Le problème
Les données football sont fragmentées entre historiques CSV, flux live, météo, cotes et actualités. Une prédiction utile exige de les aligner sans introduire de fuite temporelle.
Le projet
Une application full-stack qui transforme des historiques, données live et signaux contextuels en probabilités 1N2, statistiques et propositions de paris.
Projet d’apprentissage en data science, sans vocation de conseil en paris.
La réponse
Next-Bet-AI couvre tout le cycle : ingestion, feature engineering, entraînement, API, expérience web, vérification des résultats et future boucle de réentraînement.
Captures du projet
Galerie du projet
TODO(hugo): fournir 2 à 4 captures légendées de Next-Bet-AI.
Évaluation
TODO(hugo): fournir log-loss, précision, période et protocole de test.
Ma contribution
Ma contribution
- 01
Construction d’une pipeline multi-sources couvrant les principaux championnats européens.
- 02
Création de 54 variables : forme récente, Elo, statistiques domicile/extérieur et contexte du match.
- 03
Entraînement de modèles globaux et spécialisés par ligue avec PyTorch, XGBoost et LightGBM.
- 04
Développement des routes FastAPI de prédiction, santé, résultats et vérification.
- 05
Création d’un AI Bet Builder backend filtrant les combinaisons incohérentes.
- 06
Développement des écrans Next.js : dashboard, statistiques, tips et historique.
Architecture
Architecture
01Sources historiques & live→
02Ingestion→
0354 features→
04Modèles IA→
05FastAPI→
06PostgreSQL / Supabase→
07Next.js
Résultat
Résultat
TODO(hugo): fournir une capture, un lien ou un résultat mesuré pour documenter ce projet.
Suite prévue
TODO(hugo): choisir A (présentation comme modèle prédictif football) ou B (contenu conservé, projet après Étudilo, MailSavior et Hopli).