Update README.md

README.md

@@ -1,76 +1,148 @@
 ---
 license: mit
 ---
-# Documentation du Dataset - Adult Census Income Dataset Optimized
+# Documentation of the Dataset - Adult Census Income Dataset Optimized
 
-## 1. Description générale du dataset
+## 1. General Description of the Dataset
 
-Ce dataset, appelé **Adult Census Income Dataset Optimized**, est une version optimisée du dataset **Adult Census Income Dataset**. Ce dernier provient du projet **UCI Machine Learning Repository** et est couramment utilisé dans des tâches de classification pour prédire si une personne gagne plus ou moins de 50 000 dollars par an en fonction de diverses caractéristiques démographiques.
+This dataset, called **Adult Census Income Dataset Optimized**, is an optimized version of the **Adult Census Income Dataset**. The latter comes from the **UCI Machine Learning Repository** and is commonly used in classification tasks to predict whether a person earns more or less than $50,000 per year based on various demographic characteristics.
 
-Nous avons optimisé le dataset en ajoutant deux nouvelles colonnes : **capital_gain_loss_ratio** et **age_group**, afin d'enrichir la qualité des features. Ces ajouts visent à améliorer la performance de la modélisation, à condition qu'ils soient correctement intégrés et prétraités. Le travail a été un succès car...
+We optimized the dataset by adding two new columns: **capital_gain_loss_ratio** and **age_group**, to enrich the quality of the features. These additions aim to improve model performance, provided they are properly integrated and preprocessed. The work was successful because...
 
-### Sources de données
-Les données ont été extraites de l'**Enquête sur le recensement des États-Unis**, un recensement démographique mené par le Bureau du recensement des États-Unis. Elles ont été utilisées par le **Census Bureau** pour estimer les revenus des adultes en fonction de différentes caractéristiques personnelles et sociales. Le dataset est disponible sur **UCI Machine Learning Repository** et est couramment utilisé dans des recherches en machine learning, en particulier pour des tâches de classification.
+### Data Sources
+The data was extracted from the **U.S. Census Survey**, a demographic census conducted by the United States Census Bureau. It was used by the **Census Bureau** to estimate the income of adults based on different personal and social characteristics. The dataset is available on the **UCI Machine Learning Repository** and is commonly used in machine learning research, particularly for classification tasks.
 
-Le dataset contient les informations suivantes :
-- Données démographiques telles que l'âge, le sexe, le statut marital, l'occupation, et l'origine ethnique.
-- Caractéristiques économiques, comme les revenus (ciblés pour la classification), les heures de travail par semaine, ainsi que les gains/pertes en capital.
+The dataset contains the following information:
+- Demographic data such as age, sex, marital status, occupation, and ethnicity.
+- Economic characteristics, such as income (target for classification), hours worked per week, and capital gains/losses.
 
-### Objectif de la création
-L'objectif principal de la création de ce dataset était de permettre des études sur l'influence de certaines caractéristiques socio-économiques et démographiques sur les revenus des individus. Le dataset a été conçu pour être utilisé dans des analyses de machine learning et dans des études d'analyse de données pour prédire les revenus d'une personne en fonction de ces caractéristiques. Le problème cible, **"prévoir si une personne gagne plus de 50 000 dollars ou non"**, permet de tester des modèles de classification supervisée.
+### Purpose of Creation
+The primary goal of creating this dataset was to allow studies on the influence of certain socio-economic and demographic characteristics on individuals' income. The dataset was designed for use in machine learning analysis and data studies to predict a person’s income based on these characteristics. The target problem, **"predict whether a person earns more than $50,000 or not"**, is intended for testing supervised classification models.
 
-L'intention derrière sa création est de fournir un cas d'étude pour les chercheurs, praticiens du machine learning et étudiants afin de tester, entraîner et évaluer des modèles de classification (par exemple, régression logistique, arbres de décision, SVM).
+The intent behind its creation is to provide a case study for researchers, machine learning practitioners, and students to test, train, and evaluate classification models (e.g., logistic regression, decision trees, SVM).
 
-## 2. Cas d’usage IA
+## 2. AI Use Cases
 
-### 1. Prédiction du revenu des individus
-Le cas d'usage principal de ce dataset est la prédiction du revenu annuel d'un individu (plus ou moins de 50 000 dollars) en fonction de différentes caractéristiques, telles que l'âge, l'éducation, l'occupation, les heures de travail par semaine, et d'autres facteurs démographiques. Ce problème peut être formulé comme une classification binaire (revenu > 50 000 ou non).
+### 1. Prediction of Individual Income
+The main use case of this dataset is predicting an individual's annual income (more or less than $50,000) based on different characteristics such as age, education, occupation, hours worked per week, and other demographic factors. This problem can be framed as a binary classification (income > 50,000 or not).
 
