Nour Oumar

Data Scientist / Data Engineer – Expert Dataiku, IA/ML Data Scientist / Data Engineer spécialisé Machine Learning, MLOps et IA décisionnelle, avec une expérience sur des projets Data à fort impact métier chez Eiffage (prévention des risques, sécurité chantier, performance business). Data Engineering Conception et industrialisation de pipelines ETL/ELT sous Dataiku pour la centralisation de données hétérogènes (terrain, prévention, accidents, business). Mise en place d’une architecture Data Lake & Data Warehouse sur GCP (BigQuery, Vertex AI) et Snowflake. Fiabilisation des données via data quality, historisation des anomalies, contrôles automatisés et gestion de la fraîcheur des données. Orchestration des workflows, triggers intelligents, déploiements CI/CD et optimisation des coûts Cloud. Mots-clés : Data Engineering, Cloud Data, GCP, BigQuery, Snowflake, Dataiku, Data Lake, Data Warehouse, Python, SQL, CI/CD. Machine Learning / IA Prédictive / MLOps Développement de modèles de Machine Learning (XGBoost, Random Forest, LightGBM) pour le scoring et la prédiction de risques d’accidents. Feature engineering avancé, détection de signaux faibles et gestion de classes déséquilibrées. Mise en production des modèles ML et automatisation des flux de prédiction vers le Data Warehouse. Mise en place de MLOps : monitoring des performances, drift des données et fiabilité des scores. Visualisation des résultats via dashboards Power BI Mots-clés : Machine Learning, IA prédictive, MLOps, XGBoost, Random Forest, Vertex AI, Power BI. IA Décisionnelle / XAI / GenAI Modélisation de la probabilité de gain d’affaires pour les appels d’offres. Exploitation du cycle de vie business complet (prospection, Go/No-Go, études, Bid). Intégration de GenAI / LLMs pour transformer des scores ML en recommandations business actionnables. Déploiement industriel et exposition des résultats via API. Mots-clés : DATAIKU, PYTHON, XAI, SHAP, GenAI, LLM, API.

Data Scientist – IA, Détection d’Anomalies & Analyse Avancée (Mission Deveryware) Intervention en tant que Data Scientist sur des projets d’analyse avancée, Machine Learning et IA explicable, appliqués à la détection de comportements suspects, à l’analyse de données télécoms et à la résolution d’entités dans des contextes sensibles à forts enjeux métier (enquête, sécurité, investigation). Détection de comportements suspects sur données d’activités mobiles Conception et implémentation de modèles de Machine Learning non supervisés pour la détection d’anomalies. Utilisation d’algorithmes avancés tels que Isolation Forest et DBSCAN pour identifier des comportements atypiques et des schémas suspects dans des données massives et bruitées. Analyse de séries temporelles et création de features comportementales. Mise en place de XAI (IA explicable) afin de justifier les alertes générées par les modèles et garantir la transparence. Développement d’une application métier Streamlit permettant aux enquêteurs de visualiser les anomalies. Exposition de services analytiques via API (FastAPI) pour une intégration fluide dans l’écosystème existant. Mots-clés : Détection d’anomalies, Machine Learning non supervisé, Isolation Forest, DBSCAN, XAI, Séries temporelles, Python, Dataiku, Streamlit, FastAPI. Détection de doublons & Résolution d’entités (Entity Resolution) Mise en œuvre de techniques avancées de Record Linkage / Entity Resolution pour l’identification et le rapprochement d’entités complexes Implémentation du modèle statistique Fellegi–Sunter via la librairie Splink pour estimer la probabilité de correspondance. Optimisation des seuils de décision afin de réduire les faux positifs et améliorer la précision globale du processus de dédoublonnage. Industrialisation des workflows analytiques sous Dataiku, versioning du code via GitLab. Mots-clés : Entity Resolution, Record Linkage, Fellegi-Sunter, Splink, Probabilité bayésienne, Python, Dataiku.

Data Scientist / Machine Learning Engineer Intervention en tant que Data Scientist / Machine Learning Engineer au sein de TNP Consultants, sur plusieurs missions Data & IA à fort impact métier dans les secteurs Supply Chain, Retail, Logistique et Secteur Public. Réalisation de projets de bout en bout : cadrage métier, data processing, modélisation, industrialisation Cloud et restitution décisionnelle. Machine Learning & Supply Chain – Prédiction des retards maritimes (Bolloré Logistics) Définition du périmètre et préparation des données logistiques. Analyse descriptive et feature engineering avancé. Développement de modèles de classification pour prédire les retards d’expéditions maritimes. Mise en place de modèles de régression pour estimer le nombre de jours de retard. Industrialisation sur AWS (S3, EC2, RDS, Lambda, ECS, ECR, AWS Batch). Déploiement d’une API et d’une application Streamlit pour la prédiction en temps réel. Machine Learning & Retail – Prévision des flux logistiques (Kering) Cadrage de l’étude et préparation des données Retail & Supply Chain. Implémentation de modèles de prévision (séries temporelles) du volume et du nombre de pièces à expédier par entrepôt, marque et pays. Déploiement de dataviz power BI pour le pilotage logistique Data Engineering – Fiabilisation de la liste électorale (Evote TP – Ministère du Travail) Détection et correction des anomalies dans les données électorales. Construction et fiabilisation de l’urne électronique et de la liste des électeurs. Industrialisation des traitements sous Dataiku avec versioning et suivi projet. Data Engineering & Analytics – Optimisation des stocks (Kering) Compréhension métier et préparation des données stocks. Identification des stocks obsolètes et optimisation de la création de Lucky Boxes Restitution analytique via Power BI. 🛠 Stack technique Python, Machine Learning, SQL, AWS, Dataiku, Streamlit, API, Power BI, CI/CD, Jira, Bitbucket

Thème du stage: Analyse de sentiments à base d’aspect sur les avis PagesJaunes dans le cadre de la recherche des professionnels : solutions machine learning et deep learning • Détection des aspects (Service, Qualité, Prix,…) dans les avis à l’aide d’un algorithme CNN • Associer à chaque aspect une tonalité positive, négative ou neutre à l’aide d’un modèle LSTM- bidirectionnel • Mise en place d’une application interactive avec Dash python pour faire la synthèse de l’analyse de sentiments par professionnel • Mise en place d’une API flask python pour analyse de sentiments. Outils : Réseaux de neurones, DeepLearning, Python, PyCharm (IDE), flask, dash, scikit learn, Keras, tensorflow, numpy, pandas, Json, xml, nlp, text-mining

Classification Bayesienne optimale : ■Implémentation des algorithmes de la classification bayesienne optimale sous R ■ Test de ces algorithmes sur un ensemble des données simulées ■Analyse de la performance de ces algorithmes de classification. outils : R, classification supervisée, non supervisée