🚀 Projet Final – Détection de Fraude Financière

📁 Fichiers du projet

Fichier	Description
analyse_fraude.ipynb	Notebook complet (Pandas, Matplotlib, Seaborn, Plotly)
app.py	Application Streamlit interactive
Dataset.csv	Jeu de données (2000 transactions)
requirements.txt	Dépendances Python

---

⚙️ Installation & Lancement en local

# 1. Cloner / télécharger le projet
# 2. Installer les dépendances
pip install -r requirements.txt

# 3. Lancer le dashboard
streamlit run app.py

L'application s'ouvre automatiquement sur http://localhost:8501

---

☁️ Déploiement sur Streamlit Cloud

1. Créer un compte sur share.streamlit.io
2. Connecter votre dépôt GitHub contenant les fichiers du projet
3. Sélectionner app.py comme fichier principal
4. Cliquer sur Deploy → l'URL publique est générée automatiquement

⚠️ Assurez-vous que Dataset.csv est présent dans le même dépôt que app.py

---

📊 Contenu du Notebook

1. Exploration & Préparation – chargement, inspection, nettoyage, feature engineering
2. Analyse statique – Matplotlib & Seaborn (distributions, boxplots, heatmap, camemberts)
3. Analyse interactive – Plotly Express (scatter, sunburst, timeline, barres empilées)

---

🔍 Principales conclusions

• 2 000 transactions sur novembre 2018, dont 6 fraudes (0,3%)
• Catégorie dominante : airtime ; montants les plus élevés : financial_services
• Canal principal : ChannelId_3
• Pic d'activité : 0h–6h du matin
• Forte corrélation Amount ↔ Value ; les montants négatifs = remboursements