Ingénieur Data science freelance : Premiers consultants disponibles et missions récentes déposées

Exemple de missions de Hassina,
Ingénieur Data science habitant les Hauts-de-Seine (92)

• Ingénieur en Data Science et Intelligence Artificielle dans le laboratoire de véhicules autonomes (Stellantis) • Traitement des données collectées lors des essais sur route, synchronisation et formata

  Jan 2021 - aujourd'hui

  • Mise en œuvre et automatisation d'un flux de données permettant la collecte, le formatage et
  l'anonymisation des données de conduite.
  • Utilisation de techniques de Deep Learning pour la détection et segmentation d'objets en temps réel tels
  que les véhicules, les piétons, les feux de signalisation, les lignes de la route en 2D et 3D sur jetson Xavier
  et Orin en utilisant YOLOV5,7,8 avec Deepstream.
  • Création d’un pipeline permettant d'optimiser nos algorithmes en passant de PyTorch à TensorRT tout
  en exploitant la technique de sparsity pour l’optimisation.
  • Création d'un jumeau numérique du véhicule sur un simulateur, en reproduisant des caméras
  spécifiques comme la caméra fisheye, pinhol.
  • Utilisation de techniques de Machine Learning telles qu'OpenCV pour le traitement d'images.
  • Développement de techniques d'odométrie pour estimer et suivre la position et l'orientation du véhicule
  en se basant sur les mesures de mouvement des capteurs embarqués.
  • Utilisation de middleware tels que RTMaps et ROS2 pour concevoir des modules et des packages
  destinés à être embarqués dans le véhicule, tout en les intégrant aux plates-formes matérielles telles
  que Jetson Xavier et Orin de NVIDIA.
  • Développement d’un pipeline automatisé pour transférer les données d'un serveur local vers un service
  S3 d'AWS.
  • Utilisation de Docker pour créer des images de nos codes existants sur une Jetson (Nvidia) de bureau,
  permettant ainsi de reproduire facilement la même configuration sur une Jetson (Nvidia) embarquée
  dans le véhicule.

  Technologies: Python, C++, Sickit-learn, Tensorflow, tensorRT, pytorch, aws, RTMaps, ros2, docker, GIT, Apache (Airflow), Nvidia (GPU, CUDAs, TensorRT, Deepstream configurations)

• Data Scientist (SEGULA Technologies)

  Jan 2021 - Jan 2021

  Reconnaissance de voix en français
  • État de l'art et évaluations/benchmarks pour différentes solutions du marché (teliSpeech, Nuance,
  Dragon Voice, Call Steering, MixNLU, Cobalt, Call Desk, Google, Allomedia, etc.)
  • Extraction, nettoyage et transformation de grands volumes de données vocales provenant de différentes
  sources.
  • Développement d’un modèle de reconnaissance de voix par le deep learning avec des données propres
  en entrée.
  • Évaluation des performances et test.
  Classification de texte
  • Réalisation d’un état de l’art.
  • Extraction, nettoyage et transformation textuels en utilisant les techniques de word embedding.
  • Développement des algorithmes de classification de teste par Deep learning, réseaux de neurones
  LinkedIn : ********-******** Email: ********
  Tel : ******** Adresse : Nanterre
  
  Hassina ******** | Data Scientist/Engineer
  récurrents, Random Forest, SVM.
  • Évaluation des performances.
  Chatbot
  • État de l'art et évaluations/benchmarks pour différentes solutions du marché (Replika,Botti, etc.)
  • Extraction, nettoyage et transformation textuels FAQ.
  • Développement des algorithmes de classification de teste par Deep learning, classification naïve
  bayésien, Random Forest, SVM, régression logistique.
  • Évaluation des performances.

  Technologies: Python, TensorFlow, PyTorch, Sickit-learn, pandas, numpy

• Data Engineer (ENIEM)

  Jan 2018 - Jan 2018

  Recueil et analyse des besoins fonctionnels :
  • Organiser des réunions avec les parties prenantes pour comprendre les exigences du système de
  recommandation.
  • Identifier les critères importants pour les recommandations, tels que les préférences des utilisateurs, les
  caractéristiques des produits, etc.
  Développement d'algorithmes de recommandation :
  • Utiliser Python pour concevoir et mettre en œuvre des algorithmes adaptés au big data, comme le
  filtrage collaboratif, le filtrage basé sur le contenu ou les modèles de factorisation matricielle.
  • Optimiser les algorithmes pour garantir leur efficacité et leur extensibilité.
  Traitement et préparation des données :
  • Nettoyer et prétraiter les données brutes pour les rendre utilisables dans le système de
  recommandation.
  • Utiliser SQL pour gérer efficacement les bases de données contenant les informations sur les produits et
  les utilisateurs.
  Construction de l'environnement technique :
  • Travailler sur un environnement Linux pour assurer la compatibilité et la stabilité du système.
  • Installer les bibliothèques Python nécessaires pour le développement et l'analyse des données.
  Évaluation des performances des algorithmes :
  • Comparer les performances des différents algorithmes de recommandation en utilisant des métriques
  appropriées.
  • Identifier les points forts et les limitations de chaque approche.
  • Rédaction d'un compte rendu :
  • Documenter le processus de développement, les choix d'algorithmes et les étapes de prétraitement des
  données.
  • Présenter les résultats de l'évaluation et fournir des recommandations pour améliorer le système de
  recommandation.
  Rédaction d'un compte rendu :
  • Documenter le processus de développement, les choix d'algorithmes et les étapes de prétraitement des
  données.
  • Présenter les résultats de l'évaluation et fournir des recommandations pour améliorer le système de
  recommandation.

  Technologies : Python, TensorFlow, PyTorch, Sickit-learn, Linux, matplotlib