-**Applications possibles :**
-- **Développement de modèles de scoring de crédit** : Les institutions financières pourraient utiliser ce type de modèle pour évaluer la capacité de remboursement d'un individu en fonction de ses caractéristiques socio-économiques.
-- **Analyse de l'inégalité salariale** : L'IA pourrait être utilisée pour explorer les facteurs qui influencent les écarts salariaux dans une société et identifier des tendances spécifiques liées à des groupes démographiques.
+**Possible Applications:**
+- **Development of credit scoring models**: Financial institutions could use this type of model to assess an individual's repayment capacity based on their socio-economic characteristics.
+- **Analysis of income inequality**: AI could be used to explore the factors influencing income gaps in society and identify specific trends related to demographic groups.
 
-### 2. Évaluation des inégalités économiques et sociales
-Les chercheurs peuvent utiliser ce dataset pour étudier les disparités salariales entre différents groupes en fonction de critères tels que le sexe, l'éducation, ou l'ethnie. L'IA peut être utilisée pour analyser la corrélation entre ces facteurs et déterminer des biais potentiels dans le marché du travail.
+### 2. Evaluation of Economic and Social Inequalities
+Researchers can use this dataset to study income disparities between different groups based on criteria such as gender, education, or ethnicity. AI can be used to analyze the correlation between these factors and determine potential biases in the labor market.
 
-**Applications possibles :**
-- **Systèmes de recommandation de politiques publiques** : L'IA peut identifier des groupes sociaux les plus vulnérables à la pauvreté et recommander des politiques ciblées pour améliorer l'égalité des chances.
-- **Prévisions d'inégalité économique** : Les modèles prédictifs peuvent fournir des informations sur l'évolution des écarts de revenus en fonction des changements dans les facteurs socio-économiques.
+**Possible Applications:**
+- **Public policy recommendation systems**: AI can identify social groups most vulnerable to poverty and recommend targeted policies to improve equal opportunities.
+- **Economic inequality forecasting**: Predictive models can provide insights into the evolution of income gaps based on changes in socio-economic factors.
 
-### 3. Amélioration des stratégies d'embauche et d'inclusion
-En analysant ce dataset, les entreprises peuvent mettre en place des systèmes d'aide à la décision pour les ressources humaines. Cela pourrait inclure des modèles prédictifs d'embauche qui visent à identifier les candidats les plus susceptibles de réussir dans un rôle donné, tout en prenant en compte les aspects liés à la diversité et à l'inclusion.
+### 3. Improving Hiring and Inclusion Strategies
+By analyzing this dataset, businesses can implement decision-support systems for human resources. This could include predictive hiring models aimed at identifying candidates most likely to succeed in a given role while considering diversity and inclusion aspects.
 
-**Applications possibles :**
-- **Équité dans les décisions de recrutement** : Utiliser l'IA pour réduire les biais dans le recrutement, notamment en s'assurant que des facteurs tels que le sexe, l'âge ou l'origine ethnique n'influencent pas indûment les décisions d'embauche.
-- **Optimisation des politiques de rémunération** : Identifier les critères qui ont un impact disproportionné sur la rémunération pour garantir des politiques salariales plus équitables.
+**Possible Applications:**
+- **Fairness in hiring decisions**: Using AI to reduce biases in recruitment, ensuring that factors such as gender, age, or ethnicity do not unduly influence hiring decisions.
+- **Optimizing compensation policies**: Identifying criteria that disproportionately affect compensation to ensure more equitable salary policies.
 
-### 4. Prédiction de l'impact des programmes d'éducation et de formation
-Le dataset contient des informations sur le niveau d'éducation des individus, ce qui permet de prédire l'impact des programmes éducatifs et de formation sur les revenus. L'IA peut être utilisée pour analyser les bénéfices économiques de l'éducation et des qualifications professionnelles.
+### 4. Prediction of the Impact of Education and Training Programs
+The dataset contains information on individuals' education levels, allowing the prediction of the impact of educational and training programs on income. AI can be used to analyze the economic benefits of education and professional qualifications.
 
-**Applications possibles :**
-- **Analyse de rentabilité des formations professionnelles** : L'IA peut prédire l'impact économique de divers types de formations professionnelles sur les revenus futurs des individus.
-- **Optimisation des investissements éducatifs** : Les gouvernements et les entreprises peuvent utiliser les modèles IA pour investir dans les programmes éducatifs les plus efficaces pour maximiser les retours économiques sur leurs investissements.
+**Possible Applications:**
+- **Cost-benefit analysis of professional training**: AI can predict the economic impact of various types of professional training on individuals' future incomes.
+- **Optimization of educational investments**: Governments and businesses can use AI models to invest in the most effective educational programs to maximize economic returns on their investments.
 
