Sohaibe Mohammad
Data Engineer | Azure & Databricks
Salaire / Taux journalier
Paris, France
Freelance
Peut venir sur site
Expertises
Langues
À propos
Introduction
Data Engineer depuis 5 ans, j'ai une expertise Data sur les technologies Spark et Databricks sur les langages Scala et Python (PySpark) et également Cloud notamment Microsoft Azure sur des outils comme Azure Data Factory, Azure Functions, Azure Datalake/Storage. Maitrise d'outils de visualisation (QLIK, PowerBI) et CI/CD (Jenkins / Ansible) Certification Microsoft Azure (Azure Data Engineer Associate / DP-203) ainsi qu'une certification Databricks (Databricks Certified Associate Developer)
Expérience de travail
SNCF
févr. 2020 - Présent
6 ans 9 mois
Saint-Denis, France
Data Engineer
sept. 2020 - Présent
6 ans 2 mois
Saint-Denis, France
Participation à un éventail diversifié de plus de 5 projets, couvrant une variété de stacks techniques et des objectifs spécifiques - ETL de calcul et gestion de la consommation énergétique des trains SNCF, de l'ingestion à la restitution des traitements de données (Databricks, Scala Spark, Azure Data Factory, AzureFunction, Qlik) Présentation du projet lors du salon Vivatech Paris 2023 - Industrialisation d'un POC ML de réduction des coûts de surstocks des matériels de trains (PySpark, AWS) - ETL de données financières d'un SI SNCF vers un autre SI(Python, Azure Functions, SQL) - ETL de données de consommation d'énérgies des trains SNCF ainsi que leur facturation (Framework Python interne) - Décodage automatisé de compte rendu d'intervention (Python) Présence à chaque étape du processus, du cadrage à la phase de production, pour la majorité des projets où j'ai été impliqué
Stagiaire Data Scientist à la Fab Big Data - SNCF
févr. 2020 - août 2020
7 mois
Stage Data Scientist
Paul Wurth
mai 2019 - août 2019
4 mois
Luxembourg
Développement d'un script pour la validation des données incluant la détection d'anomalies non-supervisées - Utilisation d'un dataset contenant des mesures provenant de hauts fourneaux (température, pression, etc.) sous forme de séries temporelles multivariées - Adaptation de méthodes existantes de Machine Learning pour la détection d'anomalies pour chaque série temporelles indépendamment sur R - Implémentation d'une approche multivariée globale pour la détection d'anomalies basée sur du Deep Learning avec le LSTM Autoencoder sur Python - Résultats présentés à l'équipe de management et envoyés à l'ingénieur process pour l'évaluation dans un environnement multiculturel
Formation
ESIEE PARIS
Diplôme d'ingénieur
2017 - 2020
4 ans
MP Albert Schweitzer
2015 - 2017
3 ans
Licences et certifications
Azure Data Engineer Associate (DP-203)
Délivré le : mars 2025
Databricks Certified Associate Developer for Apache Spark 3.0
Délivré le : juin 2023
TOEIC 940/990
Délivré le : mars 2019