Cedric Gassuc Tchunkam

✅ Analyse des données toilettes provenant d'un calculateur numérique d'un TGV, permettant la détection de fuites des réservoirs(WWT, GWT), de la curve ect, à partir de la Maintenance Conditionnelle (CBM).

✅ Classification des défauts de pression des toilettes (modèle multimodal)

✅ Analyse de l'étanchéité des eaux grises (capteurs GWT) Optimisation des délais de diagnostic : −10 h par incident.

✅ Construire un modèle de scoring qui donnera une prédiction sur la probabilité de faillite d'un client de façon automatique.

✅ Analyser les features qui contribuent le plus au modèle, d’une manière générale (feature importance globale) et au niveau d’un client (feature importance locale), afin, dans un soucis de transparence, de permettre à un chargé d’études de mieux comprendre le score attribué par le modèle.

✅ Mettre en production le modèle de scoring de prédiction à l’aide d’une API et réaliser une interface de test de cette API.

✅ Mettre en œuvre une approche globale MLOps de bout en bout, du tracking des expérimentations à l’analyse en production du data drift.

✅ Définir la stratégie d’élaboration d’un modèle d’apprentissage non supervisé, sélectionner et entraîner des modèles adaptés à une problématique métier afin de réaliser une segmentation ou une réduction de données.

✅ Évaluer les performances des modèles d’apprentissage non supervisé selon différents critères (scores, temps d'entraînement, etc.) en adaptant les paramètres afin de choisir le modèle le plus performant pour la problématique métier.