Welcome to Check's freelance profile!
Location and workplace preferences
- Location
- Paris, France
- Can work onsite in your office in
-
- around Paris and 50km
Preferences
- Project length
-
- ≤ 1 week
- ≤ 1 month
- Between 1-3 months
- Between 3-6 months
- ≥ 6 months
- Business sector
-
- Aviation & Aerospace
- Digital & IT
- Agriculture
- Architecture & Urban Planning
- Automobile
+16 autres
- Company size
-
- 1 person
- 2-10 people
- 11 - 49 people
- 50 - 249 people
- 250 - 999 people
+2 autres
Verifications
Freelancer code of conduct signed
Read the Malt code of conduct
Reputation
Loading...
Languages
Categories
Skills (48)
- BigData
-
- Data Science
-
-
Check in a few words
đź’ą Ingénieur expérimenté, Data scientist et passionné par l’apprentissage automatique, j'ai pu acquérir de solides expériences en tant que data scientist sur les projets Olist, Locam (Banque en finance), IFruit, ou encore sur les données de la Banque Mondiale.
đź“ŠJe propose mes services en data :
- création de modèles prédictifs,
- Création de modèle de scoring sur les clients d'une banque pour l'octroi ou non de crédit,
- Analyse d'anomalie comme la détection de fraude,
- Apprentissage supervisé et non supervisé,
- Computer vision, analyse sémantique (NLP),
- Segmentation de clients,etc...
Par ailleurs, je suis formateur sur le Machine learning, et l’écosystème python concernant le Big Data.
đź“„Pour plus de renseignements sur les attentes de vos projets, n’hésitez pas à m'écrire/m'appeler pour mieux appréhender la problématique des dits projets.
✨Mon TJM est indicatif et varie en fonction de la complexité de la mission, et de sa durée. Nous pouvons en discuter.✨
đź“ŠJe propose mes services en data :
- création de modèles prédictifs,
- Création de modèle de scoring sur les clients d'une banque pour l'octroi ou non de crédit,
- Analyse d'anomalie comme la détection de fraude,
- Apprentissage supervisé et non supervisé,
- Computer vision, analyse sémantique (NLP),
- Segmentation de clients,etc...
Par ailleurs, je suis formateur sur le Machine learning, et l’écosystème python concernant le Big Data.
đź“„Pour plus de renseignements sur les attentes de vos projets, n’hésitez pas à m'écrire/m'appeler pour mieux appréhender la problématique des dits projets.
✨Mon TJM est indicatif et varie en fonction de la complexité de la mission, et de sa durée. Nous pouvons en discuter.✨
Portfolio
Experience
IFruit
Agriculture
Data scientist en charge du déploiement dans le cloud d’un modèle de classification des images de fruits
- Déploiement dans le cloud d’un modèle de classification des images de fruits.
- Utilisation d’un notebook Spark avec PySpark dans le cloud (notebooks AWS EMR).
- Extraction de features par prétraitements d’un ensemble d’images par CNN avec la bibliothèque Deep Learning Pipelines.
- Utilisation de l’ecosystème Hadoop
- Mise en œuvre d’une architecture big data avec Spark sur AWS, EMR , S3.
- Utilisation d’un notebook Spark avec PySpark dans le cloud (notebooks AWS EMR).
- Extraction de features par prétraitements d’un ensemble d’images par CNN avec la bibliothèque Deep Learning Pipelines.
- Utilisation de l’ecosystème Hadoop
- Mise en œuvre d’une architecture big data avec Spark sur AWS, EMR , S3.
Locam - organisme de crédit
Banking & Insurance
Data scientist en charge de déployer en ligne un modèle d’évaluation (classification) d'octroi de crédit - As a freelancer
- Déployer en ligne un modèle d’évaluation (classification) des prospects pour une société de crédit.
- Rééquilibrage des données. Création d’une métrique métier, ajustement du modèle avec Hyperopt.
- Rédaction d’une note de méthodologie
- Création d’API avec Flask.
- Conception avec un tableau de bord avec Streamlit mis en ligne sur Heruku.
- Mise en œuvre d’une architecture big data avec Spark sur Azure
- Rééquilibrage des données. Création d’une métrique métier, ajustement du modèle avec Hyperopt.
- Rédaction d’une note de méthodologie
- Création d’API avec Flask.
- Conception avec un tableau de bord avec Streamlit mis en ligne sur Heruku.
- Mise en œuvre d’une architecture big data avec Spark sur Azure
Place du marché
Retail (Small Business)
Classement automatique des bien de consommation
- Utilisation de la plateforme Dataiku
- Automatisation de la classification des biens de consommation à partir d’une image et d’une description.
