Data Scientist

A intégré l'équipe data d'un bureau d'ingénierie automotive pour développer des modèles hybrides de détection d'anomalies sur des données de simulation.

• A conçu et implémenté des modèles AutoCrashCheck combinant Isolation Forest avec extraction de features basée sur des règles métier.
• A intégré l'explainabilité SHAP pour identifier les features contributrices majeures et produire des rapports d'évaluation de risque lisibles (PDF/JSON).
• A automatisé les pipelines de validation en Python, réduisant les cycles de revue manuelle de 70%.
• A mis en place le suivi de la télémétrie des modèles et des performances par étapes dans PostgreSQL pour l'analyse comparative (latence p50/p95, distribution des verdicts).

A participé à un projet de segmentation aérienne pour une plateforme de cartographie et d'analyse d'imagerie satellite.

• A entraîné un modèle UNet léger atteignant 83,34 % IoU, 85,2 % de précision et 87,1 % de recall sur l'imagerie aérienne.
• A optimisé l'inférence GPU pour atteindre 312 FPS avec un modèle de 382K paramètres, soit 7× plus rapide que le UNet baseline.
• A comparé DeepLabV3+, SegFormer et plusieurs baselines non supervisés (SLIC, K-Means) avant de sélectionner l'architecture de production.

A développé un classifieur de prédiction de churn client sur données tabulaires déséquilibrées.

• A construit un modèle atteignant 80 % de recall et 70 % de précision sur des données imbalancées.
• A piloté le suivi complet des expériences et la gestion des versions de modèles dans MLflow couvrant le prétraitement et les comparaisons d'algorithmes.
• A préparé les datasets de modélisation via des pipelines ETL automatisés incluant gestion des valeurs manquantes et encodage des features.