Projet :
Spécifier et développer un cube tabulaire qui sera utilisé par les directions métiers pour
piloter le Chiffre d’affaires de la Régie. Les sources de données pour alimenter le modèle de
données sont : Google Ad Manager et Xandr.
Assister le Responsable Projets BI dans ses missions (suivi des sprints de développement,
tests et recette fonctionnelle…)
Détection des anomalies et détermination de leur origine
Reconstruire la Dashboard 360 en corrigeant les anomalies détectées et en améliorant son
ergonomie par 70 %.
Développer un modèle prédictif pour anticiper les tendances du chiffre d’affaires à partir des
données historiques, en utilisant des techniques d'apprentissage automatique et des méthodes
statistiques.
Collecte et traitement des données ( Données client + Données de transactions )
Transformation des données
Analyse de données pour identifier les tendances et les modèles clés dans les données de l'entreprise
Création de tableaux de bord et de rapports pour présenter les résultats des analyses aux parties
prenantes - 70% d'amélioration de la communication
Développement d'un système d'authentification via la reconnaissance faciale en utilisant Django, suivi
de l'intégration d'un tableau de bord déjà conçu
Mise en œuvre d'un modèle de traitement du langage naturel (NLP) pour analyser les commentaires
des clients, permettant d'extraire des insights sur la satisfaction client et d'identifier les domaines
d'amélioration
Définir les objectifs du projet : Améliorer les plans d'études universitaires en fonction des exigences du
marché de travail - 50% d'amélioration.
Collecte et préparation des données
Exploration des données
Développement des modèles
Intégration avec Django + Déploiement
Projet de classification visant à automatiser le diagnostic de la maladie rénale chronique en utilisant des
techniques d'apprentissage automatique implémentées en Python.
Dans ce projet académique de Deep Learning, une classification des poses de yoga est réalisée en
utilisant des réseaux de neurones convolutionnels (CNN) pour extraire des caractéristiques des images
de poses. Le Transfer Learning est également employé pour tirer parti de modèles pré-entraînés,
améliorant ainsi la précision de la classification des poses de yoga.