Résumé

Expériences professionnelles

• Senior Data Scientist chez Avanade (3/1/2020 - )
  Paris, Île-de-France, France
  
  Deep Learning referent
  Machine Learning expert
  Data and ML Architect
  MLOps Expert
• Data Scientist chez OUI.sncf (2/1/2019 - 2/1/2020)
  Région de Paris, France
  
  Le projet a pour but d'inspirer les clients de Oui.SNCF pour trouver leurs prochaines vacances à partir d’une image utilisant des réseaux de Neurones (Deep Learning).
  
  Environnement technique :
  
  • Python, Tensorflow 1.14(2.0), sckit-learn.
  • Unsupervised Learning: PCA, TSNE.
  • Supervised Learning: Convolutional Neural Nets, K-NN.
  • OpenCV, sckit-image.
  
• Data Scientist chez Thales Alenia Space (6/1/2017 - 2/1/2019)
  Région de Nice, France
  
  Detecting Defects in Photovoltaic Cell :
  Remplacer l’inspection visuelle des cellules photovoltaïques par une l’intelligence artificielle
  
  Environnement technique :
  • Python, Keras(Tensorflow).
  • Unsupervised Learning: PCA, TSNE, Auto-Encoder.
  • Supervised Learning: Convolutional Neural Nets.
  • OpenCV, SMOTE.
  
• Data scientist focus Cybersecurity chez AVISTO (3/1/2016 - 9/1/2016)
  Sophia Antipolis
  
  Utilisation grâce à un cluster, les algorithmes d’apprentissage supervisé qu’offre la librairie Spark MLLib pour détecter des attaques.
  
  Missions :
  • Monter de toutes pièces une infrastructure Machine Learning basée sur Spark.
  • Récupérer les lignes de logs en flux par Spark Streaming.
  • Apprendre le modèle de classification et choisir ces paramètres.
  • Classifier le comportement de l’utilisateur en temps réel à partir d’un modèle prédéfinis.
  
  Environnement technique :
  • Python notebook, PySpark.
  • HDFS, Spark(Spark Streaming, MLlib)
• étudiant stagiaire chez TELECOM SudParis (6/1/2015 - 9/1/2015)
  Région de Paris, France
  
  Stage de traitement d’un flux de données sémantique
  
  Interroger un flux de données sémantiques, en utilisant Spark et ses librairies spark-streaming et Graphx
  
  Missions :
  • Monter en toute pièce l’outil de Big Data « spark » en local.
  • Modéliser les données sémantiques (des graphes) sur Spark (GraphX).
  • Introduire les données en flux à spark à travers le module Spark Streaming.
  • Interroger un flux de données sémantique avec des requêtes SPARQL.
  
  Environnement technique :
  • Java/Scala sous Eclipse
  • Spark et RDF/SPARQL

Langues

• Anglais - Native or bilingual proficiency
• Arabe - Native or bilingual proficiency