Merge branch 'Enzo' into othmane6

IA/categoryByData.py

@@ -0,0 +1,39 @@
+import pandas as pd
+import numpy as np
+from sklearn.calibration import LabelEncoder
+from sklearn.model_selection import train_test_split
+from sklearn.linear_model import LinearRegression
+
+# Load data from CSV
+df = pd.read_csv("data\\data_emple.csv")
+
+category = df.iloc[0:len(df),0].values
+
+otherData = df.iloc[0:len(df),1:6].values
+
+print(otherData)
+
+# Encode the categorical target variable
+label_encoder = LabelEncoder()
+category_encoded = label_encoder.fit_transform(category)
+
+model = LinearRegression()
+
+model.fit(otherData,category_encoded)
+
+
+new_data = np.array([224.0,228.49,346.6000000000000,1.1007253886010361,101]).reshape(1, -1)
+
+# Faites une prédiction avec le modèle entraîné
+prediction = model.predict(new_data)
+
+# Affichez la prédiction
+print("Prédiction:", prediction)
+
+# Supposons que label_encoder soit l'objet LabelEncoder que vous avez utilisé lors de l'entraînement
+inverse_prediction = label_encoder.inverse_transform(prediction.astype(int))
+
+# Affichez la prédiction sous forme de chaîne de caractères
+print("Prédiction (en chaîne de caractères):", inverse_prediction)
+
+

IA/data/data_emple.csv

@@ -1,6 +1,6 @@
-category,noteUser,distance,timeOfActivity,denivelePositif,speedAvg,bpmAvg
+category,distance,timeOfActivity,denivelePositif,speedAvg,bpmAvg
-walking,80,2147.0,1716.5,471.5999999999999,1.2740575455079353,114
+walking,2147.0,1716.5,471.5999999999999,1.2740575455079353,114
-walking,90,1013.0,933.24,393.2000000000004,1.2849015317286667,122
+walking,1013.0,933.24,393.2000000000004,1.2849015317286667,122
-walking,95,225.0,228.49,346.6000000000006,1.1007253886010366,99
+walking,225.0,228.49,346.6000000000006,1.1007253886010366,99
-cycling,50,20525.4,6770.675,597.8000000000001,3.5130617816091947,143
+cycling,20525.4,6770.675,597.8000000000001,3.5130617816091947,143
 

IA/distanceByTime.py

@@ -0,0 +1,29 @@
+import pandas as pd
+import numpy as np
+import matplotlib.pyplot as plt
+from sklearn.linear_model import LinearRegression
+from sklearn.model_selection import train_test_split
+df = pd.read_csv("data\\data_emple.csv")
+distance = df.iloc[0:len(df),1].values.reshape(-1, 1)
+time = df.iloc[0:len(df),2].values.reshape(-1, 1)
+ 
+model = LinearRegression()
+
+# Entrainement 
+model.fit(time,distance)
+
+# Afficher les coefficients du modèle
+print("Coefficients :", model.coef_)
+print("Intercept :", model.intercept_)
+
+
+# Supposons que vous avez de nouvelles données pour lesquelles vous voulez faire des prédictions
+new_time_data = np.array([1000]).reshape(1,-1) # Exemple de nouvelles données pour 'time'
+
+# Faire des prédictions sur les nouvelles données
+predicted_distance = model.predict(new_time_data)
+
+# Afficher les prédictions
+print("Prédictions de distance :", predicted_distance[0])
+
+

IA/modele_create.py

@@ -1,36 +0,0 @@
-import pandas as pd
-from sklearn.model_selection import train_test_split
-from sklearn.linear_model import LinearRegression
-from sklearn.metrics import mean_squared_error
-from sklearn.preprocessing import LabelEncoder
-
-# Charger les données
-data = pd.read_csv('data\\data_emple.csv')
-
-# Encoder les catégories 'category' et 'noteUser'
-label_encoder = LabelEncoder()
-data['category'] = label_encoder.fit_transform(data['category'])
-data['noteUser'] = label_encoder.fit_transform(data['noteUser'])
-
-# Sélectionner les caractéristiques pour l'entraînement du modèle
-features = ['category', 'noteUser', 'distance', 'timeOfActivity', 'denivelePositif', 'speedAvg', 'bpmAvg']
-
-# Diviser les données en ensembles d'entraînement et de test
-train_data, test_data = train_test_split(data[features], test_size=0.2, random_state=42)
-
-# Séparer les caractéristiques (X) de la cible (y)
-X_train, y_train = train_data.drop('noteUser', axis=1), train_data['noteUser']
-X_test, y_test = test_data.drop('noteUser', axis=1), test_data['noteUser']
-
-# Créer et entraîner le modèle de régression linéaire
-model = LinearRegression()
-model.fit(X_train, y_train)
-
-# Faire des prédictions sur l'ensemble de test
-predictions = model.predict(X_test)
-
-print(predictions)
-
-# Évaluer le modèle
-mse = mean_squared_error(y_test, predictions)
-print(f'Mean Squared Error on Test Data: {mse}')

lib/modele/activity.dart

@@ -18,7 +18,7 @@ class ActivityOfUser {
   ActivityInfo get activityInfo => _activityInfo;
   Map<String, int> get enteteCSV => _enteteCSV;
 
