skip ligne + ia

IA/data/data_emple.csv

@@ -0,0 +1,6 @@
+category,noteUser,distance,timeOfActivity,denivelePositif,speedAvg,bpmAvg
+walking,80,2147.0,1716.5,471.5999999999999,1.2740575455079353,114
+walking,90,1013.0,933.24,393.2000000000004,1.2849015317286667,122
+walking,95,225.0,228.49,346.6000000000006,1.1007253886010366,99
+cycling,50,20525.4,6770.675,597.8000000000001,3.5130617816091947,143
+

IA/idee/idee.md

@@ -0,0 +1,24 @@
+# IA 
+
+## Fonctionnement 
+
+    Déterminé une activité pour l'utilisateur 
+
+### Data
+
+    Utiliser les activityInfo (vitesseAvg,BPM,....)
+
+### Raisonnement
+
+    L'utilisateur pourra noter son activiter "Facile,moyen,dur" demander une note sur 100 
+
+###  Calcul 
+
+    En fonction de la note 
+    Il devra savoir et répondre une séance 
+    -> Vous devrez faire tant de km à x vitesse 
+    -> Vous serez entre x BPM
+    -> Essayer de faire x denivelé 
+    -> .... etc 
+
+    

IA/modele_create.py

@@ -0,0 +1,36 @@
+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/manager_file.dart

@@ -186,6 +186,7 @@ class ManagerFile {
       Map<String, Map<String, String>> ligneDataResult = {};
       // -- Skip ligne whith no data -- //
       bool skip = true;
+      int nbData = 0;
 
       // -- Si ce n'est pas de la data on pass -- //
       if (listeField[0] != "Data") {
@@ -198,7 +199,10 @@ class ManagerFile {
           tmp["Unite"] = listeField[i + 2].toString();
           ligneDataResult[listeField[i]] = tmp;
           i += 2;
-          skip = false;
+          nbData += 1;
+          if (nbData >= 2) {
+            skip = false;
+          }
         }
 
         // -- Pour boucler -- //

lib/modele/utile/list_activity/list_activity_utile.dart

@@ -50,7 +50,6 @@ class ListActivityUtile {
         Provider.of<User>(context, listen: false).listActivity.clear();
         notZero = true;
       }
-      // -- connaitre le type de categorie pour changer le type d'info -- //
 
       Provider.of<User>(context, listen: false).addActivity(ActivityOfUser(
           ActivityInfo.fromJson(element["info"]),
@@ -71,8 +70,10 @@ class ListActivityUtile {
     Uint8List byteCSV = Uint8List.fromList(utf8.encode(csvString));
     // --- Save Local
     // --- Api
-    //ManagerFile x = ManagerFile();
+    /*
-    //await File("${await x.localPath}\\test.csv").writeAsString(csvString);
+    ManagerFile x = ManagerFile();
+    await File("${await x.localPath}\\test.csv").writeAsString(csvString);
+    print("${await x.localPath}\\test.csv");*/
 
     Tuple2<bool, String> result = await _strategy.uploadFileByte(
         token,