About Ibrahim
Data Scientist avec une expertise couvrant l'intégralité du cycle de vie d'un projet : exploration et nettoyage des données, modélisation statistique et machine learning, visualisation, jusqu'au déploiement en production.
J'interviens sur trois grands types de missions :
- Prédiction & classification : prix, churn, immobilier — avec livraison d'un modèle déployé et documenté
- Segmentation & clustering : segmentation client, optimisation tarifaire ...
- Analyse & reporting : exploration de données RH, e-commerciales ou économiques, avec visualisations claires orientées décision
Mon approche est rigoureuse et orientée résultats : je livre des projets complets, de la première ligne de code à l'interface utilisateur (Streamlit) ou à l'API de production.
J'interviens plus largement sur tout projet data en Python nécessitant une expertise analytique ou prédictive : automatisation, traitement de données multi-sources, pipelines, études ad hoc.
Livrables :
- Modèles ML documentés et déployés (API ou application Streamlit)
- Rapports d'analyse clairs avec recommandations actionnables
- Dashboards interactifs et visualisations métier
- Code propre, versionné sur GitHub, réutilisable
Stack principale : Python (Pandas, Scikit-learn, Plotly, Polars), SQL avancé, Streamlit, Git/GitHub, déploiement, environnement Linux, Machine Learning, Clustering Segmentation client , Streamlit, Plotly NLP Git , Feature Engineering
French
Native or bilingual
Can work on-site
Strasbourg (up to 50km), Mulhouse (up to 10km), Paris (up to 10km)
Experience
- INRAEData scientistREAL ESTATEMarch 2024 - August 2024 (5 months)Avignon, FranceAnalyse du marché immobilier dans le département du VaucluseTâches réalisées :
- Exploration de données issues de différentes sources (DVF+, BPE, BD TOPO, transport.data.gouv.fr).
- Traitement, nettoyage et préparation des données.
- Analyses statistiques avancées (tendances, corrélations, Test Statistique etc.).
- Visualisation et représentation spatiale des données (QGIS).
- Réaliser des modèles statistiques prédictif pour estimer le prix (Regression linéaire, Xgbbost, Random Forest
- Collaboration avec les équipes métiers pour traduire les besoins en indicateurs exploitables.
- Conception de tableaux de bord et reportings automatisés pour le suivi d’indicateurs métiers.
Restitution :- Présentation des résultats auprès des chercheurs.
- Création d’un tableau de bord synthétique.
Compétences acquises :- Ingénierie de données
- Analyse statistique
- Analyse spatiale
- Développement et optimisation de modèles prédictifs
Communication- Restitution claire et pédagogique
- Rédaction de rapports
Savoir-être :Autonomie, rigueur, esprit d’équipe, curiosité et capacité d’apprentissage. - Université de RennesData AnalystENVIRONMENTALJune 2023 - September 2023 (3 months)Rennes, FranceAnalyse de la précarité énergétique en France
- Collecte de données issues de sources institutionnelles et gouvernementales.
- Nettoyage, traitement des données et feature engineering
- Analyses statistiques univariées et bivariées.
- Analyse en composantes principales (ACP).
- Développement de modèles de machine learning pour expliquer et analyser la précarité énergétique.
- Présenter et vulgariser les résultats auprès d’équipes interdisciplinaires
Outils utilisés : R et Python, avec des bibliothèques de traitement et de visualisation des données (dplyr, ggplot2), de machine learning (caret), et de clustering (k-means).
Recommendations
These freelancer profiles also match your criteria
Agatha Frydrych
Backend Java Software Engineer
4.7
(3)
2
Baptiste Duhen
Fullstack developer
4.6
(4)
5
Amed Hamou
Senior Lead Developer
4
(2)
7
Audrey Champion
Web developer
4.3
(3)
4
Education
- Formation Data Science & IA – MLProMachine Learnia – MLPro2026Formation intensive en Data Science — des fondamentaux à l'état de l'art Module 1 – Les 6 piliers de l'IA (Python, SQL, Git, travail collaboratif, terminal Linux (Bash, Poetry, uv, pyenv), frameworks de Data Science) Module 2 – Mathématiques (Algèbre linéaire, statistiques et probabilités, analyse et calcul mathématique) Module 3 – Machine Learning (Modèles linéaires, arbres de décision, K-Nearest Neighbors (KNN), Support Vector Machines (SVM), méthodes ensemblistes, clustering, réduction de dimension) Module 4 – Deep Learning (ANN, CNN, RNN, Transformers, YOLO, segmentation d'images...) Module 5 – MLOps (FastAPI, Docker, MLflow, Evidently AI) Module 6 – Data Engineering (PostgreSQL, dbt, Apache Airflow, Apache Spark...) Module 7 – Cloud (AWS, GCP, Azure, services de Machine Learning...) Module 8 – Large Language Models (LLMs), Agentic AI et génération d'images Module 9 – Apprentissage par renforcement
- Master de Mathématique Appliquée et Statistique Parcours sciences des données et econometrieUniversité de Rennes2024Statistiques, économétrie, Data Management, Data Visualisation, Analyse de données, Machine learning, Deep learning, IA, NLP