Hala GHEDES

– Projet : Analyse de consommation énergétique et détection d'anomalies par clustering (KMeans) – Description : Développement d'un pipeline d'analyse visant à segmenter la consommation énergétique des équipements par utilisateur et par créneau horaire, afin d'identifier des comportements atypiques et de produire des profils de consommation fiables. – Missions : * Extraction, traitement et analyse des données en Python (Pandas, NumPy, scikit-learn) incluant le calcul de la consommation horaire. * Application d'un clustering KMeans et évaluation de la qualité via le silhouette score * Mise en place d'un mécanisme de recalcul automatique des clusters lorsque la qualité du clustering ne respecte pas les critères attendus. * Dockerisation complète de l'application afin d'assurer la portabilité et la reproductibilité du traitement. – Projet : Audit AI, API d'analyse de consommation énergétique avec AI – Description : Développement d'un service backend permettant d'analyser les données de consommation énergétique issues des audits et de générer automatiquement des rapports intelligents exploitables métier. – Missions : * Développement d'une API FastAPI pour orchestrer l'analyse des données de consommation des équipements et la génération automatisée de rapports détaillés. * Conception de prompts structurés pour piloter le modèle de langage Ollama (LLM) dans la génération de rapports narratifs en français ainsi que leur traduction automatisée en anglais. * Mise en œuvre de traitements de données en Python incluant filtrage, transformation, exploitation de métadonnées JSON et préparation des données destinées au modèle. * Génération de rapports analytiques détaillés intégrant des recommandations d'optimisation de la consommation énergétique

– Mise en place d'un pipeline ETL pour une plateforme scolaires. – Automatisation de traitements via PySpark pour produire des KPI décisionnels. – Développement d'un programme lambda exposant les résultats via API.

– Développement d'une API REST avec Flask permettant la gestion des fermes de calcul sous Linux. – Développement d'un client léger permettant d'interagir avec les fermes, simplifiant ainsi l'accès.

– Entraînement et optimisation de modèles Deep Learning pour la détection faciale et la reconnaissance des émotions. – Prétraitement des données : nettoyage, équilibrage du dataset, web scraping, augmentation des données et normalisation. – Développement et déploiement d'une API Django exploitant ces modèles.

– Développement d'un modèle de machine learning pour prédire le churn. – Application des techniques de l'apprentissage supervisé pour entraîner le modèle à partir d'un ensemble de données historique. – Analyse des caractéristiques pour déterminer les principaux facteurs qui influencent le churn.

– Développement d'applications web, desktop et mobile intégrées, utilisant une base de données MySQL partagée. – Mise en place d'une API avec Symfony permettant une communication fluide entre les applications web et mobile. – Application de tests unitaires et d'intégration.