Lamine Nait djoudi

Data Engineering/ Data Analyst / Développeur au sein du Pôle « Contrôle et la valorisation des données de mesures » ​ RÉALISATIONS :​ • Contribution à la réalisation de plusieurs grands projets au sein du Pôle Données​ • MCO des différents services d’Enedis ​ • Analyse, interprétation de grandes bases de données, rapport technico-fonctionnel sur KPI.​ • Développement et déploiement des scripts SQL pour l’analyse et la correction des données d’Enedis​ • Réalisation des développements piloté par les tests (TDD)​ • Mise en place d’un outil python pour l’analyse et l’exploitation plus rapide et plus efficace des données​ • Développement et maintenance de traitements batch Java pour l’acquisition et traitement de données provenant de multiples sources. ​ • Mise en place de contrôles de qualité de données.​ • Mise en place et exécution des déploiements des batchs via GitLab CI/CD​ • Suivi des pipelines d’intégration de de déploiements continue​ • Développement en mode Agile.​ ​Environnement technique: Terradata, BTEQ, TPT, Git, GitHub, Cucumber, Python, Grafana, Filezilla, Shell, mobaxterm, Jenkins, Java, Maven, Spring batch, GitLab CI/CD

Mise en place d'un processus de suivi des performances et analyse des site photovoltaïques: - Mise en place un script Python qui modélise une centrale photovoltaïques - Mise en place un script Python qui calcule des métriques de suivi - développement d'un processus automatiques qui calcule et envoi des métriques de suivi vers une plateforme graphique - Migration de données de SharePoint vers AWS S3 avec AWS Cli - Travailler en équipe avec Github.

Mise en place d'une application pour la geolocalisation indoor : - Définition et la conception du projet machine learning - Développement des scripts et algorithmes de machine learning pour une application de géolocalisation indoor - Collecte, étude, analyse , interprétation et prétraitement de grandes bases de données pour la localisation : Utilisation des techniques d'analyse descriptives, gaussian process , analyse des composantes principales (ACP), méthodes bayésiennes, moyenne mobile, filtre de Kalman, régression loess. - Rédaction des rapports. - Mise en place d'un environnement en python automatisé pour la récolte et extraction des données pertinentes. - Développement et déploiement sur Cloud de nouveaux modèles de machine learning (Support vector machine, Random forest , XGboost, Reseau de neurone à convolution sur les graphes) pour la localisation qui ont augmenté la précision des modèles de localisation de 80% à 90%. - Exposition des résultats et les progrès du stage. - Méthodologie agiles (jira) et collaborative (git) Outils de travail: Python (Scikit-learn, Pandas, Keras, tensorflow, Xgboost, Numpy), R, Spark, Excel, AWS, Naologger, NaoCloud, Jira, Git, Jenkins.