academic-report-generator
"Génère automatiquement un compte rendu académique complet à partir d'un sujet fourni. Étudiante : Douae Anehari (Apogée 22007689), ENCG Settat, S8, PSCM. Produit une page de garde avec photo, un script Python, analyse des résultats, visualisations, structure académique."
Resources
3Install
npx skillscat add aneharidouaeencg-del/ai Install via the SkillsCat registry.
SKILL.md
Academic Report Generator - Supply Chain Data Science
Overview
Ce skill génère automatiquement un compte rendu académique complet et structuré à partir d'un simple sujet fourni par l'utilisateur.
| Champ | Valeur |
|---|---|
| Étudiante | Douae Anehari |
| Apogée | 22007689 |
| Établissement | ENCG Settat |
| Filière | Purchasing and Supply Chain Management |
| Semestre | S8 |
| Enseignant | M. Laghlimi |
| Matière | Data Analytics & Machine Learning |
| Année universitaire | 2025-2026 |
Données Personnelles de l'Étudiante
student_info:
nom: "Anehari"
prenom: "Douae"
nom_complet: "Douae Anehari"
numero_apogee: "22007689"
email: "dou3aeanehari@gmail.com"
# PHOTO
photo_url: "https://i.ibb.co/RL78LkH/IMG-20251211-WA0001.jpg"
photo_alt: "Photo de Douae Anehari"
# PARCOURS ACADÉMIQUE
etablissement: "ENCG Settat"
filiere: "Purchasing and Supply Chain Management"
semestre: "S8"
annee_universitaire: "2025-2026"
# ENCADREMENT
enseignant: "M. Laghlimi"
matiere: "Data Analytics & Machine Learning"
When to Use This Skill
Utilisez ce skill lorsque vous souhaitez :
· ✅ Générer un compte rendu académique complet à partir d'un sujet
· ✅ Produire automatiquement un script Python adapté au sujet choisi
· ✅ Obtenir une analyse structurée avec visualisations
· ✅ Créer un document prêt à être soumis à l'ENCG Settat
· ✅ Gagner du temps sur la mise en forme académique
Comment Utiliser Ce Skill
Étape 1 : Vérifier les données
Les données personnelles de Douae Anehari sont déjà intégrées :
· Nom complet : Douae Anehari
· Apogée : 22007689
· Email : dou3aeanehari@gmail.com
· Photo : https://i.ibb.co/RL78LkH/IMG-20251211-WA0001.jpg
Étape 2 : Fournir le sujet
Lancez le skill avec le sujet de votre choix :
Sujet : [VOTRE SUJET]
Exemples :
· Sujet : Prédiction des ruptures de stock dans une entreprise de distribution
· Sujet : Classification des fournisseurs selon leur niveau de risque
· Sujet : Prévision de la demande pour optimiser les approvisionnements
· Sujet : Prédiction des délais de livraison des fournisseurs
---
Structure du Rapport Généré
1. Page de Garde (Auto-remplie avec photo)
La page de garde inclut automatiquement :
· Logo ENCG Settat
· Photo de Douae Anehari
· Établissement : ENCG Settat
· Filière : Purchasing and Supply Chain Management
· Semestre : S8
· Titre du rapport : Généré à partir du sujet
· Informations étudiant : Douae Anehari, 22007689
· Encadrement : M. Laghlimi
· Date de soumission
2. Sommaire
Généré automatiquement avec toutes les sections du rapport.
