Lotfe Halima

– Développement d'une application générant des rapports de réunion à partir de fichiers audio, incluant transcription automatique, et export des rapports en formats PDF.

– Développement de modèles de prévision de la demande (régression, séries temporelles, KNN pour les nouveaux titres) pour optimiser la planification de la production et réduire les risques de rupture de stock.

– Contexte: Développement et déploiement de modèles ML sur GCP pour prédire les accidents et les rejets de production. – Conception et déploiement d'un pipeline complet de machine learning sur GCP (BigQuery, Cloud Functions, Vertex Al) : Ingestion, feature engineering, entraînement, évaluation et déploiement des modèles. – Développement de modèles de forecasting (régression, random forest, XGBoost) atteignant une précision de 93% dans la prédiction des accidents de travail. – Implémentation d'un modèle de clustering K-Means pour identifier les fournisseurs à risque, améliorant l'efficacité corrective de 30%. – Industrialisation et monitoring du pipeline ML à l'aide de GitLab (CI/CD) et GCP. – Stack: Python, SQL, GCP (BigQuery, Cloud Functions), dbt, APIs, Power BI, PostgreSQL, FastAPI, Streamlit, GitLab CI/CD.

– Contexte: Segmentation et clusterisation des panneaux DOOH (Digital Out-Of-Home) pour optimiser la performance des campagnes publicitaires. – Conception d'un pipeline complet de segmentation des panneaux publicitaires à partir de données géospatiales et socio-démographiques (OpenStreetMap, DataSud). – Développement et comparaison de modèles de clustering non supervisé (K-Means, DBSCAN, Affinity Propagation). – Analyse orientée data marketing pour optimiser le ciblage publicitaire, générant un gain de 30% sur l'efficacité des campagnes. – Stack: Python, SQL, Pandas, Scikit-learn, GeoPandas, OpenStreetMap, Data Visualization.

– Contexte : Développement de modèles de machine learning pour la détection automatique de la drépanocytose, une maladie génétique altérant la morphologie des globules rouges. – Mise en place d'un réseau de neurones récurrents (RNN) pour l'analyse automatique de la structure des globules rouges, réduisant le temps de traitement de 24%. – Stack: Python, Pandas, Scikit-learn, Time Series Forecasting, RNN, CNN.