CV/Mission de Formateur SAS Enterprise Guide freelance

Exemple de missions de Saïd,
Formateur SAS Enterprise Guide habitant Paris (75)

• Chief Data Ofcer (Equipe entre 35 et 45 Ingénieurs et Phd)

  YOBITRUST
  Jan 2017 - aujourd'hui

  1. Leadership, approche business et opératonnelle,DevOps , Méthode Agile (scrum).
  2. Créaton du centre de Formaton «Big Data, Data Science &AI »
  3. Encadrement de Stage de fn d'étude (PFE Master et Ingénieur)
  4. Créaton d’un Data Innovaton Lab’s (DSAI Lab’s)
  5. Créaton d’une chaire DSAI en partenariat avec l'université (UTM)
  6. Développement de partenariat
  Directon fonctonnel et technique de projets Industrie 4.0 et Cybersécurité
  7. Mise en place d'une architecture Big Data pour le traitement de données multmédia et
  multmodales en grande dimension.
  8. Concepton d’un robot intelligent mult-capteur (reconnaissance facial, vocal, obstacle).
  9. Développement d’algorithmes d'apprentssage automatque de détecton d'intrusion
  dans les systèmes Scada.
  10. Développement d'algorithmes IA embarquées de détecton d'objets.
  11. Développement d'algorithme de détecton d'intrusion via le Machine& Deep Learning.
  12. Concepton d'objets connectés (IoT) pour la détecton du son» via le Deep Learning.
  13. Système de sécurité embarquée basé sur la reconnaissance vocale .
  14. Implantaton d'une plateforme embarquée (Edge Computng & HybrideCloud) pour le
  traitement, l’analyse et le stockage de données industrielle hétérogènes en temps réel.
  Directon fonctonnel et technique de projets en Biotechnologie
  15. Développement d'une API (cross plateforme) pour le traitement des données médicales
  dans un environnement IA et Big Data.
  16. Développement d’algorithme pour le traitement des données structurées et non
  structurées (texte, image) dans un cadre médicale et biométrique.
  17. Implémentaton de classifcateurs via le Machine& Deep Learning dans un
  environnement technique Big Data et IOT dans le domaine de la santé.

  MULTIVARIATES EXTREME VALUE,MACHINE LEARNING & DEEP LEARNING,MASSIVE PARALLEL PROGRAMMING ON GPU DEVICES FOR BIG DATA (SCIKIT LEARN, PYTORCH, THEANO, KERAS , TENSORFLOW ,CNTK).HADOOP & SPARK (MAPREDUCE, YARN, HDFS,HIVE ,HBASE PIG,PYSPARK, SPARKSQL, MLLIB, GRAPHX, SCALA,KAFKA…) EDGE COMPUTING & IOT VIA KUBERNETES,REACT NATIVE,NODE JS,MONGO DB

• Chief Data Officier (Equipe entre 22 et 35 Ingénieurs et Phd)

  Yobitrust
  Jan 2017 - aujourd'hui

  1. ManagementDevOps
  2. Création du centre de Formation «Big Data, Data Science &AI »
  3. Création d’un Data Innovation Lab’s (DSAI Lab’s)
  4. Création d’une chaire DSAI en partenariat avec l'université de Tunis el Manar (UTM)
  ********-2611-utm-chaire-scientifique-et-industrielle-dans-le-domaine-de-la-science-des-donnees-et-de-l-intelligence-artificielle
  5. Développement de partenariat
  Direction fonctionnel et technique de projets en Biotechnologie
  
  1. Développement d'une API cross plateforme pour le traitement des données médicales dans un environnement Big Data.
  2. Développement d’algorithme pour le traitement des données structurées et non structurées (texte, image) dans un cadre médicale et biométrique.
  3. Implémentation de classificateurs via le Machine Learning et le Deep Learning dans un environnement technique Big Data et IOT dans le domaine de la santé.
  
  Direction fonctionnel et technique de projets Industrie 4.0
  
  6. Mise en place d'une architecture Big Data pour le traitement de données multimédia et multimodales en grande dimension pour l'industrie 4.0.
  7. Conception d’un robot intelligent multi-capteur (reconnaissance facial, vocal, obstacle).
  8. Développement d’algorithmes d'apprentissage automatique de détection d'intrusion dans les systèmes Scada (industrie 4.0 et cybersécurité).
  9. Développement d'algorithmes « IA embarquées » de détection et de reconnaissance d'objet en industrie 4.0.
  10. Développement d'un algorithme de détection d'intrusion via le Machine Learning et Deep Learning (Cybersécurité).
  11. Conception d'objets connectés (IoT) pour la détection du « son » via le traitement du signal et le Deep Learning.
  12. Système de sécurité embarquée basé sur la reconnaissance vocale (Cybersécurité).
  13. Implantation d'une plateforme embarquée (Edge Computing & HybrideCloud) pour le traitement, l’analyse et le stockage de données industrielle hétérogènes en temps réel.

  Environnement technique : MULTIVARIATESEXTREME VALUE,MACHINE LEARNING & DEEP LEARNING,MASSIVE PARALLEL PROGRAMMING ON GPU DEVICES FOR BIG DATA(SCIKIT LEARN, PYTORCH, THEANO, KERAS , TENSORFLOW ,CNTK).HADOOP ET SPARK (MAPREDUCE, YARN, HDFS,HIVE ,HBASE PIG,PYSPARK, SPARKSQL, MLLIB, GRAPHX, SCALA,KAFKA…)

• Formateur Big Data

  FITEC
  Jan 2016 - aujourd'hui

  Projet : formation Big Data pour ingénieurs expérimentés
  DOMAINE D’INTERVENTION :
   Conception du programme (cours et Tp)
   Ecosystéme Hadoop (MapRecude, Yarn,HDFS,Hive,HiveQL,PIG,Python)
   Ecosystéme Spark (spark Core,spark SQL,Mlib,GraphX,Scala,R,Ptython)
   Base de données NoSQL (MongoDB,Hbase,OrientDB,Redis,Elasticsearch..)

