Etudiant : JEBBOUR FARAH

Filière : LF Sciences Mathématiques et Informatique

Encadrant : Pr. EL FAZAZY KHALID

Annèe : 2025

Résumé : Au terme de ce projet, nous avons conçu et développé un système de recommandation de films performant basé sur l’apprentissage profond, répondant aux objectifs fixés dans le cahier des charges. Cette plateforme permet aux utilisateurs de découvrir des films pertinents en fonction de leurs préférences et de leur historique, grâce à une combinaison d’algorithmes sophistiqués et une architecture robuste.Notre démarche a couvert tous les aspects fondamentaux du développement Modélisation : Une base de données relationnelle optimisée avec PostgreSQL, garantissant l’intégrité et l’efficacité des données. Moteur de recommandation : Une approche hybride combinant filtrage collaboratif (basé sur les utilisateurs et les items) et apprentissage profond (autoencodeurs), offrant des recommandations précises et diversifiées. API REST : Développée avec FastAPI, elle assure une communication fluide et sécurisée entre les composants, avec une documentation claire via Swagger/OpenAPI. Interface utilisateur : Réalisée avec React.js, elle propose une expérience intuitive, responsive et centrée sur l’utilisateur.Les diagrammes UML (cas d’utilisation, classe, séquence) ont joué un rôle clé dans la conception, permettant de structurer le système et d’anticiper les défis techniques. Les tests réalisés ont démontré l’efficacité de l’approche hybride, qui surmonte les limites des méthodes individuelles, notamment en termes de sparsité des données et de démarrage à froid. Ce projet a été une opportunité d’approfondir nos compétences dans plusieurs domaines : les systèmes de recommandation, l’apprentissage profond, le développement web moderne et la gestion de projet informatique. Il a également mis en lumière l’importance d’une architecture modulaire, facilitant la maintenance et l’évolution future du système. Perspectives d’amélioration :Intégration de l’analyse de contenu (par exemple, traitement du langage naturel sur les synopsis) pour enrichir les recommandations. Ajout de fonctionnalités sociales, comme le partage de recommandations entre utilisateurs. Optimisation des performances pour gérer des volumes de données plus importants. Extension du système à d’autres types de contenus, comme les séries TV ou les documentaires