Description

Data scientist depuis 3 ans, développeur et entrepreneur, j'ai réalisé de nombreux applications sur des données volumineuses et de différentes natures (structurées ou pas). Mon champs de compétences comprend : apprentissage automatique, développement back-end (python/django, php/symfony, mysql, etc...). J'ai aussi un expertise CMS pour vous accompagner sur cet outil. Je travaille avec des open-sources car j'accorde une grande importance aux méthodes à l'état de l'art

Domaines d’expertise

Langues

Français
Bilingue ou natif
Anglais
Capacité professionnelle limitée

Préférences en matière de lieu de travail

Accepte de travailler sur site

Clermont-Ferrand (jusqu’à 50 km), Grenoble (jusqu’à 50 km), Lyon (jusqu’à 50 km)

UCA
Enseignant Chercheur
EDUCATION & E-LEARNING
novembre 2023 - Aujourd'hui (2 ans et 7 mois)
Clermont-Ferrand, France
Cours sur la sécurité informatique et web. Le volet recherche porte sur l’application de l’apprentissage par renforcement profond dans les réseaux de télécommunications
Reinforcement Learning Wifi Crypto Python PHP
Atos
Ing R&D
AGENCE & SSII
novembre 2020 - novembre 2023 (3 ans)
Paris, France
Implementation d’un système de détection de mauvais comportement (misbehaviour detection) dans le cloud pour les systèmes de transport intelligents coopératifs C-ITS à partir des rapports remontés par les véhicules connectés et autonomes
intelligence artificielle Application web
Association santé publique
Proposition d’application en lien avec l’alimentation au service de la santé publique.
SANTÉ & BIEN-ÊTRE
octobre 2019 - novembre 2019 (1 mois)
Paris, France
Données OpenFoodFacts : https://world.openfoodfacts.org/

Outils utilisés :
- Langage : Python 3.6
- Environnement : Windows - Anaconda - Jupyter Notebook
- Librairies : Pandas - Numpy - Matplotlib - Seaborn - Scikit-Learn - Scipy - re - nltk - Wordcloud

Travaux réalisés :
- Suppression des variables inutiles, des doublons
- Sélection des variables pertinentes à l'application
- Imputation des variables explicatives
- Suppression des ponctuations, accents, chiffres puis lemmatisation des variables textuelles.
- Analyse univariée : distplot et pie pour la distribution des variables numérique(resp. catégorielles).
- Détection et suppression des outliers : boxplot et test de Grubb
- Analyse multivariée : pairplot, matrice de corrélation, ANOVA
- Suppression des mots courants(stopwords), nuage de mots(wordcloud)
- Vectorisation Tf, cosinus de similarité
- Prédiction du grade nutritionnel avec l'algorithme k-NN.
Analyse de données Data visualisation Machine learning NLP