Kawthar ELTARR

- Analyse de scénario conversationnelle - Traitement automatisée de rapports de modes opératoires de sécurité : parsing des données d'intérêts - Labellisation de données via l'utilisation de regex et d'OCR - Développement d'un chatbot permettant le gain de temps d'employés d'ADF : entraînement et tests de LLMs (FastChat, LLama)

- J'ai développé et mis en œuvre des processus automatisés de récupération de données pour LinkedIn. - En nettoyant et en analysant les données récupérées à l'aide de Power BI, j'ai été en mesure de fournir des informations qui ont mis en évidence la position de NGE par rapport à ses concurrents en termes d'engagement des utilisateurs.

Data Visualisation de patients atteint de la Covid-19 - Analyse exploratoire et visualisation - Création de Dashboard Tableau et PowerBI

As a Data Scientist at Bourbon, I developed a tool to analyze onboarding data and estimate seafarer boarding times using Machine Learning. By calculating the cost of missions based on sailors' experience, nationality, and position, I was able to identify the least costly crew members. Additionally, I developed a Flask API to make the model accessible to other teams, resulting in reduced expenses and increased efficiency for the company. Random Forest, SVM Python (Pandas, Scikit-Learn, Flask, Seaborn)

Mission de détection automatique d'ondes P sur des électrocardiogrammes. - Prétraitement et analyse des données, - Techniques de labellisation, - Traitement du Signal ( Transformation en Ondelettes Continue, Scaleogram), - Extraction de features, - Classification (SVM, CNN, ...), - Régression (RNN), - Python (pandas, scipy, pywt, SKlearn, Keras, seaborn,...), - Méthode Scrum.

Mission d'extraction automatique d'éléments contractuels des notes tarifaires aériennes. - Analyse de données - Expressions régulières - Python (pandas, Regex, Flask, ...). - Méthode Scrum.

Mission d'optimisation des mécaniques d’achat d’espaces publicitaires par la prédiction du taux de clics et simulation d’enchères. - Analyse des données - Sélection de variables - Classification (Naive Bayes, Gradient boosting, Xgoost, LightGBM, Réseau de neurones, ...) - Python (pandas, statsmodels, Sklearn, Keras,...) - Méthode Scrum

Modélisation de sujets d'un corpus d'avis clients recueillis dans le temps. - Python : Numpy, Pandas, dfply, Scikitlearn, NLTK, SpaCy, Gensim, timeit, seaborn - Manipulation de séries temporelles - Text Mining - Natural Language Processing - Détection, modélisation et évaluation de sujets - Temporal Text Mining - Git

Analyse de corpus textuels, Topic Models et le nombre optimal de sujets. - R : dplyr, tidyr, purrr, tidytext, stringr, ggplot2, wordcloud2, topicmodels, httr, etc. - Text Mining - Latent Dirichlet Allocation - Détection, modélisation et évaluation de sujets - Requêtes HTTP - MySQL - Git