3. Présentation du Sujet (Contextualisation)
· Contexte : Mise en situation du sujet dans la supply chain
· Problématique : Formulée à partir du sujet fourni
· Objectifs : Objectifs spécifiques du projet
· Importance : Justification de l'approche data science
4. Contextualisation Académique
Rappel du cadre académique :
· Établissement : ENCG Settat
· Filière : Purchasing and Supply Chain Management
· Semestre : S8
· Matière : Data Analytics & Machine Learning
· Enseignant : M. Laghlimi
· Étudiante : Douae Anehari (Apogée : 22007689)
· Année universitaire : 2025-2026
5. Script Python
Script complet adapté au sujet avec :
· Importation des bibliothèques
· Chargement d'un dataset réel
· Exploration et prétraitement
· Modélisation (classification ou prédiction)
· Évaluation et visualisations
6. Analyse des Résultats
· Métriques de performance (accuracy, précision, rappel, F1-score)
· Matrice de confusion commentée
· Importance des variables analysée
· Traduction métier des résultats
· Limites identifiées
7. Visualisations
Trois visualisations générées et commentées :
1. Distribution de la variable cible
2. Matrice de confusion (heatmap)
3. Importance des variables (barres horizontales)
8. Conclusion et Perspectives
· Synthèse des résultats
· Recommandations métier
· Pistes d'amélioration
· Perspectives pour travaux futurs
Code HTML Complet de la Page de Garde
<!DOCTYPE html>
<html lang="fr">
<head>
<meta charset="UTF-8">
<title>Rapport - [TITRE DU RAPPORT]</title>
<style>
@page {
size: A4;
margin: 2.5cm;
}
body {
font-family: 'Times New Roman', 'Segoe UI', serif;
margin: 0;
padding: 0;
background: white;
}
.cover {
text-align: center;
padding: 40px 30px;
height: 100vh;
display: flex;
flex-direction: column;
justify-content: space-between;
}
.logo {
font-size: 24px;
font-weight: bold;
letter-spacing: 2px;
color: #1e3c72;
border-bottom: 3px solid #ff6b35;
display: inline-block;
padding-bottom: 10px;
}
.school-name {
font-size: 28px;
font-weight: bold;
color: #1e3c72;
margin: 20px 0 5px;
}
.school-sub {
font-size: 16px;
color: #4a627a;
margin-bottom: 30px;
}
.hero {
display: flex;
align-items: center;
justify-content: center;
gap: 50px;
margin: 40px 0;
flex-wrap: wrap;
}
.photo {
width: 150px;
height: 150px;
border-radius: 50%;
object-fit: cover;
border: 4px solid #ff6b35;
box-shadow: 0 5px 15px rgba(0,0,0,0.2);
}
.title-section {
text-align: left;
}
.program {
font-size: 18px;
color: #2c3e66;
font-weight: 600;
margin-bottom: 10px;
}
.semester {
font-size: 16px;
color: #ff6b35;
margin-bottom: 20px;
}
.report-title {
font-size: 32px;
font-weight: bold;
color: #1e3c72;
line-height: 1.3;
max-width: 500px;
}
.info-box {
background-color: #f8f9fa;
border-left: 5px solid #ff6b35;
padding: 20px 30px;
text-align: left;
margin: 30px auto;
max-width: 400px;
border-radius: 8px;
}
.info-box p {
margin: 8px 0;
font-size: 14px;
}
.info-box strong {
color: #1e3c72;
}
.footer {
margin-top: 40px;
padding-top: 20px;
border-top: 1px solid #ddd;
font-size: 12px;
color: #888;
}
@media print {
.cover {
page-break-after: always;
}
}
</style>
</head>
<body>
<div class="cover">
<div>
<div class="logo">ENCG SETTAT</div>
<div class="school-name">École Nationale de Commerce et de Gestion</div>
<div class="school-sub">Université Hassan Premier - Settat</div>
</div>
<div class="hero">
<img src="https://i.ibb.co/RL78LkH/IMG-20251211-WA0001.jpg" alt="Photo de Douae Anehari" class="photo">
<div class="title-section">
<div class="program">Purchasing and Supply Chain Management</div>
<div class="semester">Semestre S8</div>
<div class="report-title">[TITRE DU RAPPORT]</div>
</div>
</div>
<div class="info-box">
<p><strong>Réalisé par :</strong></p>
<p><strong>Douae Anehari</strong></p>
<p><strong>Numéro Apogée :</strong> 22007689</p>
<p><strong>Email :</strong> dou3aeanehari@gmail.com</p>
</div>
<div>
<p><strong>Encadré par :</strong> M. Laghlimi</p>
<p><strong>Matière :</strong> Data Analytics & Machine Learning</p>
<div class="footer">
<p>Année universitaire : 2025-2026 | Date de soumission : [Date actuelle]</p>
</div>
</div>
</div>
</body>
Script Python Complet
</html>
