Data Scientist | Ingénieur Machine Learning | Ingénieur Big Data

Développement de solutions de vision par ordinateur au laboratoire de recherche de l'Université de Mons destinées à l'assistance à la navigation des personnes déficientes visuelles.

• Conception et entraînement de modèles de détection d'objets temps réel (RT-DETR, DETR, Faster R-CNN) couvrant 40 classes d'obstacles et de repères urbains.
• Atteinte d'un mAP@50 de 0,56 avec des modèles spécialisés pour la détection des passages piétons présentant des performances nettement supérieures.
• Développement d'une chaîne de perception complète intégrant la détection, l'estimation de profondeur monoculaire (Depth Anything V2) et un retour audio spatialisé avec synthèse vocale française.
• Fiabilisation du protocole expérimental en supprimant les fuites train/test via déduplication pHash et en implémentant des splits reproductibles.
• Mise en place de tests unitaires et d'une évaluation rigoureuse via mAP, courbes précision-rappel et IoU.
• Rédaction d'un article scientifique en tant que premier auteur, présenté à la conférence TAIMA 2026 (Poitiers, juillet 2026) sur l'architecture multimodale de deep learning pour l'assistance à la navigation.

Conception d'un pipeline de prévision de bout en bout de la consommation électrique nationale dans le contexte d'un projet de certification (MSPR Blocs 3 et 4).

• Développement d'un modèle Random Forest atteignant un RMSE de 711 MW, un MAPE de 1,07 % et un R² de 0,995 pour la prévision de la consommation électrique.
• Orchestration de l'ingestion et des transformations de données avec Apache Airflow et Spark.
• Organisation du stockage des données brutes sur MinIO et des données modélisées sur PostgreSQL pour optimiser les performances et la scalabilité.
• Conteneurisation de la stack complète avec Docker pour faciliter le déploiement et la reproductibilité.
• Mise en place d'une supervision continue de la qualité des données et des performances du modèle via des tableaux de bord Grafana.
• Documentation de l'architecture technologique et présentation de la solution devant un jury de certification.

Pilotage d'un projet d'analyse et de segmentation de clients (Amazing) reposant sur le traitement de volumes massifs de données comportementales.

• Traitement et structuration de plus de 500 Go de données comportementales clients via des pipelines scalables et optimisés.
• Développement de modèles de clustering (K-Means, hiérarchique, DBSCAN) pour identifier et caractériser les segments à forte valeur et à risque.
• Réalisation d'un feature engineering approfondi et d'une réduction dimensionnelle pour extraire les variables les plus pertinentes.
• Identification des tendances d'achat, du cycle de vie client et des effets de saisonnalité impactant le comportement des clients.
• Formulation de recommandations stratégiques pour optimiser le ciblage marketing et maximiser le ROI des campagnes.

Participation à une compétition Kaggle interne visant à prédire le statut fumeur / non-fumeur à partir de données cliniques et comportementales.

• Développement et optimisation d'un modèle supervisé de classification du statut fumeur / non-fumeur.
• Réalisation d'une analyse exploratoire approfondie pour identifier les variables prédictives clés influençant le statut fumeur.
• Comparaison de plusieurs modèles (régression logistique, Random Forest, Gradient Boosting) via validation croisée et ajustement systématique des hyperparamètres.

Conception et implémentation d'une infrastructure complète de traitement de données à grande échelle intégrant les meilleures pratiques du Big Data et du DevOps.

• Conception et implémentation de pipelines ETL scalables avec PySpark pour l'ingestion et la transformation de grandes volumes de données.
• Intégration d'Elasticsearch pour l'indexation haute performance et la recherche temps réel.
• Gestion et optimisation des bases PostgreSQL et implémentation des bonnes pratiques de gestion des bases de données.
• Conteneurisation de l'ensemble des services avec Docker pour assurer la portabilité et la cohérence entre les environnements.
• Mise en place de pipelines CI/CD automatisés avec GitHub Actions pour le déploiement continu.
• Configuration d'un stockage objet distribué via MinIO et orchestration du déploiement sur infrastructure VPS.