classification automatique de produits e-commerce à partir de descriptions textuelles et d’images.
Projet de Data Science visant à développer un moteur d’attribution de catégories capable d’identifier automatiquement le type de produit à partir de ses métadonnées.

---

🎯 Objectif du projet

L’objectif de ce projet est de concevoir un modèle de classification multi-modale (texte + image) permettant de prédire la catégorie de produits sur la base :

• des titres et descriptions textuelles,
• et des images associées (dans un second temps).

Ce travail s’inscrit dans une logique d’industrialisation d’un moteur de classification automatique utilisable sur un site e-commerce ou un catalogue produit à grande échelle.

---

🧩 Contenu du dépôt

Le dépôt contient :

• Notebooks Jupyter :

  1. preprocessing_feature_extraction.ipynb
     → Nettoyage, normalisation et vectorisation des textes (BoW, TF-IDF, Word2Vec).
  2. text_classification_models.ipynb
     → Comparaison de modèles de NLP : TF-IDF, Word2Vec, USE, BERT.
  3. image_classification_models.ipynb
     → Extraction d’attributs visuels (SIFT, ORB) et classification CNN (VGG16, ResNet50).

• Dataset :
  flipkart_com-ecommerce_sample_1050.csv – extrait de la base Flipkart e-commerce product sample.

• Présentation PowerPoint :
  Martineau_Alexandre_4_presentation_102024.pdf – synthèse visuelle du projet et comparaison des performances modèles.

---

🧠 Méthodologie

1. Préparation & nettoyage

• Vérification des valeurs manquantes, doublons et anomalies.
• Séparation du corpus textuel et des métadonnées.
• Normalisation linguistique : suppression de la ponctuation, lemmatisation, stopwords, lowercase.

2. Feature Engineering

• Texte :
  • Bag of Words (baseline)
  • TF-IDF (pondération contextuelle)
  • Word2Vec (GoogleNews-300)
  • Universal Sentence Encoder (USE)
  • BERT (Hugging Face / TensorFlow)
• Image :
  • Descripteurs SIFT / ORB
  • CNN pré-entraînés : VGG16, ResNet50

3. Modélisation

• Classifieurs testés :
  • Logistic Regression
  • Random Forest
  • Gradient Boosting
  • SVM linéaire et radial
  • Réseaux de neurones profonds (Dense / CNN)
• Évaluation :
  • Accuracy, Precision, Recall, F1-score
  • Confusion matrix, classification report
  • ARI (Adjusted Rand Index) et courbes ROC

---

📊 Résultats principaux

Modèle	Type	Accuracy	ARI	Commentaire
Bag of Words	Texte	0.93	0.58	Baseline robuste
TF-IDF	Texte	0.95	0.62	Meilleur compromis performance / coût
Word2Vec	Texte	0.72	0.30	Pertinent pour corpus long
USE	Texte	0.89	0.50	Bon contexte sémantique
BERT (Hugging Face)	Texte	0.93	0.60	Excellente compréhension contextuelle
CNN (VGG16 / ResNet50)	Image	0.85	-	Classification visuelle efficace

🏆 Meilleure performance globale : TF-IDF + Gradient Boosting (95 % accuracy)
BERT offre cependant une meilleure compréhension linguistique pour de futures extensions.

---

💡 Insights clés

• Le texte contient une forte capacité discriminante → les descriptions produits suffisent à atteindre >90 % de précision.
• Les images complètent utilement la catégorisation mais nécessitent davantage de ressources GPU.
• Le modèle BERT est le plus prometteur pour un usage en production NLP (API de classification automatisée).

---

🛠️ Technologies utilisées

• Langage : Python 3.11
• Librairies principales :
  pandas, numpy, scikit-learn, tensorflow, transformers, nltk, gensim, opencv, matplotlib, seaborn
• Outils NLP : TF-IDF, Word2Vec, USE, BERT
• Vision par ordinateur : SIFT, ORB, CNN (VGG16, ResNet50)
• Évaluation & Visualisation : confusion matrix, t-SNE, PCA, heatmaps

---

📂 Structure du dépôt

classification_automatique
│
├── data/
│   └── flipkart_com-ecommerce_sample_1050.csv
│
├── notebooks/
│   ├── preprocessing_feature_extraction.ipynb
│   ├── text_classification_models.ipynb
│   ├── image_classification_models.ipynb
│
├── Martineau_Alexandre_4_presentation_102024.pdf
└── README.md

---

🚀 Perspectives d’amélioration

• Intégration d’une API Flask/FastAPI pour la classification en temps réel.
• Fusion texte + image dans un modèle multimodal (BERT + CNN).
• Optimisation des embeddings via fine-tuning.
• Implémentation d’un système de catégorisation hiérarchique (sous-catégories).

---

🧩 Conclusion

Ce projet démontre la faisabilité d’un système de classification automatique multi-modale performant sur des données e-commerce réelles. Les résultats confirment la pertinence d’une approche hybride combinant NLP (BERT/TF-IDF) et vision (CNN) pour automatiser la catégorisation produit à grande échelle.