Dramé Insa

Création d'un score de détection de l'inactivité à 12 mois pour le Groupe Nespresso sur les 4 marchés pilote (Suisse, France, Etats unis, Brésil) Application d'une méthodologie de classification pour détecter l'inactivité des clients Construction du modèle et optimisation des hyperparamètres.

Cadrage et de spécification fonctionnelle des besoins métiers pour des projets

Définition du besoin

Collaborer avec toute l’équipe,

· Participer aux ateliers métier pour la compréhension du besoin,

· Proposer des solutions Analytics et IA selon les les marchés pilote,

· Concevoir ces solutions de transformations en collaboration avec toute l'equipe IT,

Animer la communauté IA & Analytics avec des sessions de prises en main, bonnes pratiques

· Chiffrer, développer, tester et restituer des prototypes en phase avec le besoin métiers,

Construction du modèle et optimisation des hyperparamètres.

Data Cleaning, Data Integration, Data transformation, Feature engineering and Selection, Models Machine Learning, Deep learning.

Préparateur aux utilisateurs de l'entité Marketing à l’outil Dataiku.

Contrôle Complétude et Fraicheurs des Dashboards sur Tableau server.

Clustering

Projets réalisés :

 Définition du besoin puis extraction des données sur PostgreSQL

 Analyse exploratoires univariées et multivariées

 Visualisation des données, identification des futures variables clés

 Segmentation de la clientèle via des méthodes de clustering sur Python

 Utilisation de la segmentation sur Tableau desktop pour cartographier et

analyser les typologies de points de vente sur le territoire français à partir du

profil sociodémographique (âge, revenu, ménage,) de leur clientèle

 Réalisation des spécifications techniques pour la mise en œuvre

Application d’une méthodologie de classification pour détecter

l'inactivité des clients sur Dataiku DSS(ML, visualization, Data

preparation, MLops).

 Contrôle et Complétude et fraicheur des Dashboards(Tableau server, Dataiku)

 DataCleaning,Dataprocessing MachineLearning,Deep learning.

 Réfèrent préparateur aux utilisateurs à l’outil Dataiku DSS

 Environnement technique:

python · Tableau, git, gitlab, github

Reconnaissance et traitement d’images :

Projets réalisés :

 Système de traitement d'image pour la reconnaissance de l'état de

qualité composants Ferroviaires (lames, butée. ..)

 Utilisation d'algorithmes de Deep Learning (CNN, RNN, Data

augmentation, YoloV5, Opencv..)

 Création d’un modèle prédictif/Métrique : MAPE, Loss, Accuracy,

Précision, ensuite un déploiement CPU, GPU en TFlite, Keras

 Environnement technique :

 android Studio · Computer Vision : reconnaissance d'objets et traitement

d'image CNN,RNN,ANN, YoloV5... · Python

-Réalisation des spécifications techniques pour la mise en œuvre d'un système embarqué de tri d'objets lames et butée à recycler pour Vape Rail

- Développement et enrichissement de la base de données

Projet:"SNCF Diminution du taux de Fraude TER Grand Est" Machine Learning,deep learning, Python : clustering, time series,modelisation polynomiale

Cadrage et de spécification fonctionnelle des besoins métiers pour des projets

Définition du besoin puis extraction des données sur PostgreSQL

Analyse exploratoires univariées et multivariées

• Optimisation des tournées des contrôles :

• Constitution de l'ensemble des tournées à partir de l'API SNCF selon les contraintes

• Création de modèles prédictifs sur la fraude :

• Data Cleaning, Data processing Machine Learning, Deep learning.

• Création d'un modèle prédictif sur la fraude :

• Métrique Pour évaluer ces modèles :

• Courbe de ROC- AUC, accuracy, précision, sensibilité. Regression: MSE/ MAE Time Series (ARIMA): MAPE, LOSS

• Algorithmes appliqués en Machine Learning

• Régression : Régression linéaire, GLM, se rapporter à un modèle multi classes (faire des classes avec les nombres d'évènements par ligne, sous lignes...)

• Polynomial avec pipeline

• Classification :

• Random Forest, Boosting, XGBoost, SVM, Clustering

• Régression logistique, SVM, Bagging Random Forest avec regroupement par cluster heure, Création de deux classes séparées par le deuxième quantile.

• Environnement Technique :

• R, HTML, CSS, SQL, Tableau software, Microsoft azure, Oracle, Jenkins

• Pyspark, Apache Spark, power BI, SAS, Heroku, Streamlit ,Dataiku, Tableau

• Python libraries: NumPy, scikit- Learn, seaborn, bokeh, Matplotlib, SciPy, Pandas….