- Pré-traitement des images : whitening, equalization avec openCV
- Data augmentation : cropping, mirroring, contraste, redimensionnement avec openCV et Pillow
- Mise en oeuvre par Transfer Learning d'un modèle CNN adapté à la problématique : Inception ResNetV2
- Prétraitement de données textuelles non structurées avec NLTK et extraction de features (tf-idf, NMF, LDA) avec scikit-learn.
- Encodage par Universal Sentence Encoder avec Tensorflow.
- Prétraitement des données visuelles (images) et comporte l’extraction de features avec l’algorithme ORB e SIFT
- Création d’un « sac de mots visuels » « bag of words » avec OpenCV.
- Représentation vectorielle de mots (Word Embedding) : Word2Vec, DistilBert, Glove, FastText
- Utilisation des transformes BERT et USE
- Utilisation d’un réseau de neurones convolutionnels préformés avec Keras.
- Automatisation de la classification des biens de consommation à partir d’une image et d’une description.
- Pré-traitement des images : whitening, equalization avec openCV
- Data augmentation : cropping, mirroring, contraste, redimensionnement avec openCV et Pillow
- Mise en oeuvre par Transfer Learning d'un modèle CNN adapté à la problématique : Inception ResNetV2
- Prétraitement de données textuelles non structurées avec NLTK et extraction de features (tf-idf, NMF, LDA) avec scikit-learn.
- Encodage par Universal Sentence Encoder avec Tensorflow.
- Prétraitement des données visuelles (images) et comporte l’extraction de features avec l’algorithme ORB e SIFT
- Création d’un « sac de mots visuels » « bag of words » avec OpenCV.
- Représentation vectorielle de mots (Word Embedding) : Word2Vec, DistilBert, Glove, FastText
- Utilisation des transformes BERT et USE
- Utilisation d’un réseau de neurones convolutionnels préformés avec Keras.
Edge Tecnologico SL
Education & E-learning
Analyse des données de la Banque mondiale sur les systèmes éducatifs afin d’éclairer un projet d’expansion internationale
- Analyse des données de la Banque mondiale sur les systèmes éducatifs afin d’éclairer un projet d’expansion internationale d’une entreprise EdTech.
- Création d’un graphique Python interactif avec JupyterLab.
- Manipulation et inspection des données avec Pandas et Numpy. Visualisation de données avec Matplotlib et Seaborn
- Création d’un graphique Python interactif avec JupyterLab.
- Manipulation et inspection des données avec Pandas et Numpy. Visualisation de données avec Matplotlib et Seaborn
Santé publique France
Health & Wellness
Application en lien avec l’alimentation au service de la santé publique
- Présenter une application de santé publique utilisant des données OpenFoodFacts.
- Nettoyage des données avec Pandas,
- Réduction de dimension avec scikit-learn.
- Analyses statistiques univariées et multivariées avec Scipy et Numpy.
- Visualisation des données
- Détection et suppression des outliers : boxplot et test de Grubb
- Analyse multivariée : pairplot, matrice de corrélation, ANOVA
- Suppression des mots courants(stopwords), nuage de mots(wordcloud)
- Vectorisation Tf, cosinus de similarité
- Prédiction du grade nutritionnel avec l'algorithme k-NN.
- Nettoyage des données avec Pandas,
- Réduction de dimension avec scikit-learn.
- Analyses statistiques univariées et multivariées avec Scipy et Numpy.
- Visualisation des données
- Détection et suppression des outliers : boxplot et test de Grubb
- Analyse multivariée : pairplot, matrice de corrélation, ANOVA
- Suppression des mots courants(stopwords), nuage de mots(wordcloud)
- Vectorisation Tf, cosinus de similarité
- Prédiction du grade nutritionnel avec l'algorithme k-NN.
Olist
Retail (Small Business)
Segmentation des clients d'un site e-commerce
- Regroupement marketing non supervisé des clients du site Olist.
- Prétraitement et fonctionnalités d’ingénierie avec Pandas et scikit-learn.
- Clustering à l’aide d’algorithmes de mise en clusters hiérarchiques, k means et DBSCAN.
- Réductions dimensionnelles par t-SNE, PCA
- Marketing caractérisation des clusters.
- Définition du tableau de bord des segments facilement exploitable par l’équipe marketing.
- Déterminer l'importance relative des variables de chaque cluster en utilisant ANOVA
- Détermination de l’intervalle de temps pour la maintenance du modèle par l’analyse de flux
- Etude de la stabilité temporelle des clusters.
- Prétraitement et fonctionnalités d’ingénierie avec Pandas et scikit-learn.
- Clustering à l’aide d’algorithmes de mise en clusters hiérarchiques, k means et DBSCAN.
- Réductions dimensionnelles par t-SNE, PCA
- Marketing caractérisation des clusters.
- Définition du tableau de bord des segments facilement exploitable par l’équipe marketing.
