Ministère de l’Enseignement Supérieur et de la Recherche Scientifique

Université de Carthage
Institut des Hautes Études Commerciales de Carthage

Mesure de conformité des CVs par une

classification non supervisée
Organisme d’accueil :

Réalisé par :
TAHRI Khouloud

Présidente de Jury: Dr. TOUNSI Jihene Rapporteur : Dr. MESFAR Slim

Encadrante Académique : Dr. GHORBEL Molka Encadrant Professionnel: CHAKOUR Thamer

Année universitaire : 20222/2023

 PLAN

01 02 03 04
Contexte Conclusion et
Méthodologie Réalisation
générae perspectives

1
 CONTEXTE
01 GENERAL
 Contexte générale

1.1 ENTREPRISE D’ACCUEIL

Premier opérateur privé Acteur essentiel du crée en

1371 employés
de télécommunications secteur des 2002
(2022)
en Tunisie. nouvelles (Tunisiana)
technologie.

3
Contexte générale

1.2 PROBLEMATIQUE

4
 Contexte générale

1.3 SOLUTION PROPOSEE

Extraction des données Segmentation des

à partir des CVs CVs.

Matching
5
 METHODOLOGIE
02
Méthodologie

CRISP-DM : The Cross-Industry Standard Process For Data Mining

la plus adaptée à la conduite des projets

Data Mining, Big Data et Data Science

Adopte une démarche cyclique et itérative

Ne propose pas un chemin linéaire unique

entre le démarrage du projet et le
déploiement

7
 REALISATION
03
 Réalisation

3.1 SYSTEME DE MATCHING NLP Pipeline

Normalisation
Nettoyage
Extraction du
texte du texte Lemmatization

Stemming

Tokenization
PyPDF
Vectorization

Calcul
similarité
Prise de Ranking
décision

9
 Réalisation

3.2 SYSTEME DE SEGMENTATION (1/5)

Compréhension Collecte des Préparation des

du problème données données
Segmenter les
CV Parsing
différents Cvs selon
leurs compétences

Modélisation Evaluation Déploiement

Inertia
K-Means , ACP Tableau de bord
Coefficient de silhouette

10
 Réalisation

3.2 SYSTEME DE SEGMENTATION (2/5)

Collecte des Préparation
données des données
NLP, NER
CV Parsing Extraction des informations à
partir des CVs en utilisant les
bibliothèques Spacy et NLTK.

nulle Valeurs aberrantes

(nom , prenom, education,

compétences, langues…)
DataSet des
données CVs dupliqués Imputation
extraites

Préparation des données

11
 Réalisation

3.2 SYSTEME DE SEGMENTATION (3/5)

Données
Brutes

Données nettoyées
et transformées

12
 Réalisation

3.2 SYSTEME DE SEGMENTATION (4/5) Modélisation Evaluation

K-means , ACP

Regrouper et interpréter les données

basé seulement sur les données en
entrés . (Non étiquetté) 13
 Réalisation

3.2 SYSTEME DE SEGMENTATION (5/5) Modélisation Evaluation

K-means , ACP

Avant ACP Après ACP Nombre composants ACP = 2

14
 Réalisation

3.3 INTERFACES

Interface de Matching externe Interface de Matching interne

15
 Réalisation

3.3 INTERFACES

16
 Réalisation

3.3 INTERFACES

17
 Réalisation

3.3 INTERFACES

18
 Réalisation

3.3 BIBLIOTHEQUES ET TECHNOLOGIES

19
 CONCLUSION ET
04 PERSPECTIVES
 Conclusion et perspectives

4.1 Conclusion

Renforcer nos Voir de près l’aspect Maîtrise des nouvelles

Gestion de temps
connaissances et le déroulement de technologie et
dans le domaine la vie professionnelle nouveaux langages
de GRH.

21
 Conclusion et perspectives

4.2 PERSPECTIVES
un système de
recommandations des
postes adéquate pour
Scraping des CVs et chaque candidats.
des postes à partir des
différentes platform.
1 3

2 perspectives 4

Un chatbot avancés Autres fonctionnalitées

permettant de communiquer pour postuler.
avec le candidat.

22
MERCI POUR VOTRE
ATTENTION