TermNSI/Arbres/TP_Recommandation.md

# TP : L'algorithme de recommandation — Comment TikTok/YouTube vous connaît

> **Thème** : Arbres de décision et algorithmes de recommandation

---

## Contexte

En 2026, les algorithmes de recommandation sont omniprésents : TikTok, YouTube, Spotify, Netflix... Ces plateformes utilisent des **arbres de décision** pour prédire vos goûts et vous proposer du contenu personnalisé.

Dans ce TP, vous allez construire un mini-système de recommandation de films basé sur un **arbre binaire de décision**.

---

## Partie 1 : Comprendre l'arbre de décision

Un arbre de décision pose des questions binaires (oui/non) pour classifier des données.

### Exemple

```
                    Aimes-tu l'action ?
                      /            \
                   OUI              NON
                    |                |
          Aimes-tu la SF ?    Aimes-tu la romance ?
            /        \           /         \
          OUI        NON       OUI         NON
           |          |         |           |
      "Matrix"   "Die Hard"  "Titanic"   "Le Parrain"
```

### Questions préliminaires

1. Quel film sera recommandé à quelqu'un qui aime l'action mais pas la SF ?

2. Combien de questions faut-il poser au maximum pour recommander un film ?

3. Si on veut recommander 16 films différents, combien de questions faudra-t-il poser au maximum ? (Indice : pensez à la hauteur de l'arbre)

---

## Partie 2 : Modélisation avec une classe

Nous allons créer une classe `NoeudDecision` pour représenter notre arbre.

### Structure d'un nœud

Un nœud peut être :
- **Un nœud interne** : il contient une question et deux sous-arbres (oui/non)
- **Une feuille** : elle contient une recommandation (un film)

### Exercice 1 : Compléter la classe

```python
class NoeudDecision:
    def __init__(self, question=None, film=None):
        """
        Crée un nœud de l'arbre de décision.

        Si film is not None : c'est une feuille (recommandation)
        Sinon : c'est un nœud interne avec une question

        Paramètres:
            question (str): La question à poser (None si feuille)
            film (str): Le film à recommander (None si nœud interne)
        """
        self.question = question
        self.film = film
        self.oui = None  # Sous-arbre si réponse = oui
        self.non = None  # Sous-arbre si réponse = non

    def est_feuille(self):
        """Retourne True si ce nœud est une feuille (recommandation)."""
        # À compléter
        pass

    def __str__(self):
        """Représentation textuelle du nœud."""
        if self.est_feuille():
            return f"Film: {self.film}"
        else:
            return f"Question: {self.question}"
```

---

## Partie 3 : Construction de l'arbre

### Exercice 2 : Construire l'arbre d'exemple

Complétez la fonction suivante pour construire l'arbre de décision présenté en partie 1.

```python
def construire_arbre_films():
    """Construit et retourne l'arbre de recommandation de films."""

    # Création des feuilles (recommandations)
    matrix = NoeudDecision(film="Matrix")
    die_hard = NoeudDecision(film="Die Hard")
    titanic = NoeudDecision(film="Titanic")
    parrain = NoeudDecision(film="Le Parrain")

    # Création des nœuds internes (questions)
    # À compléter...

    # Retourner la racine de l'arbre
    pass
```

### Exercice 3 : Tester la construction

```python
# Créer l'arbre
arbre = construire_arbre_films()

# Vérifier la structure
print(arbre)  # Doit afficher la question racine
print(arbre.oui)  # Doit afficher la question sur la SF
print(arbre.oui.oui)  # Doit afficher "Film: Matrix"
```

---

## Partie 4 : Parcours et recommandation

### Exercice 4 : Fonction de recommandation interactive

Complétez la fonction suivante qui parcourt l'arbre en posant les questions à l'utilisateur :

```python
def recommander(noeud):
    """
    Parcourt l'arbre de décision en posant des questions à l'utilisateur.
    Retourne le film recommandé.
    """
    # Cas de base : on est sur une feuille
    if noeud.est_feuille():
        return noeud.film

    # Afficher la question et récupérer la réponse
    print(noeud.question)
    reponse = input("Votre réponse (oui/non) : ").lower().strip()

    # Suivre la branche correspondante
    # À compléter...
    pass
```

### Exercice 5 : Programme principal

```python
def main():
    print("=== Système de recommandation de films ===\n")

    arbre = construire_arbre_films()
    film = recommander(arbre)

    print(f"\n>>> Je vous recommande : {film}")

# Lancer le programme
main()
```

---

## Partie 5 : Enrichir l'arbre

### Exercice 6 : Ajouter des films

Modifiez la fonction `construire_arbre_films()` pour ajouter au moins **4 films supplémentaires** en créant de nouvelles questions.

