Yacine Mezali

Pilotage d'une campagne d'annotation à grande échelle pour un dataset de classification d'images Évaluation de la robustesse de modèles CNN via des attaques adversariales (FGSM, PGD, CW) accuracy après attaque 60% Optimisation des performances de modèles de classification d'images accuracy 95% Développement d'un modèle prédictif pour la prévision des investissements futurs en France (Business France) MAE : ~80 à 120 projets/an MAPE : 10% – 15% R² : 0.75 – 0.85 Detection d'anomalie pour le cas d'usage recepteur GSM R Conception d'un système de pilotage de réseau électrique basé sur l'apprentissage par renforcement sur un ensemble de 200 scénarios de panne, le système était capable de proposer une stratégie de résolution efficace dans près de 90 % des cas. Conception d'outils basés sur le NLP pour l'amélioration de la qualité de la base de données client (enedis) classifcation de documents clients F1 score de 90% Conception de modèles prédictifs pour la prédiction des raccords électriques cas d'usage Enedis : MAE : 12 raccordements en erreur absolue moyenne par zone et par mois ; RMSE : 18 raccordements, permettant de capter les variations plus fortes sur certaines zones à forte activité ; MAPE : 8,7 %, soit une amélioration d'environ 22 % par rapport au modèle de référence historiquement utilisé. Stack : Python, Pytorch, pandas, SQL,DQN , modélisation statistique , séries temporelles , Deep Reinforcement learning , gradient boost , random forest , DQN , actor-critic , reinforce

computer vision,Detection d'anomalie, traitement d'image

Pilotage d’une campagne d’annotation à grande échelle pour un dataset de classification d’images

Évaluation de la robustesse de modèles CNN via des attaques adversariales (FGSM,PGD, CW)

Optimisation des performances de modèles de classifi cation d’images

Développement de modèles prédictifs pour des cas d’usage métier (Business France)

Detection d'anomalie pour le cas d'usage production GSM R

Stack

Python, computer vision, Pytorch,Detection d'anomalie, traitement d'image

Pilotage d'une campagne d'annotation à grande échelle pour un dataset de classification d'images Évaluation de la robustesse de modèles CNN via des attaques adversariales (FGSM, PGD, CW) accuracy après attaque 60% Optimisation des performances de modèles de classification d'images accuracy 95% Utilisation de YOLO pour la detection de plaques d'immatriculation Développement d'un modèle prédictif pour la prévision des investissements futurs en France (Business France) MAE : ~80 à 120 projets/an MAPE : 10% – 15% R² : 0.75 – 0.85 Detection d'anomalie pour le cas d'usage recepteur GSM R Conception d'un système de pilotage de réseau électrique basé sur l'apprentissage par renforcement sur un ensemble de 200 scénarios de panne, le système était capable de proposer une stratégie de résolution efficace dans près de 90 % des cas. Conception d'outils basés sur le NLP pour l'amélioration de la qualité de la base de données client (enedis) classifcation de documents clients F1 score de 90% Conception de modèles prédictifs pour la prédiction des raccords électriques cas d'usage Enedis : MAE : 12 raccordements en erreur absolue moyenne par zone et par mois ; RMSE : 18 raccordements, permettant de capter les variations plus fortes sur certaines zones à forte activité ; MAPE : 8,7 %, soit une amélioration d'environ 22 % par rapport au modèle de référence historiquement utilisé. Stack : Python, Pytorch, pandas, SQL,DQN , modélisation statistique , séries temporelles ,

Deep Reinforcement learning , gradient boost , random forest , DQN , actor-critic , reinforce

computer vision,Detection d'anomalie, traitement d'image