  ENVIRONNEMENT TECHNIQUE : LINUX, VIRTUALBOX, AWS

• Consultant Solvability II

  ALLIANZ ACTUARIAT
  Jan 2015 - Jan 2015

  Projet : TECHDB conception des items solvability II
  
  DOMAINE D’INTERVENTION :
   spécifications fonctionnelles
   membre du comité de pilotage
   implémentation des indicateurs via SEG
   Recette & déploiement

  ENVIRONNEMENT TECHNIQUE : WINDOWS, MVS, SAS GUIDE, SAS V9, SAS/BASE-MACRO-STAT, SAP.

• Directeur Scientifique et Innovation

  Co-fondateur de la SAS Maison des mathématiques (MDM)
  Jan 2012 - aujourd'hui

  1. Management du risque – identification des risques projet & mise en place d’une méthodologie (classification, plan d’actions et capitalisation sur les résultats) 2. Étude de faisabilité & analyse des risques (coûts, qualité, délais) 3. Calcul du ROI (amélioration continue) 4. Formalisation des reporting sur le suivi d’avancement (plannings & livrables) 5. Animation des instances & gestion de la communication 6. Définition des axes stratégiques à développer – choix & préconisation de l’architecture.
  Chief Data Scientist Officer
  7. Construction de l’architecture BIG DATA – 10 <> 100 Tera Octets. 8. Prétraitement & calibrages des données 9. Conception et implémentation de l'architecture Big Data du groupe SCOR (2016- 2017) 10. Conception du programme et mise en œuvre de la Formation «Big Data,Data Science » pour le compte de la société FITEC, Pôle emploi et SSII (150 personne entre 2015-2016) 11.Implémentation de solutions pour la détection des comportements malveillants au sein du Cloud via des méthodes d'apprentissage statistique appropriées (2013-1014) 12.Initiateur du projet H2020 Scissor en 2014( Security In trusted SCADA and smart-grids ********/?p=424)

  Environnement technique: MULTIVARIATESEXTREME VALUE,MACHINE LEARNING & DEEP LEARNING,MASSIVE PARALLEL PROGRAMMING ON GPU DEVICES FOR BIG DATA(SCIKIT LEARN, PYTORCH, THEANO, KERAS , TENSORFLOW ,CNTK).HADOOP ET SPARK(MAPREDUCE, YARN, HDFS,HIVE ,HBASE PIG,PYSPARK, SPARKSQL, MLLIB, GRAPHX, SCALA,KAFKA…)

• Directeur de projet (Chief Data Scientist officier )

  MDM
  Jan 2012 - aujourd'hui

  Projet: Cybersécurité
  Implémentation d’une solution pour la détection de comportements malveillants au sein du Cloud. Pour répondre à cet objectif, notre programme scientifique et technique est centré sur des nouvelles méthodes de modélisation statistiques et d’algorithmes appropriées aux données hétérogènes (structurées et non structurées) en très grandes dimensions.
  
  DOMAINE D’INTERVENTION :
   Chief Data Scientist officer
   Définition des axes stratégiques à développer – choix & préconisation de l’architecture
   Choix des partenaires éditeurs de logiciels, notamment Open source
   Management du risque – identification des risques projet & mise en place d’une méthodologie (classification, plan d’actions et capitalisation sur les résultats)
   Étude de faisabilité & analyse des risques (coûts, qualité, délais)
   Calcul du ROI (amélioration continue)
   Suivi budgétaire, allocation des ressources & gestion de la planification
   Formalisation des reporting sur le suivi d’avancement (plannings & livrables)
   Animation des instances & gestion de la communication
  
   Data Scientist (spécialiste de la donnée)
   Construction de toute l’architecture BIG DATA – 10 <> 100 Tera Octets
   Prétraitement & calibrages des données – données structurées et non structurées
   Reporting – requête et restitution de donnée (contrôle et homogénéisation de la qualité)
   Modélisation statistique
   Tests et validation de la solution

  ENVIRONNEMENT TECHNIQUE : ECOSYSTEMEHADOOP (MAPRECUDE,YARN,HDFS,HIVE,HIVEQL,PIG,PYTHON), ECOSYSTÉME SPARKE (SPARK CORE,SPARK SQL,MLIB,GRAPHX,SCALA,R,PTYTHON) BASE DE DONNEES NOSQL (MONGODB, HBASE,ORIENTDB,REDIS,ELASTICSEARCH..) CLOUD COMPUTING

• Directeur de la practice BI

  EOLEN
  Jan 2011 - Jan 2012

  Ex de projet pour Natixis : Audit et modélisation du paramètre « Perte en cas de défaut »
  DOMAINE D’INTERVENTION
   Management d’un département (aspects humains, budgétaires, organisationnels et techniques)
   Management de projets (Estimation des charges, gestion du planning, du budget, des hommes, qualité des livrables, garant du respect des engagements pris avec le client)
   Veille économique et technologique, étude et négociation de projets
   Développement de la gamme d’offres de prestations de services
   Développement de partenariat