Julien Di Giulio

Mise en place d’un algorithme d’intelligence artificielle pour faire matcher le Candidat idéal pour le bon job dans la bonne entreprise.

Déployez un modèle dans le Cloud Préparation d’un modèle de classification d’images en tenant compte d’une future mise à l’échelle des calculs due à l’augmentation du volume de données. Outils utilisés : - Langage : Python 3.6 - Environnement : Linux Mint – VirtualEnv – JupyterLab – AWS – Git & GitHub - Librairies : Spark 2.4.5 – OpenCV – Boto3 Travaux réalisés : - Code : - Preprocessing d’un modèle de classifieur par chargement des images dans un dataframe Spark. - Extraction des descripteurs de chaque image avec l’algorithme ORB inclut dans OpenCV. - Enregistrement du dataframe final au format parquet. - Déploiement sur AWS : - Création d’un dépôt S3, avec AWS CLI et sans. - Création d’une instance EMR pour la distribution des calculs. - Configuration des rôles dans AWS IAM. - Utilisation d’un Notebook EMR pour charger et visualiser les résultats.

Implémentez un modèle de Scoring Prédiction de risque de faillite d’un client pour une entreprise de crédits. Outils utilisés : - Langage : Python 3.7.5 - Environnement : Windows – VirtualEnv – JupyterLab – Microsoft Azure – Git & GitHub - Librairies : Pandas – Numpy – Matplotlib – Seaborn – Scikit-Learn – imblearn – XGBoost – Streamlit – Flask – Docker Travaux réalisés : - Classification binaire sur un jeu de données déséquilibré. - Preprocessing des données avec rééquilibrage des données. - Essai de plusieurs modèles : Régression logistique – Random Forest – Xgboost. - Optimisation du modèle le plus prometteur. - Etudes des différentes métriques : Accuracy – Precision – Recall – F1Score - Matrice de confusion – Courbe ROC – Score AUC – Features Importances - Réalisation d’un Dashboard avec Flask et Streamlit. - Déploiement du modèle sur Microsoft Azure : Docker – Registry – Azure Service Plan – Web App Service – Azure CLI - Voir mon article LinkedIn expliquant en détails la procédure