Bienvenue sur le profil Malt de Nora !

Malt vous permet d'accéder aux meilleurs consultants freelances pour vos projets. Contactez Nora pour échanger sur votre besoin ou recherchez d'autres profils sur Malt.

Nora Bkh

data scientist - machine learning engineer

Peut se déplacer à Paris

  • 48.8546
  • 2.34771
Proposer un projet La mission ne démarrera que si vous acceptez le devis de Nora.
Proposer un projet La mission ne démarrera que si vous acceptez le devis de Nora.

Localisation et déplacement

Localisation
Paris, France
Peut travailler dans vos locaux à
  • Paris et 50km autour

Préférences

Durée de mission
  • entre 1 et 3 mois
  • entre 3 et 6 mois
  • ≥ 6 mois
Secteur d'activité
Préfèrerait :
  • Aéronautique & aérospatiale
  • Agence & SSII
  • Agroalimentaire
  • Automobile
  • Banque & assurances
+9 autres
Préfèrerait éviter:
Education & e-learning
Taille d'entreprise
  • 2 - 10 personnes
  • 11 - 49 personnes
  • 50 - 249 personnes
  • 250 - 999 personnes
  • 1000 - 4999 personnes
+1 autres

Vérifications

Langues

Catégories

Compétences (19)

Nora en quelques mots

Data Scientist passionnée, avec un bagage mathématiques. Je cherche des missions dans le domaine de la Data Science, mais également de développement Python.

Mon objectif est de mettre à la disposition des entreprises mes compétences techniques en machine learning et deep learning afin de vous accompagner à la récupération / interprétation de vos besoins fonctionnels, jusqu’à la conception et mise en place d'une solution technique.



Mon expertise en data science :
- Traitement d'images: SIFT, CNN, FASTER-RCNN
- Traitement du langage naturel: BERT, WORD2VEC, RNN
- Segmentation et Traitement du signal.
- Collection, Visualisation et Analyse de données(WebScrapping, Dashbord...).
- Structuration, manipulation et agrégation des données.
- Réalisation des projets innovant d'automatisation, de Machine Learning.
- Conseils stratégiques pour valoriser les données.


Mes outils de travail :
- Machine Learning : Scikit-learn, XGBoost, NLTK, Gensim.
- Deep Learning : Pytorch, Keras, Tensorflow.
- L'analyse de données : Pantaho, Pandas, Numpy.
- Visualisation de données : Power BI, Tableau, Dataiku.
- Base de données : Sql, Sql3, Hive, Oracle.
- Développement web : PHP, JavaScript, HTML.



Au plaisir de travailler avec vous,

Portfolio

Portfolio uniquement accessible aux membres

Expériences

Eurailscout france

Transports

computer vision engineer

Paris, France

février 2021 - Aujourd'hui (9 mois)

Poursuite de la mise en œuvre du projet de reconnaissance d’image «logiciel de traitement automatisé des défauts de voie à base de réseaux neuronaux» en lien avec le partenaire SNCF  pour les images issues des engins, recherche d’applicatifs pour l’utilisation d’autres bibliothèques d’images (notamment données labellisées par des tiers):
- Utilisation du Faster RCNN pour la reconnaissance de défauts sur les images de rails.
- Évaluation de la performance des résultats obtenus (méthodes, processus).
- Préparation et mise en œuvre de l’industrialisation du processus d’analyse et d’apprentissage continu.
- Développement de nouveaux apprentissages et services pour localisation végétation et reconnaissance de la visibilité de signaux.

Groupe CGG

Industrie matières premières

Data scientist - Computer vision Engineer

Paris, France

janvier 2018 - novembre 2020 (2 ans et 10 mois)

Traitement du signal sismique brut dans le but de détecter le passage d’un train et l’estimation de ses caractéristiques :
- Filtrage par bandes de fréquences.
- Détection du signal du train à l’aide de la méthode STA/LTA.
- Analyse du signal pour extraire les caractéristiques du train (vitesse, numéro de voie, direction du train) .


Utilisation des algorithmes de machine learning en particulier le deep learning pour la détection et la reconnaissance de trains à partir de signaux sismiques :
- Définir les besoins et solutions relatifs à la préparation des données : Nettoyage des données, labellisation, conversion du signal en format image.
- Évaluer les différentes structures de réseaux à étudier en fonction des traitements et de la problématique physique(recherche bibliographique et tests).
- Implémenter les solutions envisagées :
- Algorithme de Clustering (PCA/Tsne +Kmeans ) ainsi qu’un deep classifier pour la détection de voies.
- Algorithme de Segmentation sémantique (Unet) pour détecter les signaux non interférer puis la segmentation d’instance (Mask RCNN) pour la séparation des instances de trains interférés.
- Algorithme de Détection d’objets(Faster RCNN) pour la détection des roues plates.
- Évaluation des résultats, méthodes : Accuracy, IoU, inertia.


Utilisation du deep learning pour la séparation des signaux des trains interférés:
- État de l’art des méthodes de séparation de source/signaux.
- Construction d’une base de données qui regroupe des signaux de trains superposés .
- Entraînement de différentes architectures: Unet, GAN et Open-Unmix.

Outils: Python, Pytorch, Sklearn, OpenCV, Pillow, Scipy, Tensorboard, Git, LabelImg, CUDA.

Lip6 - Laboratoire de recherche

Education & e-learning

CLEF 2019: Détection précoce des signes d'anorexie

Paris, France

janvier 2018 - juin 2018 (5 mois)

Analyse et classification de données textuelles pour la détection précoce des signes d'anorexie.
- Etat de l’art des méthodes de classification du texte.
- Pré-traitement des Documents : Nettoyage des données, sélection des caractéristiques pertinentes, représentation vectorielle des textes.
- Application desméthodes de texte mining(TF-IDF, Bagof word,Word embedding) afin d’obtenir les représentations Embedding (vectorielles) des différents mots qui constituent les textes en entrée.
- Utilisation des algorithmes d'apprentissage supervisé(SVM, MLP) et du deep
learning(LSTM, GRU, RNN) pour la classification des utilisateurs( anorexique ou pas).
- Évaluation des résultats, Méthodes: Accuracy, Recall, Precision.

Outils: Python : Sklearn , NLP, Numpy, NLTK.

Recommandations externes

Consultez les recommandations qu'a reçues Nora

Formations