Plutôt que de vous appuyer sur des scripts automatisés, vous écrirez du code Python personnalisé pour construire, régler et évaluer plusieurs modèles prédictifs de base. Le projet exige que vous divisiez vos données pour trouver les hyperparamètres optimaux pour les machines à vecteurs de support (SVM), les classificateurs à arbre de décision, la régression logistique et les K-voisins les plus proches (KNN). En effectuant une analyse comparative rigoureuse à l'aide de données de test, vous identifierez le modèle mathématique qui offre la plus grande précision prédictive pour la récupération des étages de fusée.

Ce projet de fin d'études s'inspire exactement d'un rôle de consultant en données d'entreprise. Vous suivrez la méthodologie complète de la science des données en partant de zéro : collecte d'enregistrements de lancement dans le monde réel via des API RESTful et du web scraping, traitement des données manquantes lors de l'extraction des données, analyse exploratoire des données (EDA) et construction d'un tableau de bord interactif avec Plotly Dash ainsi que d'une cartographie géospatiale à l'aide de Folium. Il vous oblige à gérer l'ensemble du pipeline, depuis l'ingestion des données brutes jusqu'aux analyses prêtes à être déployées.

Un grand scientifique des données doit être capable de traduire des résultats algorithmiques complexes en stratégies commerciales exploitables. La phase finale de ce capstone vous demande de compiler vos résultats dans un rapport complet destiné aux parties prenantes. En utilisant les informations prédictives de votre modèle sur la réussite de l'atterrissage du premier étage de Falcon 9, vous formulerez une stratégie d'appel d'offres pour une autre startup aérospatiale. Ce portfolio prouve aux employeurs que vous possédez à la fois des compétences techniques en matière d'apprentissage automatique et des connaissances en matière de données d'entreprise.