# ============================================
# PROJET : [TITRE DU RAPPORT]
# ÉTUDIANTE : Douae Anehari | APOGÉE : 22007689
# ENSEIGNANT : M. Laghlimi | MATIÈRE : Data Analytics & ML
# DATE : [Date actuelle]
# ============================================
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns
from sklearn.model_selection import train_test_split
from sklearn.ensemble import RandomForestClassifier
from sklearn.metrics import classification_report, confusion_matrix, accuracy_score
from sklearn.preprocessing import LabelEncoder
print("=" * 60)
print("ANALYSE DATA SCIENCE - SUPPLY CHAIN")
print(f"Étudiante : Douae Anehari (Apogée: 22007689)")
print(f"Enseignant : M. Laghlimi")
print("=" * 60)
# 1. CHARGEMENT DES DONNÉES
print("\n[1] CHARGEMENT DES DONNÉES")
try:
df = pd.read_csv('supply_chain_data.csv')
print(f"✓ Dataset chargé : {df.shape[0]} lignes, {df.shape[1]} colonnes")
except:
print("✗ Dataset non trouvé. Téléchargez supply_chain_data.csv depuis Kaggle")
exit()
# 2. EXPLORATION DES DONNÉES
print("\n[2] EXPLORATION DES DONNÉES")
print("\nPremières lignes :")
print(df.head())
print("\nInformations générales :")
print(df.info())
print("\nStatistiques descriptives :")
print(df.describe())
print(f"\nValeurs manquantes :\n{df.isnull().sum()}")
# 3. PRÉTRAITEMENT
print("\n[3] PRÉTRAITEMENT DES DONNÉES")
df = df.dropna()
print(f"✓ Après suppression des valeurs manquantes : {df.shape[0]} lignes")
# Encodage des variables catégorielles
categorical_columns = df.select_dtypes(include=['object']).columns
for col in categorical_columns:
df[col] = LabelEncoder().fit_transform(df[col])
print(f"✓ Encodage des variables catégorielles effectué")
# 4. SÉPARATION FEATURES / TARGET
print("\n[4] SÉPARATION FEATURES / TARGET")
X = df.select_dtypes(include=[np.number])
y = (X.sum(axis=1) > X.median().sum()).astype(int)
print(f"✓ Features : {X.shape[1]} variables")
print(f"✓ Distribution de la cible :\n{y.value_counts()}")
# 5. DIVISION ENTRAÎNEMENT / TEST
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
print(f"\n✓ Entraînement : {X_train.shape[0]} échantillons")
print(f"✓ Test : {X_test.shape[0]} échantillons")
# 6. MODÉLISATION
print("\n[5] MODÉLISATION")
model = RandomForestClassifier(n_estimators=100, random_state=42)
model.fit(X_train, y_train)
print("✓ Modèle Random Forest entraîné")
# 7. ÉVALUATION
print("\n[6] ÉVALUATION DU MODÈLE")
y_pred = model.predict(X_test)
print("\nClassification Report :")
print(classification_report(y_test, y_pred))
print(f"\nAccuracy : {accuracy_score(y_test, y_pred):.4f}")
# Matrice de confusion
cm = confusion_matrix(y_test, y_pred)
print(f"\nMatrice de confusion :\n{cm}")
# 8. VISUALISATIONS
print("\n[7] GÉNÉRATION DES VISUALISATIONS")
# Visualisation 1 : Distribution de la cible
plt.figure(figsize=(8, 6))
sns.countplot(x=y, palette=['#2ecc71', '#e74c3c'])
plt.title('Distribution de la Variable Cible', fontsize=14)
plt.xlabel('Classe')
plt.ylabel("Nombre d'observations")
plt.tight_layout()
plt.savefig('distribution_cible.png', dpi=300)
print("✓ Figure 1 sauvegardée : distribution_cible.png")
# Visualisation 2 : Matrice de confusion
plt.figure(figsize=(8, 6))
sns.heatmap(cm, annot=True, fmt='d', cmap='Blues')
plt.title('Matrice de Confusion', fontsize=14)
plt.xlabel('Prédiction')
plt.ylabel('Réel')
plt.tight_layout()
plt.savefig('matrice_confusion.png', dpi=300)
print("✓ Figure 2 sauvegardée : matrice_confusion.png")
# Visualisation 3 : Importance des variables
importances = model.feature_importances_
indices = np.argsort(importances)[::-1][:10]
features = X.columns[indices]
plt.figure(figsize=(10, 8))
plt.barh(range(len(indices)), importances[indices], color='#3498db')
plt.yticks(range(len(indices)), features)
plt.xlabel('Importance')
plt.title('Top 10 des Variables les Plus Importantes', fontsize=14)
plt.gca().invert_yaxis()
plt.tight_layout()
plt.savefig('feature_importance.png', dpi=300)
print("✓ Figure 3 sauvegardée : feature_importance.png")
print("\n" + "=" * 60)
print("ANALYSE TERMINÉE AVEC SUCCÈS")
print("=" * 60)
Instructions pour Générer un Rapport
1. Copiez ce fichier skill.md dans votre environnement
2. Fournissez un sujet en répondant :Sujet : [Votre sujet ici]
3. Recevez le rapport complet au format HTML
4. Convertissez en PDF avec Ctrl+P → "Enregistrer en PDF"Categories
Install
npx skillscat add aneharidouaeencg-del/ai Install via the SkillsCat registry.