- Déterminer l'importance relative des variables de chaque cluster en utilisant ANOVA
- Détermination de l’intervalle de temps pour la maintenance du modèle par l’analyse de flux
- Etude de la stabilité temporelle des clusters.
Seattle
Civil Engineering
Prédire les émissions de CO2 et la consommation totale d’énergie de bâtiments en se basant sur des bases de données existantes.
- Modélisation de la consommation d’électricité et des émissions de CO2 des bâtiments publics à Seattle.
- Création d’un pipeline de prétraitement et de modélisation.
- Prendre en compte la fuite de données pour les prédictions.
- Automatisation des processus : Pipeline
- Normalisation des variables de relevés de différentes années
- Encodage variables catégorielles : OneHotEncoding, CountEncoding, TargetEncoding, CatBoostEncoding
- Standardisation des variables : StandardScaler
- Choix de la métrique RMSE fonction du problème
- Sélection du modèle et des hyperparamètres par recherche aléatoire et validation croisée
- Comparaison de différents algorithmes : régression linéaire, SVM, kNN, forêts aléatoires, boosting avec scikit learn et réseau de neurone avec Keras.
- Modèles baselines, hyper-paramétrage des modèles SVM, Ridge, Random Forest, Gradient Boosting de Scikit-Learn avec GridSearchCV
- Analyse des résultats obtenus : RMSE, temps d’exécution, importance des features, courbe d'apprentissage.
- Création d’un pipeline de prétraitement et de modélisation.
- Prendre en compte la fuite de données pour les prédictions.
- Automatisation des processus : Pipeline
- Normalisation des variables de relevés de différentes années
- Encodage variables catégorielles : OneHotEncoding, CountEncoding, TargetEncoding, CatBoostEncoding
- Standardisation des variables : StandardScaler
- Choix de la métrique RMSE fonction du problème
- Sélection du modèle et des hyperparamètres par recherche aléatoire et validation croisée
- Comparaison de différents algorithmes : régression linéaire, SVM, kNN, forêts aléatoires, boosting avec scikit learn et réseau de neurone avec Keras.
- Modèles baselines, hyper-paramétrage des modèles SVM, Ridge, Random Forest, Gradient Boosting de Scikit-Learn avec GridSearchCV
- Analyse des résultats obtenus : RMSE, temps d’exécution, importance des features, courbe d'apprentissage.
Formation continue - A.A.F.C action apprentissage formation continue
Education & E-learning
Formateur - As a freelancer
- Python pour data scientist
- Fondamentaux du Machine Learning & algorithmes d'optimisation
- Cours de mathématiques : Algèbre linéaire, équation différentielle, calcul vectoriel, etc...
- Statistiques & probabilité autour du machine learning
- Fondamentaux du Machine Learning & algorithmes d'optimisation
- Cours de mathématiques : Algèbre linéaire, équation différentielle, calcul vectoriel, etc...
- Statistiques & probabilité autour du machine learning
Ginger - GINGER BLUE
Project Manager
Management:
- Organising teamwork ensuring compliance with the internal organisational processes
- Business analyst prompting how to effectively improve processes and functionalities in the project.
- Sprint Planning (developing the scope of work to be performed),
- Daily Scrum (work planning for the next twenty-four hours and assessment of work performed), productive work,
- Sprint Review (inspection of the work done and presentation of the finished part of the product) Software development:
- Using Java & Matlab APIs for interfaces development (Swing ,Jtree, JTable, JPanel, etc.)
- Using Jasper Report to export Excel sheets. Geotechnical development:
- Software development in java within calculation of the permeability of different geological layers crossed by a drilling
- Using French standards of application of Eurocode 7: NF EN ISO 22282 for geo hydraulic tests.
- Shallow, semi-deep and deep foundations.
- Bearing capacity of semi-deep skirted foundations on clay using stress characteristics and finite element analyses
- Design of Shallow and Deep Foundations
- Organising teamwork ensuring compliance with the internal organisational processes
- Business analyst prompting how to effectively improve processes and functionalities in the project.
- Sprint Planning (developing the scope of work to be performed),
- Daily Scrum (work planning for the next twenty-four hours and assessment of work performed), productive work,
- Sprint Review (inspection of the work done and presentation of the finished part of the product) Software development:
- Using Java & Matlab APIs for interfaces development (Swing ,Jtree, JTable, JPanel, etc.)
- Using Jasper Report to export Excel sheets. Geotechnical development:
- Software development in java within calculation of the permeability of different geological layers crossed by a drilling
- Using French standards of application of Eurocode 7: NF EN ISO 22282 for geo hydraulic tests.
- Shallow, semi-deep and deep foundations.
- Bearing capacity of semi-deep skirted foundations on clay using stress characteristics and finite element analyses
- Design of Shallow and Deep Foundations
University of Liverpool
Programming in matlab & fortran for secular variation studies
2 recommendations
Check out Check's recommendations