hamza Idmoudi

𝘿𝙚́𝙫𝙚𝙡𝙤𝙥𝙥𝙚𝙢𝙚𝙣𝙩 𝙙'𝙪𝙣𝙚 𝙄𝙣𝙛𝙧𝙖𝙨𝙩𝙧𝙪𝙘𝙩𝙪𝙧𝙚 𝘿𝙖𝙩𝙖 & 𝙄𝘼 𝙥𝙤𝙪𝙧 𝙡’𝘼𝙣𝙖𝙡𝙮𝙨𝙚, 𝙡’𝘼𝙪𝙩𝙤𝙢𝙖𝙩𝙞𝙨𝙖𝙩𝙞𝙤𝙣 𝙚𝙩 𝙡’𝙊𝙥𝙩𝙞𝙢𝙞𝙨𝙖𝙩𝙞𝙤𝙣 𝙙𝙚𝙨 𝙋𝙧𝙤𝙘𝙚𝙨𝙨𝙪𝙨 𝙍𝙃 𝙚𝙩 𝘾𝙤𝙢𝙢𝙚𝙧𝙘𝙞𝙖𝙪𝙭 • Conception et déploiement d’un pipeline ETL robuste avec Talend et Snowflake, pour l’agrégation et l’analyse de données marché (tendances IT, besoins clients), visualisées via Power BI à des fins de pilotage stratégique. • Développement d’un moteur intelligent de matching CV–AO, intégrant des techniques avancées d’IA (NLP, RAG, prompt engineering) pour automatiser la sélection des profils et optimiser le positionnement des consultants sur les appels d’offres.

- Conception et mise en œuvre d’un système d’ingestion, d’historisation et de monitoring des workflows ETL en utilisant Apache NiFi et Apache Hive. - Automatisation des processus ETL pour l'intégration et la transformation des données provenant de diverses sources. - Implémentation de solutions de monitoring pour assurer la qualité et la traçabilité des workflows ETL. Visualisation et suivi des données à l’aide de Tableau, avec une intégration fluide avec Hive.

- Développement et mise en place d’un modèle de détection de fraude de type rappel en utilisant Machine Learning. - Collecte et stockage des données CDR en streaming via Apache Kafka et MySQL. - Exploration et prétraitement des données pour identifier les colonnes pertinentes et calculer la corrélation avec la colonne de fraude. - Création d'un modèle d’apprentissage supervisé basé sur l’algorithme Voting Classifier avec combinaison de Random Forest, Decision Tree et K-Nearest Neighbors (K-NN). - Évaluation des performances du modèle à l'aide des métriques telles que le Mean Squared Error (MSE) et le Mean Absolute Error (MAE).

- Conception et mise en œuvre d'un modèle de prédiction des ventes de véhicules pour les marques FORD et NISSAN en utilisant des algorithmes de machine learning et deep learning. - Exploration et prétraitement des données issues des rapports AIVAM pour les années 2019, 2020, et 2021. - Développement de modèles de séries temporelles incluant ARIMA, Linear Regression, Facebook Prophet, et LSTM pour améliorer les prévisions mensuelles. - Évaluation des modèles en utilisant des métriques comme Mean Absolute Error (MAE) et Root Mean Squared Error (RMSE). - Création d'un service web pour l'administration et l'affichage des prévisions de manière interactive.

- Développement et mise en place d'une application web pour la gestion du service après-vente avec Flask et SQLite. - Conception de l’interface utilisateur avec HTML5, CSS, et JavaScript pour la réservation et le suivi des demandes de maintenance. - Gestion des bases de données pour stocker les demandes des clients et suivi de leur état d’avancement. - Création d’un espace administrateur pour la gestion et la mise à jour des demandes en temps réel.