Jean-Michel Papleux

Détection d'objets : classification betteraves / adventices et localisation

Implémentation complète 'from scratch' du réseau de neurones 'YOLO V2' : labellisation, augmentation des données, définition du réseau de neurones, entraînement du modèle, évaluation des performances (mAP) et inférence.

https://github.com/jmpap/YOLOV2-Tensorflow-2.0

Projets réalisés au cours de la formation :

- Traitement d'un jeu de données au service de la santé publique : analyse exploratoire des données (analyse univariée et multivariée), traitement des erreurs, réduction de dimension.

- Prédiction des besoins en consommation électrique de bâtiments : implémentation et évaluation de différents algorithmes de prédiction (régression linéaire, KNN, SVM, random forest, réseau de neurones, gradient boosting).

- Segmentation des clients d'un site de e-commerce : segmentation non supervisée par K-means et CAH, définition des personas et étude de la stabilité des clusters dans le temps.

- Prédiction des tags associés aux questions Stackoverflow : classification multi-labels de texte. Préparation des features (tf-idf, document embedding, 'universal sentence encoder') et implémentation d'algorithmes supervisés (régression logistique, random forest, réseau de neurones) et non supervisés (NMF, LDA). Déploiement de l'application finale sur Heroku.

- Classification d'images à l'aides d'algorithmes de deep learning. Implémentation de VGG16 et Resnet152 sous Tensorflow et Fastai, entraînement par transfert learning et tuning des hyper-paramètres.

- Développement d'une preuve de concept : détection d'objets (plantes cultivées). Implémentation, entraînement et évaluation de EfficientDet (Google).

- Participation à la compétition kaggle 'Mechanisms of Action (MoA) Prediction'. Classification multi-labels supervisée. Stacking gradient boosting et réseau de neurones.