Julie B.

Stage au sein des équipes de Toxicologie et Data Science. J’ai transformé un outil Excel interne, utilisé pour estimer la pénétration cutanée de molécules cosmétiques à partir d'une équation de physico-chimie, en une API Python performante et maintenable. Ce travail a impliqué la refactorisation complète du code, l’automatisation des calculs, la mise en place de tests unitaires, et l’optimisation de la performance. J’ai également assuré l’intégration de l’API dans l’environnement de l’entreprise et rédigé une documentation technique et scientifique claire pour les développeurs les utilisateurs finaux.

J’ai construit un pipeline complet pour classifier les sols (urbain, agricole, naturel) à partir d’images multispectrales Sentinel-2 : extraction d’indices spectraux (NDVI, SAVI) et de filtres de contours (Sobel), zonage manuel sur QGIS, conversion raster → tableau de features, puis entraînement/optimisation de modèles SVM et Random Forest. Le modèle SVM atteint plus de 85 % de précision, avec cartographie finale interprétable et documentation garantissant la reproductibilité.

Projet visant à automatiser l’identification de quatre types de globules blancs (éosinophiles, lymphocytes, monocytes, neutrophiles). À partir d’un jeu de données Kaggle de 12 500 images annotées, j’ai : (1) prétraité les clichés (redimensionnement, normalisation, augmentation et rééquilibrage des classes) ; (2) conçu un réseau de neurones convolutifs sous Keras/TensorFlow atteignant 96,5 % d’accuracy sur le test ; (3) généré matrices de confusion, F1-score et visualisations pour analyser les confusions ; (4) comparé le CNN à des modèles Scikit-learn plus simples, démontrant un gain substantiel ; (5) documenté le pipeline et proposé des pistes pour réduire le surapprentissage observé sur certaines classes .