### Erreur dans le déploiement et la compétition ne peut être supprimée. Les données ont été neutralisées et une autre compet déployée.

- - -
Il s'agit d'une compétition privée ouverte aux étudiants de l'unité DSIA-4301A de la filière "[Datascience et intelligence artificielle](https://perso.esiee.fr/~bercherj/dsia)" de ESIEE Paris, aux étudiants du [master D2SN](https://www.cfadescartes.fr/formation/master-data-science-numerique-d2sn/) qui suivent également cette unité, ainsi qu'aux autres étudiants et personnels de l'école.

## Problème posé

Un concours d'entrée à un groupe d'écoles d'ingénieurs comprend une note sur dossier. Le but est de prédire la note sur dossier en fonction de l'ensemble des données fournies. Au-delà de cela, il s'agit de comprendre quels sont les paramètres déterminants dans l'évaluation du dossier, voire d'approcher ou retrouver l'algorithme. 

Les données ont été complètement anonymisées et les différentes notes décalées de quantités aléatoires.

Votre but est donc, à partir de l'ensemble des données disponibles, de prédire la note de dossier obtenue par un candidat. 

Pour traiter le problème, vous pouvez utiliser l'ensemble des méthodes vues en cours et au-delà. Vous devez analyser les données, éventuellement imaginer et créer de nouvelles variables explicatives (feature engineering) par régression ou par analyse de texte text analytics, fusionner des tables, regrouper les données clustering, PCA, utiliser des approches non linéaires, etc… Il faudra vous montrer inventif et rigoureux, notamment dans le choix de vos paramètres et en évaluant systématiquement les performances de vos choix…

## Evaluation 

Pour les élèves de l'ESIEE et du master, l'évaluation comprendra une part sur la performance pure (évaluée par le RMSE), une part de rapport sur la construction et la validation de vos algorithmes, et une part sur l'analyse critique des données, l'importance des variables dans le  résultat, et commentaires.A) Le score obtenu à cette compétition dépendra des performances du meilleur des 3 modèles que vous sélectionnerez en fin de compétition. Ces performances seront évaluées sur une partie (50%) cachée de la base de test. 

B) En outre, vous devrez télécharger, via Moodle/Blackboard 

1- un fichier vide dont le nom est le pseudo que vous avez utilisé sur kaggle (pour vérification)
2- un rapport sur la façon dont vous vous y êtes pris (analyse des données, features engineering, choix des algorithmes, choix des paramètres, validation)
3 - vos trois (au maximum) scripts finaux pour évaluation et comparaison. Ces scripts devront être ré-exécutatbles et reproduire exactement les résultats obtenus sur Kaggle.