-### 5. Analyse des tendances démographiques dans les données sociales
-L'IA peut être utilisée pour extraire des tendances à long terme à partir de ce dataset, comme l'évolution des comportements de travail ou les changements dans les revenus en fonction de l'âge, du sexe, et d'autres critères démographiques.
+### 5. Analysis of Demographic Trends in Social Data
+AI can be used to extract long-term trends from this dataset, such as the evolution of work behaviors or income changes based on age, gender, and other demographic criteria.
 
-**Applications possibles :**
-- **Prévisions des tendances du marché du travail** : L'IA peut aider à prédire les changements futurs dans le marché du travail, tels que l'évolution des types d'emplois les mieux rémunérés.
-- **Identification des populations sous-représentées** : Utilisation des modèles de classification pour repérer les groupes sous-représentés dans certaines professions ou secteurs.
+**Possible Applications:**
+- **Forecasting labor market trends**: AI can help predict future changes in the job market, such as the evolution of the highest-paying jobs.
+- **Identifying underrepresented populations**: Using classification models to detect groups underrepresented in certain professions or sectors.
 
-## 3. Description des colonnes
+## 3. Description of the Columns
 
-### Nombre de colonnes : 17 (incluant les deux nouvelles colonnes)  
-### Nombre de lignes : 32 562 lignes
+### Number of Columns: 17 (including the two new columns)  
+### Number of Rows: 32,562 rows
 
-1. **âge**  
-   - **Description** : L'âge de l'individu en années.  
-   - **Type** : int64  
-   - **Utilisation** : L'âge est souvent utilisé pour segmenter les individus en fonction des groupes d'âge (par exemple, jeunes, adultes, seniors).
+1. **age**  
+   - **Description**: The individual's age in years.  
+   - **Type**: int64  
+   - **Use**: Age is often used to segment individuals into age groups (e.g., young, adult, senior).
 
 2. **workclass**  
-   - **Description** : La catégorie de travail de l'individu (secteur privé, travailleur indépendant, gouvernement, etc.).  
-   - **Type** : string
+   - **Description**: The individual's work category. It describes the type of employment status, such as:  
+     - Private: Private sector employee  
+     - Self-emp-not-inc: Unincorporated self-employed  
+     - Self-emp-inc: Incorporated self-employed  
+     - Federal-gov: Federal government employee  
+     - Local-gov: Local government employee  
+     - State-gov: State government employee  
+     - Without-pay: Unpaid  
+     - Never-worked: Never worked  
+   - **Type**: string
 
 3. **fnlwgt**  
-   - **Description** : Le "final weight" (poids final), utilisé pour ajuster l'échantillon afin qu'il représente co
+   - **Description**: The "final weight," a weight used to adjust the sample to properly represent the U.S. population.  
+   - **Type**: int64
+
+4. **education**  
+   - **Description**: The individual's education level.  
+   - **Type**: string
+
+5. **education.num**  
+   - **Description**: A numerical version of the education level.  
+   - **Type**: int64
+
+6. **marital.status**  
+   - **Description**: The marital status of the individual.  
+   - **Type**: string
+
+7. **occupation**  
+   - **Description**: The type of profession the individual is engaged in.  
+   - **Type**: string
+
+8. **relationship**  
+   - **Description**: The individual's relationship to the household reference person (e.g., spouse, child).  
+   - **Type**: string
+
+9. **race**  
+   - **Description**: The individual's racial background.  
+   - **Type**: string
+
+10. **sex**  
+   - **Description**: The individual's sex.  
+   - **Type**: string
+
+11. **capital.gain**  
+   - **Description**: The capital gains realized by the individual.  
+   - **Type**: int64
+
+12. **capital.loss**  
+   - **Description**: The capital losses suffered by the individual.  
+   - **Type**: int64
+
+13. **hours.per.week**  
+   - **Description**: The number of hours worked per week.  
+   - **Type**: int64
+
+14. **native.country**  
+   - **Description**: The individual's country of origin.  
+   - **Type**: string
+
+15. **age_group**  
+   - **Description**: This column groups individuals into three age groups:  
+     - Young: Individuals aged 0-30 years.  
+     - Middle-aged: Individuals aged 30-60 years.  
+     - Senior: Individuals aged 60-100 years.  
+   - **Type**: int64  
+   - **Purpose**: This column allows for population segmentation by age, useful for demographic analyses and income trend studies.
+
+16. **capital_gain_loss_ratio**  
+   - **Description**: The ratio between capital gains and capital losses.  
+   - **Type**: int64  
+   - **Purpose**: This column helps analyze the relationship between capital gains and losses, useful for financial analysis or studying the impact of investments on income.
+
+17. **income**  
+   - **Description**: The individual's annual income. It can be either:  
+     - ">50K": Income greater than $50,000  
+     - "<=50K": Income less than or equal to $50,000  
+   - **Type**: string (target variable for prediction models).