Ousouss Nada

– Ingestion de données revenue depuis SSMIS vers Blob Storage – Transformation, mise en qualité et calculs des métrique Business – Optimisation des jobs Spark – Réalisation des tests unitaires – Mettre en production les pipelines d'ingestion de données

– Traitement des données brutes en données exploitables – Optimisation des jobs Spark – Effectuer l'inventaire de flux de données entrées et sorties de 4 projets existants – Proposer une cartographie générale et uniforme quelque soit le projet et la source de la donnée – Faire une modélisation UML du projet général – Développer le module Data vérification de la cartographie permettant l'inspection de la qualité de donnée et images issues de différentes sources

Projet Comptage Analytique: Prédiction du nombre de voyageurs dans chaque train en fonction du trajet, et du période : – Extraction des données du comptage analytique dans les gares – Transformation de donnée sur Databricks: Spark – Développements de pipeline d'intégration de données du comptage vers Data Lake – Prédiction de nombre de voyageurs à l'aide des séries temporelles – Génération du rapport Power Bl avec les résultats obtenus

Projet: Développement d'une application Flask d'aide à la décision pour rationnement Équin. – L'authentification, l'intégration d'indicateurs et apports par thématique et la visualisation des résultats obtenus (choix graphique, histogramme, charts). – La simulation des coûts journaliser et l'intégration des différentes charges (volet Simulation économique)

Projet: Génération de code source d'une application web, Android et IOS à partir d'une image en utilisant les techniques de deep learning: – Utilisation des algorithmes de détection d'objet, de forme et de couleur, de classification et de localisation (OCR, CNN, Yolo, Mask RCNN), afin de détecter et identifier les composantes d'une maquette et leurs caractéristiques CSS – Génération des balises HTML d'une manière récursive en utilisant les RNNs, LSTM. Projet Détection, suivi et ré-identification d'objet par deep learning: Application au comptage passager: – Étude et implémentations de caméras/champs de vue permettant d'avoir un comptage performant dans une rame ferroviaire – Identification des étapes de pré-processing nécessaires aux améliorations de performances de l'algorithme de comptage, et des techniques de tracking – Collecte et annotation de la base de données pour la phase de l'apprentissage – Apprentissage d'algorithme IA permettant le comptage de voyageurs par densité dans une rame ferroviaire – Développement d'IHM avec FLASK basé sur un pipeline avec trois étapes de traitement: détection, tracking et ré-identification. – Génération du rapport Power Bl avec les résultats issus de IHM