Suggestions de questions :
- "Préférez-vous les films récents (après 2010) ?"
- "Aimez-vous les films avec beaucoup d'humour ?"
- "Préférez-vous les films européens ?"

### Exercice 7 : Affichage de l'arbre

Écrivez une fonction qui affiche l'arbre de manière indentée :

```python
def afficher_arbre(noeud, niveau=0):
    """
    Affiche l'arbre de décision de manière indentée.

    Exemple de sortie attendue:
    Aimes-tu l'action ?
    ├── OUI: Aimes-tu la SF ?
    │   ├── OUI: Matrix
    │   └── NON: Die Hard
    └── NON: Aimes-tu la romance ?
        ├── OUI: Titanic
        └── NON: Le Parrain
    """
    # À compléter
    pass
```

---

## Partie 6 : Statistiques sur l'arbre

### Exercice 8 : Hauteur de l'arbre

Écrivez une fonction récursive qui calcule la hauteur de l'arbre de décision.

```python
def hauteur(noeud):
    """Retourne la hauteur de l'arbre."""
    # À compléter
    pass
```

### Exercice 9 : Nombre de films

Écrivez une fonction qui compte le nombre de films (feuilles) dans l'arbre.

```python
def nombre_films(noeud):
    """Retourne le nombre de films (feuilles) dans l'arbre."""
    # À compléter
    pass
```

### Exercice 10 : Liste de tous les films

Écrivez une fonction qui retourne la liste de tous les films de l'arbre.

```python
def tous_les_films(noeud):
    """Retourne la liste de tous les films de l'arbre."""
    # À compléter
    pass
```

---

## Partie 7 : Pour aller plus loin (Bonus)

### Réflexion : vers le Machine Learning

En réalité, les algorithmes de recommandation modernes **apprennent** automatiquement l'arbre à partir de données.

**Question de réflexion :**

Imaginez que vous avez une base de données de 1000 utilisateurs avec :
- Leurs réponses aux questions (oui/non)
- Le film qu'ils ont finalement aimé

Comment pourriez-vous automatiquement construire le "meilleur" arbre de décision ?

*Indice : Il faudrait choisir à chaque nœud la question qui "sépare" le mieux les utilisateurs selon leurs préférences.*

### Recherche

L'algorithme **ID3** (Iterative Dichotomiser 3) est un algorithme classique pour construire des arbres de décision.

1. Faites une recherche sur cet algorithme.
2. Qu'est-ce que l'**entropie** dans ce contexte ?
3. Comment ID3 choisit-il la meilleure question à poser à chaque nœud ?

---

## Résumé des notions travaillées

| Notion | Application dans ce TP |
|--------|------------------------|
| Arbre binaire | Structure de l'arbre de décision |
| Nœud / Feuille | Questions / Recommandations |
| Parcours d'arbre | Fonction `recommander()` |
| Récursivité | Hauteur, comptage, affichage |
| POO | Classe `NoeudDecision` |

---

Auteur : Florian Mathieu

Licence CC BY NC

<a rel="license" href="http://creativecommons.org/licenses/by-nc-sa/4.0/"><img alt="Licence Creative Commons" style="border-width:0" src="https://i.creativecommons.org/l/by-nc-sa/4.0/88x31.png" /></a> <br />Ce cours est mis à disposition selon les termes de la <a rel="license" href="http://creativecommons.org/licenses/by-nc-sa/4.0/">Licence Creative Commons Attribution - Pas d'Utilisation Commerciale - Partage dans les Mêmes Conditions 4.0 International</a>.