Description

🎯 Data Scientist Junior, issu d’une formation orientée projets appliqués (OpenClassrooms x CentraleSupélec), avec un background quantitatif et une expérience en actuariat.

Je souhaite aujourd’hui consolider mes compétences en data science à travers une mission d’immersion professionnelle, équivalente à un stage, sur des problématiques data concrètes.

Au cours de ma formation, j’ai travaillé sur des projets couvrant les principales étapes d’un projet data : analyse exploratoire, modélisation machine learning, déploiement de modèles et visualisation de résultats, notamment dans des environnements cloud (AWS).

Ces projets m’ont permis d’acquérir de solides bases techniques et une première approche de l’industrialisation de solutions data.

Je suis particulièrement intéressé par des missions me permettant de monter en compétence au contact d’équipes data expérimentées, notamment sur des sujets de modélisation, de traitement de données, de pipelines ou de mise en production.

📊 Compétences clés (junior)

• Analyse et préparation de données (ETL, EDA)

• Modélisation ML (scoring, NLP, computer vision – niveau projet)

• Déploiement et visualisation (Streamlit, dashboards)

• Environnements cloud (AWS – notions opérationnelles)

🛠️ Stack : Python, R, SAS, Prophet, Spark, Docker, Git/GitHub Actions, Dataiku (notions), AWS, Streamlit, Plotly..

📍 Disponible immédiatement – mission courte (2–6 mois), format flexible type stage – présentiel ou en distanciel (Toute la France mais priorité Île-de-France)

Domaines d’expertise

Langues

Français
Bilingue ou natif
Anglais
Capacité professionnelle complète

Préférences en matière de lieu de travail

Accepte de travailler sur site

Thiais (jusqu’à 50 km), Lyon (jusqu’à 50 km), Bordeaux (jusqu’à 50 km), Lille (jusqu’à 50 km), Rennes (jusqu’à 50 km)

OPENCLASSROOMS
Data Scientist : Implémentation et déploiement d’un modèle de scoring
ASSOCIATIF ET SYNDICAL
novembre 2024 - février 2025 (3 mois)
Paris, France
Mise en place complète d’un projet de machine learning supervisé, depuis la conception jusqu’au déploiement en production dans un environnement cloud :

Construction d’un pipeline d’entraînement automatisé incluant la préparation des données, les tests d’algorithmes, et la sérialisation des modèles avec MLflow pour un suivi reproductible.

Stratégie de modélisation supervisée : évaluation comparative de plusieurs algorithmes, optimisation des hyperparamètres et gestion du déséquilibre des classes.

Évaluation rigoureuse des performances à l’aide de jeux de données distincts (train/test) et de métriques adaptées à la classification binaire (ROC AUC, F1-score, précision…).

Suivi de la dérive de données (data drift) pour anticiper les pertes de performance en production.

Déploiement du modèle sous forme d’API REST avec Flask, hébergée sur une plateforme cloud (Heroku), permettant une intégration continue.

Utilisation de Git et GitHub pour le versioning du code et la collaboration.
Machine learning flask Cloud computing Git/Github MLflow
OPENCLASSROOMS
Data scientist : Classification automatique de biens de consommation
ASSOCIATIF ET SYNDICAL
juillet 2024 - octobre 2024 (3 mois)
Classification automatique de biens de consommation :
Données : Images, description et catégorie du produit
Domaines : NLP , vision par ordinateur, apprentissage supervisé et non supervisé.
1. Prétraitement des données texte pour obtenir un jeu de données exploitable
2. Représentation graphique des données à grandes dimensions
3. Prétraitement des données image pour obtenir un jeu de données exploitable
4. Mise en œuvre des techniques de réduction de dimension
5. Utilisation des techniques d’augmentation des données
6. Définition de la stratégie de collecte de données en recensant les API disponibles
7. Définition de la stratégie d’élaboration de modèle d'apprentissage profond
8. Évaluation de la performance des modèles d’apprentissage profond selon différents critères
Natural Language Processing (NLP) Computer Vision API Deep Learning Python
Abeille Assurances
Actuaire gestion du capital - Alternance
BANQUE & ASSURANCES
septembre 2023 - mars 2025 (1 an et 6 mois)
Bois-Colombes, France
Au sein de l’équipe actuariat gestion du capital , j’ai contribué à la modélisation et l’analyse de la rentabilité des affaires nouvelles ainsi qu’à des études ALM (Asset Liability Management), dans le cadre de la gestion financière d’un portefeuille en assurance vie.

Missions principales :
Conception et mise en place d’outils de projection pour le calcul d’indicateurs de rentabilité (NBV, NBM) et de création de valeur (VIF, Surplus).

Participation aux études ALM, avec une analyse de l’impact des stratégies d’allocation d’actifs sur les métriques économiques (monde réel) et prudentielles (fonds propres, SCR, ratio de solvabilité).

Utilisation de Prophet pour la projection de flux et la modélisation actuarielle intégrée dans l’outil ALM.

Développement Python pour la ventilation des indicateurs projetés (NBV, VIF…) par model point.

Automatisation sous Excel/VBA pour l’extraction, le retraitement et l’analyse des résultats issus de Prophet.
Python Prophet VBA Microsoft Excel SAS SQL

Soyez le premier à recommander Landry

Contribuez à la réussite de ce freelance en partageant votre expérience de collaboration avec lui.

Agatha Frydrych

Backend Java Software Engineer

4.7

(3)

Baptiste Duhen

Fullstack developer

4.6

(4)

Amed Hamou

Senior Lead Developer

(2)

Audrey Champion

Web developer

4.3

(3)

S’inscrire pour les voir

Certification professionnelle « Expert en data science » Niveau 7 (Bac +5 /Master data science))
OpenClassrooms x CentraleSupélec
2025
Formation orientée projet avec 10 projets dont 9 techniques avec des données réelles et des missions de types entreprise. Outils utilisés : Jupyter Notebook ; Git/GitHub; Cloud computing (Infrastructure as a Service : AWS EC2 ; Platform as a Service: Heroku); SQL Lite [Quelques projets : -Analyse de données du système éducatif : Exploration et visualisation de données -Anticipez les besoins de consommation des bâtiments (gaz et électricité) : modélisation prédictive et interprétation des modèles avec SHAP. -Classification automatique de biens de consommation : NLP , vision par ordinateur, apprentissage supervisé et non supervisé. -Implémentation et déploiement d’un modèle de scoring : déploiement d’API Backend et utilisation de services cloud (Heroku); développement d'un frontend avec Streamlit]
Master Actuariat-Finance
Université de Montpellier
2022
Actuariat : Machine Learning pour l'assurance /Tarification vie et non vie /Provisionnement technique /Solvabilité 2 / Gestion Actif-Passif et modélisation ALM/ Traités de réassurance/ Finance : Calcul stochastique /Pricing d'instruments financiers /Gestion de portefeuille Logiciels utilisés : Python, R, Excel/VBA, E-Views

Consultez la formation qu'a suivie Landry

Landry Obame Oniane

Data Science | Python ML ·MLOps & Actuariat

À propos de Landry

Expériences

Recommandations

Ces profils de freelance correspondent également à vos critères

Formations

Compétences

Catégories