Thomas Mebarki

Conception et développement d'EGIR, un SaaS analytique d'aide à la décision pour restaurateurs ("La clarté sur vos marges"). Réalisations clés : - Architecture complète : Python 3.12, Streamlit, SQLAlchemy, SQLite, déployé sur Render (EU) - Assistant IA conversationnel intégré (Mistral LLM) pour créer et modifier les recettes - Gestion des fiches techniques avec calcul et propagation automatique des coûts - Dashboard analytique avec filtres avancés et exports (PDF/Excel) - Architecture multi-tenant avec rôles (admin/client/demo) - Landing page avec calculateur ROI interactif - Analytics utilisateur via PostHog, CDN Cloudflare, backups R2 Résultats : MVP en production, pilote avec 10 restaurants. Stack : Python, Streamlit, SQLAlchemy, Mistral LLM, FastAPI, Docker, Render, Cloudflare, PostHog

Immersion professionnelle de 8 mois en cuisine pour comprendre les contraintes opérationnelles réelles du secteur de la restauration, préalablement à la création d'EGIR (SaaS pour restaurateurs). Missions : - Préparation et service en cuisine dans un restaurant traditionnel - Analyse des processus de gestion (stocks, coûts, marges) - Identification des points de douleur opérationnels des restaurateurs - Compréhension terrain des fiches techniques et de la gestion des coûts matières Cette expérience a directement alimenté la conception d'EGIR en apportant une compréhension métier approfondie des besoins réels des restaurateurs en matière de gestion financière et d'optimisation des marges.

Classification de 120 races de chiens par computer vision pour l'assurance animale (Assurtech). Réalisations : - Développement d'un pipeline de classification d'images avec transfer learning (ResNet50V2, VGG16, EfficientNet) - Top-1 Accuracy : 87%, Top-3 Accuracy : 90% sur 120 classes - Classificateur SVM RBF avec probabilités calibrées - Inférence optimisée < 500ms par image - Validation croisée et analyse des erreurs pour amélioration continue Stack : Python, TensorFlow, Keras, scikit-learn, OpenCV, Docker

Système de recommandation automatique de tags pour les questions Stack Overflow (NLP multi-label classification). Réalisations : - Architecture multi-modèles : TF-IDF, Word2Vec, BERT, Universal Sentence Encoder - Precision@5 : 78% sur la recommandation de tags - Adoption utilisateur : 52%, réduction de 31% des corrections modérateurs - Latence p95 : 145ms en production - Pipeline complet : preprocessing, feature engineering, évaluation comparative Stack : Python, scikit-learn, Transformers, BERT, spaCy, Hugging Face, TF-IDF, Word2Vec

Segmentation client par analyse RFM et clustering K-Means sur une base de 95 000 clients. • Analyse exploratoire et feature engineering sur données transactionnelles (récence, fréquence, montant) • Implémentation de K-Means clustering avec optimisation du nombre de clusters (méthode du coude, Silhouette Score) • Identification de 4 segments clients distincts avec Silhouette Score de 0.68 • Visualisation des clusters via réduction dimensionnelle PCA • Recommandations stratégiques marketing personnalisées par segment Stack : Python, Scikit-learn, Pandas, Matplotlib, Seaborn

Prédiction de la consommation énergétique de bâtiments industriels à partir de données IoT capteurs. • Analyse exploratoire de séries temporelles IoT multi-capteurs (température, humidité, consommation) • Feature engineering temporel avancé (lags, moyennes glissantes, encodage cyclique) • Benchmark de modèles de régression : Linear Regression, Random Forest, XGBoost, LightGBM • Optimisation d'hyperparamètres par GridSearchCV et validation croisée temporelle • Meilleur modèle : XGBoost avec RMSE de 12.3 kWh et R² de 0.91 Stack : Python, XGBoost, LightGBM, Scikit-learn, Pandas, Plotly

Développement de modèles de Machine Learning pour la détection de fraude dans le secteur assurance. • Conception et entraînement de modèles de classification binaire pour la détection de sinistres frauduleux • Gestion du déséquilibre de classes par techniques de sur/sous-échantillonnage (SMOTE, undersampling) • Pipeline ML complet : prétraitement, feature engineering, sélection de features, entraînement, évaluation • Benchmark de modèles : Logistic Regression, Random Forest, XGBoost, LightGBM • Optimisation des seuils de décision pour maximiser le rappel tout en contrôlant la précision • Analyse d'explicabilité des prédictions avec SHAP values • Résultats : AUC-ROC de 0.94, Recall de 0.87 sur la classe fraude Stack : Python, Scikit-learn, XGBoost, LightGBM, SHAP, Pandas, MLflow