Analyse des schémas de comportement des utilisateurs dans les applications DeFI (Finance Décentralisée).
Ce projet vise à analyser et segmenter le comportement des utilisateurs à travers des techniques avancées de clustering. L'objectif est de fournir des insights actionnables pour améliorer l'expérience utilisateur et optimiser les stratégies marketing.
BLOCKCHAINDECENTRALIZED FINANCEGENERATIVE AISTREAMLIT APPDOCKER
3/22/20251 min lire
Fonctionnalités principales
Collecte et pré-traitement des données : collecte, nettoyage et constitution d'un jeu de données auprès de diverses API.
Exploration des données : utilisation de statistiques descriptives et de visualisations pour comprendre les tendances et les patterns.
Modélisation : application de divers algorithmes de clustering (K-Means, DBSCAN, etc.) et fine-tuning pour segmenter les utilisateurs de façon optimale.
Évaluation et interprétation : validation et interprétation des résultats pour en tirer des insights actionnables.
Système de recommandation : réalisation d'un système de recommandation personnalisé via IA générative pour analyser les comportements spécifiques d'un utilisateur et suggérer des améliorations.
Jeu de données
Système de recommandation
Stack Technologique
API : CoinGecko, Etherscan, Yahoo Finance pour l'extraction de données.
Base de données : MongoDB pour la collecte et l'organisation des données.
Machine learning : Scikit-learn pour les algorithmes d'apprentissages non-supervisés et Optuna pour le fine-tuning.
Data Visualisation : Matplotlib, Seaborn et Plotly pour la visualisation traditionnelle et DataShader pour la visualisation à grande échelle (rastérisation).
Génération de Texte : Utilisation d 'un modèle LLaMA 3 via l'api de Groq pour la génération text-to-text à faible latence.
Interface Utilisateur avec Streamlit : Interface intuitive et interactive pour présenter le projet.
CI/CD : Tests et déploiement avec GitHub Actions et Docker.
Déploiement Cloud : Déploiement de l’application sur le Hugging Face Hub.