Data Scientist / AI Specialist

Intégration du programme de mobilité ISblue en tant que doctorante pour finaliser une thèse en intelligence artificielle appliquée à la télédétection et aux données satellitaires.

• Conduite d'une recherche approfondie sur les modèles d'IA pour l'analyse des données de télédétection multi-capteurs.
• Rédaction de deux articles scientifiques de niveau Q1 en intelligence artificielle et télédétection.
• Participation à des travaux collaboratifs du laboratoire LETG-Brest sur l'analyse géospatiale.

Intégration d'une équipe data pour supporter un projet dans le secteur agricole en créant des solutions d'analyse et de visualisation de données.

• Conception et développement de tableaux de bord dynamiques sous Power BI pour l'analyse des données agricoles.
• Structuration et nettoyage des données stockées dans MySQL.
• Intégration de données géospatiales via QGIS pour enrichir les analyses.

Intégration de l'équipe data d'une chaîne de télévision pour moderniser la gestion des données financières et développer une application de planification intelligente.

• Conception et implémentation d'un processus ETL complet dans SSIS pour automatiser l'extraction, la transformation et le chargement des données vers SQL Server.
• Création de tableaux de bord dynamiques dans Power BI pour l'analyse et la visualisation des données financières.
• Développement d'une application web innovante pour la prédiction des précipitations et de la température utilisant une couche d'intelligence artificielle.
• Intégration de modèles LLM et RAG via LangChain pour optimiser l'allocation des ressources (journalistes et techniciens).
• Travail avec Google Earth Engine pour l'analyse de données géospatiales.

Conduite d'un projet de recherche appliquée sur l'analyse de la dynamique des zones humides côtières en Bretagne en utilisant le deep learning sur images satellites.

• Collecte et prétraitement des images satellites haute résolution à l'aide de QGIS et de bibliothèques Python spécialisées (Rasterio, NumPy, Matplotlib).
• Application de techniques de segmentation d'images et de classification spatiale pour identifier les changements temporels dans les zones humides.
• Entraînement et comparaison de plusieurs modèles de deep learning (CNN, U-Net, FCN-ResNet50) avec TensorFlow et PyTorch pour la détection automatique des variations de surface.
• Évaluation de la performance des modèles en calculant des métriques précises (précision, rappel, F1-score, Kappa).
• Documentation de l'ensemble de la méthodologie et des résultats pour publication scientifique.

Développement et évaluation de modèles de deep learning pour la classification des types de sol basée sur l'imagerie satellitaire.

• Conduite d'une étude comparative approfondie entre les architectures CNN classiques et les Capsule Networks (CapsNet) pour la classification des types de sol.
• Prétraitement et augmentation des données d'entraînement pour améliorer la généralisation des modèles.
• Implémentation et entraînement des modèles avec TensorFlow, en optimisant les hyperparamètres.
• Évaluation des performances à l'aide de Scikit-learn et génération de rapports d'analyse.
• Création de visualisations des résultats avec Matplotlib pour interpréter les classifications spatiales.