yassine guenidi

• Implémenter un système d'extraction de données dans l'infrastructure existante, augmentant la productivité de 30%, améliorant la prise de décision basée sur les données. • Développer et optimiser un modèle YOLOv5, en utilisant des techniques de Deep Learning pour augmenter la précision de 25% et réduire le temps de traitement de 40%, simplifiant ainsi l'extraction de données. • Réduire les erreurs d'extraction de 20% en concevant un système OCR basé sur Tesseract, ce qui a amélioré la qualité des données et l'efficacité du traitement. Mots clés : Python, YOLOv5, Computer Vision, Object Détection, OCR (Tesseract).

I successfully led the Stock Management and Time Forecasting project for ALFAPLUS, enhancing operational efficiency and reducing storage costs through an improved stock management system and advanced forecasting techniques.

This ongoing project represents a significant step forward in simplifying the recruitment process. By harnessing the power of Natural Language Processing (NLP), we are able to extract crucial information from candidates' resumes with precision and speed. This innovation empowers our HR team to identify and select the most suitable candidates more efficiently, aligning perfectly with our company's specific needs and objectives. With the implementation of NLP, we have created a sophisticated system that goes beyond mere keyword matching. It delves deep into the content of resumes, comprehending context and nuances. This not only enhances the accuracy of candidate evaluation but also significantly reduces the time and effort traditionally spent on manual resume screening. Our ultimate goal is to optimize our recruitment workflow, ensuring that we can swiftly identify and engage with top talent, ultimately driving the success and growth of our organization. This project is a testament to our commitment to staying at the forefront of innovation in the HR field."

• Développer une application web pour la prédiction des prêts, en optimisant le processus décisionnel bancaire et accélérant le traitement des demandes de 30% en utilisant Streamlit. • Concevoir des modèles de Machine Learning, en augmentant la précision des prévisions d'approbation des prêts de 20% par rapport aux méthodes précédentes. • Intégrer des techniques de Preprocessing et des outils de visualisation avec Streamlit, facilitant une analyse des données plus rapide et une prise de décision améliorée de 25%. Mots clés : Preprocessing, Machine Learning, Finance, Streamlit, Web, Data.

Data analyst · Data scientist · Machine learning engineer · Big Data architect · Business Intelligence engineer · Developer · Database administrator · Project manager.