Data Scientist freelance : Derniers CV déposés et dernières missions mises en ligne

Exemple de missions de Jérome,
Data Scientist habitant la Haute-Garonne (31)

• Rôle Senior Data Scientist

  La Vie Saine
  Jan 2022 - Jan 2022

  Mission Développement d’un modèle de recommandations pour les clients La Vie Saine
   Prétraitement des données :
  o Concaténation des différentes tables issues de la base marketing
  o Identification des clients actifs
  o Cleaning des données (homogénéisation des champs texte, correction
  orthographique, suppression des rayons non pertinents…)
   Normalisation des données pour atténuer les habitudes d’achats de
  personnes au profil totalement différents (famille nombreuse/ célibataire) et
  atténuer les fréquences d’achats de produits de grande consommation que
  peuvent être le pain par rapport à la lessive.
   Calcul de la matrice d’appétence
   A/B testing : Exploitation de la matrice d’appétence et des données de
  campagne promotionnelle pour rendre compte des performances de
  l’algorithme

  Technologies Python, Scikit-learn, Pandas, Numpy, Surprise Infrastructure utilisée : plateforme AWS (S3)

• Rôle Senior Data Scientist

  Core For Tech
  Jan 2022 - aujourd'hui

  Mission Développement d’un modèle de détection d’oulier
   Réalisation d’un algorithme de détection d’outliers de positions GPS du
  véhicule surveillé dans le but d’améliorer la précision des features front-office
  du produit Core For Tech
  Développement de modèles prédictifs de détection de somnolence
   Dans le cadre de la Software République, définition d’une solution de
  planification temps de conduite/ temps de pause visant à anticiper les risques
  de somnolence des conducteurs de véhicule
   Génération de features et de modèles de prédictions pour anticiper la
  somnolence au volant à partir de données de sources différentes :
  o Les données comportementales du véhicule (données GPS et issues du
  bus CAN)
  o Les données physiologiques du conducteur (battements cardiaque)
   Données utilisées : historiques issues de différentes campagnes de tests
  mixant conduites réelles et simulateur. Hétérogénéité des données
  enregistrées (comportementales, physiologique). Qualitatives (ressenti
  utilisateur KSS/ OSS) et quantitative (données issues de capteurs).
   Principaux algorithmes utilisés : Random Forest, KNN, Logistic Regression
  Technologies Scikit-learn, KNN, Random Forest, Logistic Regression
  Infrastructure utilisée : plateforme AWS (S3, Lambda, SageMaker)

• Senior Data Scientist Rôle Senior Data Scientist

  Mickaël DIEVART CMA-CGM
  Jan 2021 - Jan 2021

  Mission Développement de modèles prédictifs de détection de fraudes
   Réalisation de modèles de détections de fraudes dû à la non déclaration ou la
  mauvaise classification de transport de matières dangereuses
   Analyse des données, implémentation des pipelines de transformation des
  données, optimisation des modèles de détection de fraudes, évaluation de
  leur qualité
   Données utilisées : historique des demandes de prise en charge/transport de
  containeurs mixant données structurées et descriptions textuelles du contenu
  du containeur par les déclarants
   Principaux algorithmes utilisés : Random Forest, Gradient Boosting, Isolation
  Forests, NLP

  Technologies Spark via l’api PySpark en Python ; scikit-learn, PyTorch, CATBoost, NLTK Infrastructure utilisée : plateforme Dataiku de la CMA-CGM

• Rôle Data Scientist Expérimenté

  Airbus
  2019 - 2021

  Mission Développement de modèles prédictifs de maintenance prédictive
   Réalisation de modèles de maintenance prédictive destinés à anticiper les
  pannes sur les avions et à optimiser les opérations de maintenance
   Analyse des données, implémentation des pipelines de transformation des
  données, optimisation des modèles prédictifs, évaluation de leur qualité
   Données utilisées : séries temporelles des capteurs embarqués IoT, his...

• aujourd'hui

  Machine Learning : approches supervisées, (classifications,
  régressions, random forests, boosting, stacking…), nonsupervisées (PCA, K-means, DBScan, Isolation Forests…),
  séries temporelles (ARIMA, VAR…)
   Deep Learning : NN, CNN, RNN et LSTM

  TECHNOLOGIES  Core/Viz : Numpy, Pandas, Matplotlib, Seaborn, NLTK  Machine learning : Scikit-Learn, PySpark, XGBoost, Catboost, LightGBM, Hyperopt

• Senior Data Scientist

  Core For Tech
  aujourd'hui

• Senior Data Scientist

  La Vie Saine
  aujourd'hui

   CMA-CGM : Senior Data Scientist (6 mois)
   Airbus : Data Scientist Expérimenté (2 ans)
   Airbus : Data Scientist (2 ans)