Loubna Msellek

Mission dans une équipe de 7 data scientists chez Allianz Trade pour le scoring de risque inter-entreprise Développement de pipelines de preprocessing, modélisation pour créer des modèles ML (EBM) sur AWS

LLM and RAG development ML, data science, data engineering and web development contracts with start-ups and Allianz Trade. Hosting GenAI events for companies. Giving AI formation for master students.

Data Scientist dans une équipe data de 10 personnes au sein de la direction stratégie de Bouygues Telecom Développement et mise en production de modèles de Machine Learning dans des infrastructures Big Data Maintien des solutions et du cycle de vie des modèles Encadrement de stagiaires Dispense des formations data

Worked on the quantification of muscle fibers in the evaluation of gene therapy treatments for neuromuscular diseases using deep learning techniques. • Developed and implemented deep learning models to analyze microscopic images of muscle tissue, enabling accurate quantification and evaluation of treatment efficacy. • Collaborated with a multidisciplinary team of researchers to optimize the deep learning pipeline and ensure robust and reproducible results. • Contributed to research presentations on the application of deep learning in assessing gene therapy outcomes for neuromuscular disorders. Quantification des fibres musculaires dans le cadre de l'évaluation des traitements pour les maladies neuromusculaires de thérapie génique à l’aide du deep learning

Skills: Cloud Snowflake

Collaborated with the French National Aerospace Lab and an aerospace company to develop a computer vision-based deep learning model for detecting anomalies in infrared images. • Utilized PyTorch frameworks to train deep learning algorithms on large datasets of infrared images. • Achieved high accuracy in anomaly detection, contributing to improved safety. Détection d’anomalies sur images infrarouges à l’aide de Computer Vision/ Deep-Learning (Tensorflow, Pytorch) en collaboration avec une entreprise aéronautique

Worked on modeling the container fill rate to optimize collection processes. • Utilized image recognition techniques to develop a hybrid learning model for container fill rate estimation. • Conducted image segmentation to identify objects within containers and determine their fill levels accurately. Modélisation du taux de remplissage de containers dans le but d'optimiser la collecte (tensorflow, image recognition, segmentation)