01 / CONTEXTE
Le problème à résoudre
Explorer un workflow de classification de texte pour distinguer spam et courrier légitime.
02 / INGÉNIERIE
Du besoin au système
- Transformer le texte en variables de comptage avec CountVectorizer.
- Entraîner un classifieur Multinomial Naive Bayes.
- Présenter les prédictions dans une petite interface Tkinter.
- Préciser qu’il s’agit d’un prototype pédagogique historique.
03 / CHOIX TECHNIQUE
Un choix structurant
Choisir un modèle de base simple et interprétable pour illustrer le pipeline NLP classique.
04 / PREUVES ET LIMITES
Ce qui est réellement documenté
Le README public documente le prototype de 2019, le vectoriseur, le classifieur et l’interface de bureau. Le code est ancien et ne dispose ni d’une évaluation récente ni d’un déploiement maintenu.
05 / PROCHAINES VALIDATIONS
Comment renforcer la démonstration
- Ajouter un découpage reproductible et des métriques d’évaluation.
- Vérifier la provenance et la confidentialité du jeu de données avant réutilisation.
- Mettre à jour les dépendances en cas de reprise.
Ces points sont des pistes de validation, pas des résultats déjà mesurés.