Guillaume VERDIER

J'ai conçu une plateforme complète de traitement géospatial permettant de transformer des données brutes issues du MNT IGN RGE ALTI en indicateurs exploitables pour des analyses réglementaires et agricoles. J'ai développé un pipeline automatisé capable de traiter des centaines de dalles .asc, d'en extraire les zones à pente >10 %, et de convertir les résultats en formats vectoriels .gpkg prêts à l'analyse. Pour garantir reproductibilité et performance, j'ai structuré l'ensemble du workflow autour de R (sf) et de scripts Bash orchestrant le traitement dalle par dalle, la validation des géométries, l'harmonisation des systèmes de coordonnées et la fusion des couches à l'échelle départementale. Ce pipeline a permis d'éliminer les traitements manuels, d'améliorer considérablement la qualité des données et de réduire drastiquement les temps de calcul. J'ai également produit au sein de cette même plateforme, en application RShiny, des exports standards, des cartes de synthèse, ainsi que des outputs intégrables dans des outils métiers ou des rapports réglementaires. Cette expérience démontre ma capacité à : – automatiser des workflows SIG à grande échelle, – manipuler efficacement données raster et vectorielles, – construire des pipelines industriels reproductibles sous Linux, – produire des analyses géospatiales fiables et immédiatement exploitables.

J'ai développé plusieurs modèles de machine learning et de deep learning pour répondre aux besoins analytiques et opérationnels de différents services (conseil, finance, marketing, opérations). Mon travail couvre le cycle complet : préparation des données, feature engineering, sélection et entraînement de modèles, validation, interprétation et création d'outils réutilisables en R ou Python. J'ai conçu des modèles de prédiction (régression, classification), des systèmes de scoring, des segmentations basées sur l'apprentissage statistique, ainsi que des prototypes de deep learning (réseaux neuronaux Keras/PyTorch) pour des tâches telles que la prédiction de comportement, la classification sans supervision experte ou la modélisation d'appartenance. J'ai intégré ces modèles dans des pipelines reproductibles, documentés et exploitables par des équipes non techniques, en assurant la standardisation des entrées, la qualité des données et la génération d'indicateurs clairs. Ces livrables ont permis d'améliorer la précision des analyses, d'automatiser des processus manuels et d'apporter aux décideurs des recommandations basées sur des preuves. Cette expérience illustre ma capacité à : – transformer des données hétérogènes en modèles performants, – concevoir des workflows ML/DL reproductibles, – rendre l'IA accessible aux métiers via des outils simples à utiliser.

J'ai conduit des analyses de données pour plusieurs services en combinant statistiques descriptives, exploration visuelle et structuration de flux pour faciliter la prise de décision. J'ai construit des pipelines R et Python permettant d'extraire, nettoyer et transformer des données issues de différentes sources (bases SQL, exports métiers, fichiers CSV/Excel). J'ai réalisé des analyses statistiques (indicateurs centraux, distributions, corrélations, segmentation), conçu des visualisations claires (ggplot2, matplotlib, dashboards légers) et produit des rapports automatisés pour répondre aux besoins des équipes. Ces analyses ont permis d'identifier des tendances, d'optimiser des processus internes et d'apporter des éléments clés pour des arbitrages stratégiques. Cette expérience illustre ma capacité à : – structurer un flux de données fiable et reproductible, – produire des insights pertinents à partir de données brutes, – synthétiser des résultats complexes dans des livrables exploitables par des équipes non techniques.