Christian Maréchal

– Modélisation de classifiers NLP, RNN, LSTM, BERT et similarité pour l'identification et la détection d'articles Fake news, création d'un Benchmark des classifiers – NLP- étiqueter les articles scientifiques – Ministère Satellite OCO-2 détection du dioxyde de carbone croiser la modélisation inverse avec le machine learning, – Saison 6 Audio WAZO Deep Learning – Saison 4 Cour des Comptes Databox data.gouv.fr pour le partage des données – Saison 5 Arkhn données hospitalières

– API/Chat Ingestion et interrogation en langage naturel – Corpus PDF, Excel, Audio, Vidéo, Images – Moteur d'Intention, – Génération de Synthèse, – Génération de Pwt, Envoi de Mail – Base de données MySQL, PostgreSQL Excel – Moteur d'Intention, – Extraction de data, Demandes de métriques et indicateurs – Demande de DataViz/Graphiques et Génération de Reports

– Computer Vision - détection de défauts dans les Générateurs de Vapeur des Centrales

– Projet Cyria, modélisation du réseau routier et du trafic, clustering des points de livraisons. ML des modes de transport (velo, voiture, bus, marche,train)

– Suivi des visiteurs sur les attractions visitées

– Réouverture du Parc Disneyland Paris Suivi – Sondage automatique des visiteurs – Alleia: Clustering Dbscan, Modélisation des Modes de transports Voiture, Bus, Vélo, Marche: Création d'un AutoML

– Etude des villes américaines et de Glaciers en Alsaka

– Développement pour la SATT et la « Mairie de Vanves » d'un outils de mapping/Liage automatique des bases de données. Algorithmes Liage, Sackey, Frisk. Dépôt de brevets en cours. – Détection des DCP (Données à caractères personnels) pour les DPO, – Détermination des centres d'intérêts des users. – Génération des requêtés pré-calculées avec leurs jointures

– Modélisation avec bags of features Sift, Gradient Morphologique. – Deep Learning Vgg16, Vgg19, Resnet50,

– ML non supervisé LDA, Allocation de Dirichlet Latente, calcul de la matrice de probabilité de présence de chaque mot – L supervisé, classification multi class avec la stratégie One Versus Rest (OVR) – Modèles Logistique avec pénalité de Ridge, SVM, RN multilayer perceptron, Random Forest, Gradient Boosting classifier, réduction des dimensions avec PCA. – Création de deux Api de catégorisation, non supervisé et supervisé, Rédaction d'un document de Datascience

– Recherche de la classification/segmentation client optimale, Clustering Kmean++, Score RFM – Sélection du meilleur classifieur: Précision, taux de bon classement, matrice de confusion, courbe ROC. – Hyperparamètres optimaux obtenus par Cross-validation – Modèle Regression Logistique avec pénalité, Gradient Boosting classifier, Random Forest classifier, SVM Support Vector Machine ou Séparateur à Marges Maximales, Classifieur à réseau de neurones multi-layer perceptron – Appli python de classification des clients, Dossier de Datascience

– Apprentissage supervisé : Modèlisation Ridge, Lasso, Elasticnet, Random Forest, SGD Regressor, perte Huber. – Cross validation des hyperparamètres optimaux. – Api python de prédiction du retard de vols du modèle choisit. – Doc de présentation et dossier de Data Science

– Aide à la transformation numérique autour de la chaîne de valeur du Big Data. – Chaîne de process de la data, centralisation des data – Pour la Direction Financière de Primaxia - comprendre le comportement client. – Mémoire de recherche M2 IREN sur la création de la valeur par donnée dans le big data

– Apprentissage non supervisé, Calcul automatique choix optimal des Clusters /Segmentation. – Algorithme de Lloyed, Kmeans++, scipy.spatial.distance, sklearn, pca, Visualisation des clusters avec Tsne. – Déploiement de l'Api en cloud Heroku, Doc de présentation et dossier de Data Science

– Analyse graphique ACP en R pour donner les compositions pertinentes. – Correction des données manquantes par la méthode KNN, Cross-validation. Python et R. Interprétation et préconisation de compositions. – Création d'une librairie python KNN avec distance Euclidienne, Chi2, One Hot Encoding, distance de Canberra, Jaccard, Hamming, Manhattan, Standardisation, vérité de terrain.

– Modèle de Poisson et Binomial négatif pour prévoir les nombres de Claims/revendications, et les Forward Citations. Avec R, Stata et Python. Profiler les inventeurs star et les paramètres de brevet donnant de la valeur aux brevets.

– Suivit du projet et Création d'une Application R de génération d'une appli de control (en R) des données manquantes, aberrantes, erreur de typologie.

– Agrégation de 8 bases Eurostat. Modélisation en données de panel, modèles between, within, pooling langage R.

– Application de gestion durable des forêts publiques françaises. – création du schéma postgres, et d'un framework Angular js, appli R de génération automatique des formulaires d'écran + dao +Ctrlr, et html de statistiques descriptives