diff --git a/.dockerignore b/.dockerignore
deleted file mode 100644
index d05b2f7..0000000
--- a/.dockerignore
+++ /dev/null
@@ -1,19 +0,0 @@
-# Ignorer le dossier Git et les fichiers de versioning
-.git/
-.gitignore
-
-# Ignorer les fichiers Python temporaires
-__pycache__/
-*.pyc
-*.pyo
-*.pyd
-
-# Ignorer l’environnement virtuel (si jamais recréé)
-venv/
-ftline/
-
-# Ignorer les fichiers générés
-model.npy
-data/data.normalized.csv
-
-ft_linear_subject.pdf
\ No newline at end of file
diff --git a/.gitignore b/.gitignore
index b52bb8d..913cc9f 100644
--- a/.gitignore
+++ b/.gitignore
@@ -1,5 +1,5 @@
 # Ignorer l'environnement virtuel
-ftline/
+ftlinear/
 
 # Ignorer les fichiers de cache Python
 __pycache__/
diff --git a/Dockerfile b/Dockerfile
deleted file mode 100644
index 50d8fee..0000000
--- a/Dockerfile
+++ /dev/null
@@ -1,14 +0,0 @@
-# Utilisation d'une image Python officielle
-FROM python:3.12
-
-# Définition du répertoire de travail
-WORKDIR /app
-
-# Copier tous les fichiers du projet dans le conteneur
-COPY . /app
-
-# Installer les dépendances du projet
-RUN pip install --no-cache-dir -r requirements.txt
-
-# COMMANDE PAR défaut : Exécuter "main.py"
-CMD ["python", "main.py"]
\ No newline at end of file
diff --git a/main.py b/main.py
index 6c140d3..a8f5ae1 100644
--- a/main.py
+++ b/main.py
@@ -5,7 +5,6 @@ import os
 sys.path.append(os.path.abspath("src"))
 
 from src.training_model import train_model
-from src.prediction import predict_price  # Peut maintenant être importé dès le début
 from src.gui import show_gui  # Import propre et structuré
 
 def main():
@@ -15,7 +14,7 @@ def main():
     # Entraîner le modèle
     train_model()
     print("Modèle entraîné avec succès !")
-
+    from src.prediction import predict_price
     # Lancer l'interface graphique après l'entraînement
     print("Lancement de l'interface graphique...")
     show_gui(predict_price)
diff --git a/run.sh b/run.sh
new file mode 100644
index 0000000..2d9a479
--- /dev/null
+++ b/run.sh
@@ -0,0 +1,27 @@
+#!/bin/bash
+
+echo "🚀 Activation de l'environnement virtuel..."
+
+# Vérifier si l'environnement virtuel existe
+if [ ! -d "ftlinear" ]; then
+    echo "🛠 Création de l'environnement virtuel..."
+    python3 -m venv ftlinear
+fi
+
+# Détecter si le système est Debian/Ubuntu avec PEP 668 (éviter l'erreur `externally-managed-environment`)
+if grep -q "externally-managed" /usr/lib/python*/EXTERNALLY-MANAGED 2>/dev/null; then
+    echo "⚠️  Système avec gestion des paquets restreinte. Utilisation de '--break-system-packages'."
+    PIP_EXTRA="--break-system-packages"
+else
+    PIP_EXTRA=""
+fi
+
+# Activer l'environnement virtuel
+source ftlinear/bin/activate
+
+echo "📦 Installation des dépendances..."
+pip install --upgrade pip $PIP_EXTRA
+pip install -r requirements.txt $PIP_EXTRA
+
+echo "🎯 Exécution du programme..."
+python main.py
diff --git a/src/prediction.py b/src/prediction.py
index f173b80..0eebfbf 100644
--- a/src/prediction.py
+++ b/src/prediction.py
@@ -1,15 +1,17 @@
 import numpy as np
 import pandas as pd
+import os
 
-# Charger les valeurs min/max pour la dé-normalisation
-df = pd.read_csv("data/data_normalized.csv")
+# Génère le chemin absolu basé sur l’emplacement du script
+file_path = os.path.abspath(os.path.join(os.getcwd(), "data", "data_normalized.csv"))
+df = pd.read_csv(file_path)
 km_min, km_max = df["km"].min(), df["km"].max()
 price_min, price_max = df["price"].min(), df["price"].max()
 
 def predict_price(km):
     """Prédit le prix d'une voiture en fonction du kilométrage donné en entrée."""
     # Charger les paramètres optimisés (entraînés sur des données normalisées)
-    theta_0, theta_1 = np.load("model.npy")
+    theta_0, theta_1 = np.load("data/model.npy")
 
     # Normaliser le kilométrage
     km_norm = (km - km_min) / (km_max - km_min)
diff --git a/src/training_model.py b/src/training_model.py
index 9088ad6..425a4bf 100644
--- a/src/training_model.py
+++ b/src/training_model.py
@@ -17,13 +17,13 @@ def train_model():
     theta_0_init = 0
     theta_1_init = 1
     learning_rate = 0.1 # Taux d'apprentissage
-    iterations = 10000
+    iterations = 1000
 
     # Exécuter la descente de gradient
     theta_0_opt, theta_1_opt, cost_history = gradient_descent(X, y, theta_0_init, theta_1_init, learning_rate, iterations)
 
     # Sauvegarder les paramètres optimisés
-    np.save("model.npy", [theta_0_opt, theta_1_opt]) # Sauvegarde des paramètres optimisés dans un fichier .npy
+    np.save("data/model.npy", [theta_0_opt, theta_1_opt]) # Sauvegarde des paramètres optimisés dans un fichier .npy
     print("Modèle entraîné et paramètres sauvegardés.")
     print(f"Paramètre optimisé θ₀ = {theta_0_opt}")
     print(f"Paramètre optimisé θ₁ = {theta_1_opt}")