PROJET FINAL
Prédire la réussite scolaire
des étudiants
Problématique
Comment appliquer le Machine Learning pour prédire la réussite étudiante ?
Amy Sarr · Philippe Belarbi · Sébastien Lartigue · Sira Sankhon
DES-FT-104-Remote
DEMODAY — 26/09/2025
SOMMAIRE
INTRODUCTION
DATASET
CORRÉLATION DES DONNÉES
MODèLE DE PRÉDICtion
RÉSULTATS & solutions
CONCLUSIONS
perspectives d'amélioration
01
Introduction
OBJECTIFS
3 points
Developper un outil d'accompagnement pour les professeurs et les élèves
Comprendre et anticiper la réussite scolaire
Limiter le risque d'échec scolaire
02
Data
dataSET
Présentation Student performance dataset
https://www.kaggle.com/datasets/nabeelqureshitiii/student-performance-dataset
corrÉlation des données
MODÈLE DE PRÉDICTION
Algorithme : DecisionTree
04
Résultats& Solutions
RÉSULTATS
sOLUTIONS
05
Conclusions
Conclusions
Corrélation positive
Limites identifées
Modèle amélioré
Plus d'heures d'étude=> meilleur score
Précision accrue du modèle de prédiction
Donnée imcomplètes variables non prises en compte
perspectives d'amelioration
DataSet plus complet
Meilleur modèle
TEAM
Amy SARR
Philippe Belarbi
Sébastien Lartigue
Sira Sankhon
Merci pour votre attention!
Prédire la réussite scolaire des étudiants
Sira Traore
Created on September 24, 2025
Start designing with a free template
Discover more than 1500 professional designs like these:
View
Dynamic Visual Presentation
View
Corporate Christmas Presentation
View
Customer Service Manual
View
Business Results Presentation
View
Meeting Plan Presentation
View
Business vision deck
View
Economic Presentation
Explore all templates
Transcript
PROJET FINAL
Prédire la réussite scolaire des étudiants
Problématique Comment appliquer le Machine Learning pour prédire la réussite étudiante ?
Amy Sarr · Philippe Belarbi · Sébastien Lartigue · Sira Sankhon
DES-FT-104-Remote DEMODAY — 26/09/2025
SOMMAIRE
INTRODUCTION
DATASET
CORRÉLATION DES DONNÉES
MODèLE DE PRÉDICtion
RÉSULTATS & solutions
CONCLUSIONS
perspectives d'amélioration
01
Introduction
OBJECTIFS
3 points
Developper un outil d'accompagnement pour les professeurs et les élèves
Comprendre et anticiper la réussite scolaire
Limiter le risque d'échec scolaire
02
Data
dataSET
Présentation Student performance dataset
https://www.kaggle.com/datasets/nabeelqureshitiii/student-performance-dataset
corrÉlation des données
MODÈLE DE PRÉDICTION
Algorithme : DecisionTree
04
Résultats& Solutions
RÉSULTATS
sOLUTIONS
05
Conclusions
Conclusions
Corrélation positive
Limites identifées
Modèle amélioré
Plus d'heures d'étude=> meilleur score
Précision accrue du modèle de prédiction
Donnée imcomplètes variables non prises en compte
perspectives d'amelioration
DataSet plus complet
Meilleur modèle
TEAM
Amy SARR
Philippe Belarbi
Sébastien Lartigue
Sira Sankhon
Merci pour votre attention!