Julien Tchibinda

PROJET DATA SCIENCE :

Analyse et prédiction des émissions de CO2 des véhicules. Projet visant à identifier les caractéristiques techniques des véhicules qui influencent le plus leurs émissions de CO2 et à développer un modèle prédictif robuste capable d'estimer les émissions de CO2 pour de nouveaux types de véhicules. Cadre projet en Machine Learning chez DataScientest, axé sur l'analyse et la prédiction des émissions de CO2 des véhicules, défi crucial pour la transition énergétique et la politique environnementale.

• Étapes clés projet : 1. Compréhension du Besoin Métiers et des Données / Analyse des enjeux liés aux émissions de CO2 des véhicules et les objectifs spécifiques du projet.
• Préparation et Nettoyage de Données : Data cleaning rigoureux des données (gestion valeurs manquantes, détection et traitement des outliers, correction des incohérences).
• Analyse Exploratoire des Données (EDA) : Exploration des données pour dégager des tendances et des relations. Utilisation des techniques de visualisation (histogramme, nuages de points, boite à moustaches) pour l'identification des véhicules les plus émetteurs.
• Modélisation Prédictive : Sélection et implémentation de plusieurs algorithmes de machine Learning adaptés à la Régression, tels la Régression Linéaire, Les Forêts Aléatoires et le Gradient Boosting (XGBoost). Division des données en ensembles d'entraînement et de test pour évaluation de généralisation des modèles.
• Évaluation et interprétation des Résultats : Évaluation des performances des modèles à l'aide de métriques clés telles que le RMSE (Root Mean Squared Error), le MAE (Mean Absolute Error) et le coefficient de détermination R3.
• Communication et Recommandations : Synthétisation des résultats del'analyse et de la modélisation dans un rapport détaillé.

• Collecte, analyse, nettoyage de données issues des API.
• Internes.Traitement preprocessing des données et stockage sur BDD Postgres.
• Gestion de la CI/CD sur les environnements d'exploitation.
• Application de Best Practices en dataviz sur les statistiques gestion incidents.
• Structuration du storyteeling autour de phénomènes d'incidents (alertes, incidents, anomalies, tendances)
• Requêtage SQL optimisé et structuration de l'information pour l'aide à la décision.
• Management de l'équipe des développeurs.
• Gestion des découpages techniques et fonctionnels.
• Collaboration avec des profils non techniques pour traduire les besoins en solution structirées.
• Participation à la définition des KPIs métiers en lien avec la direction opérationnelle.
• Analyse de d'indicateur sur dasboard Datadog pour les logs métiers.
• Analyse de dasboard avec Power BI.
• Soutien technique aux développeurs.
• Suivi des bonnes pratiques de code.
• Radaction de la documentation technique.

• Data analyse et implémentation de processus ETL de données VIVASTAR.
• Développements applicatifs BUILD / RUN / BACTH.
• Coaching de développements / Pair Programming / Best practices.
• Gestion des déploiements environnements QUAL/INT/PRE-PROD.
• Automatisation des tests (API, Unitaires, Intégration, Métiers).
• Gestion des tickets d'incidents production.
• Coaching des réunions métiers.
• Gestion des montées de versions.
• Gestion des livrables & documents DAT / DAL / AUDIT.