-  // -- Getter/Setter -- Ancien //
+  // -- Getter/Setter -- //
   List<List<dynamic>> get contentActivity => _contentActivity;
   set contentActivity(List<List<dynamic>> content) {
     _contentActivity = content;
@@ -39,7 +39,7 @@ class ActivityOfUser {
     }
   }
 
-  // -------------------------- FIN Localisation  ---------------------- //
+  // -------------------------- ToMap  ---------------------- //
 
   Map<String, dynamic> toMapGeneric() {
     Map<String, dynamic> map = {

lib/view/map/chose_map.dart

@@ -42,24 +42,26 @@ class _ChoseMap extends State<ChoseMap> {
                   height: media.height * 0.1,
                 ),
                 RoundButton(
-                    title: "Use map with google map",
+                  title: "Use map with google map",
-                    onPressed: () {
+                  onPressed: () {
-                      Navigator.push(
+                    Navigator.push(
-                          context,
+                        context,
-                          MaterialPageRoute(
+                        MaterialPageRoute(
-                              builder: (context) => const MobileMyMaps()));
+                            builder: (context) => const MobileMyMaps()));
-                    },
+                  },
-                    ),
+                ),
                 SizedBox(
                   height: media.height * 0.03,
                 ),
                 RoundButton(
-                    title : "Use map with Open Street Map",
+                  title: "Use map with Open Street Map",
-                    onPressed: () {
+                  onPressed: () {
-                      Navigator.push(context,
+                    Navigator.push(
-                          MaterialPageRoute(builder: (context) => const MyMapOSM()));
+                        context,
-                    },
+                        MaterialPageRoute(
-                   ),
+                            builder: (context) => const MyMapOSM()));
+                  },
+                ),
                 Spacer(),
               ],
             ),
@@ -67,18 +69,5 @@ class _ChoseMap extends State<ChoseMap> {
         ),
       ),
     );
-    return Scaffold(
-      backgroundColor: TColor.white,
-      body: SafeArea(
-          child: Column(
-        mainAxisAlignment: MainAxisAlignment.center,
-        crossAxisAlignment: CrossAxisAlignment.center,
-        children: [
-          
-          const Text(
-              "Mettre une image la en mode une personne avec des jumelles")
-        ],
-      )),
-    );
   }
 }

lib/view/profile/all_platforme/profile_view_allplatforme.dart

@@ -4,7 +4,6 @@ import 'package:smartfit_app_mobile/common/colo_extension.dart';
 import 'package:smartfit_app_mobile/common_widget/container/profile/profile_compte.dart';
 import 'package:smartfit_app_mobile/common_widget/container/profile/profile_entete.dart';
 import 'package:smartfit_app_mobile/common_widget/container/profile/profile_info_user.dart';
-import 'package:smartfit_app_mobile/common_widget/container/profile/profile_notification.dart';
 import 'package:smartfit_app_mobile/common_widget/container/profile/profile_other.dart';
 import 'package:smartfit_app_mobile/modele/user.dart';
 
@@ -55,7 +54,6 @@ class _ProfileViewAllPlatforme extends State<ProfileViewAllPlatforme> {
               const SizedBox(
                 height: 25,
               ),
-             
               ProfileOther(widget.otherArr)
             ],
           ),

lib/view/volumes/volumes_view.dart

@@ -21,6 +21,7 @@ class _VolumesViews extends State<VolumesView> {
   Widget build(BuildContext context) {
     var media = MediaQuery.of(context).size;
     User user = context.watch<User>();
+    DateTime date = DateTime.now();
 
     Map<String, dynamic> volume7Days =
         user.getVolumeWhithDuration(const Duration(days: 7));
@@ -47,7 +48,7 @@ class _VolumesViews extends State<VolumesView> {
                   height: media.width * 0.05,
                 ),
                 Text(
-                  "Derniere semaine",
+                  "Derniere semaine : ${date.day}/${date.month}/${date.year} - ${date.subtract(const Duration(days: 7)).day}/${date.subtract(const Duration(days: 7)).month}/${date.subtract(const Duration(days: 7)).year}",
                   style: TextStyle(
                       color: TColor.black,
                       fontSize: 16,
@@ -61,7 +62,7 @@ class _VolumesViews extends State<VolumesView> {
                   height: media.width * 0.03,
                 ),
                 Text(
-                  "Dernier Mois",
+                  "Dernier Mois : ${date.day}/${date.month}/${date.year} - ${date.subtract(const Duration(days: 30)).day}/${date.subtract(const Duration(days: 30)).month}/${date.subtract(const Duration(days: 30)).year}",
                   style: TextStyle(
                       color: TColor.black,
                       fontSize: 16,
@@ -72,7 +73,7 @@ class _VolumesViews extends State<VolumesView> {
                   height: media.width * 0.03,
                 ),
                 Text(
-                  "Dernière année",
+                  "Dernière année : ${date.day}/${date.month}/${date.year} - ${date.subtract(const Duration(days: 366)).day}/${date.subtract(const Duration(days: 366)).month}/${date.subtract(const Duration(days: 366)).year}",
                   style: TextStyle(
                       color: TColor.black,
                       fontSize: 16,