Christian Marechal Email and Phone Number

Pour mon travail de modélisation ML et Computer Vision sur les Générateurs de Vapeur des Centrales Nucléaires françaises

- Kaggle: Shopee-PriceMatch Guarantee,to determine if two products are the same by their imagethis project requires both deep learning for images and Nlp natural langage processing- tournament.datacrunch.com: time series prediction

Projet de l 'Agglomération de St Cyr l'école, - clustering des points de livraisons Modélisation des modes de transport, (velo, voiture , bus, marche, train)

2021 Application DisneylandParis envoi de sondage selon les attractions géolocalisée/visitées2020 Réouverture du Parc Disneyland Paris, création d'un algorithme temps-réèl, d'envoi de sondage aux visiteurs du parc géolocalisés.Modélisation des trajets GPS, GéolocalisationOpenHealth-Covid19 analyse des déplacementsClustering Dbscan, Modélisation des Modes de transports Voiture, Bus, Vélo, Marche: Création d’un process d’entrainement et de sélection automatique du meilleur modèle(Rf, Gradient Boost, Xgboost, avec gridsearch et CNN own original layers)Creation d'une chaine de ML automatiqueCreation d'une librairie de Map/reduceIndexation des Data de geolocalisation avec OpenstreetMapSinglespot: clustering, modélisation des trajetsStarapp: Analyse des distributions de data Socio-démographique mobile, clustering des traces gpsReportings statistiques.Eurodisney : Modélisation des trajets des visiteurs du Parc (restaurants, attractions),

- Mapping/Liage automatique des bases de données. Algorithmes Liage, Sackey, Frisk. - Dans un réseau de bases, identification des Données à caractères personnels (DCP), recherche de clefs.- Détermination des centres d’intérêts des users.- Création d’une chaine de process python de la Data Acquisition, Curation, Analysis, Usage- Génération des requêtes pré-calculées avec leurs jointures- Lancement parallélisé des requêtes sur les bases, agrégation inter-base des DCP- Création d’une Api python et d’un front Reactjs de recherche DPO des DCP

- Modèle autoregressif Arima, - Modele lightgbm - Modèle, Xgboost - Modèle réseau de neurones récurrents LSTMPublication sur Kaggle d'une solution combinant les modè les Xgboost et LSTM. - Doc de présentation et dossier Data Science - Environnement python

Modélisation avec bags of features Sift, Gradient Morphologique.- Transfer learning CNN avec les modèles Vgg16, Vgg19, Resnet50, - Ajout de couches Relu, Polling, Convolution. Optimizer SGD, Adam- Remplacement de la couche Fully-connected par softmax. - Création d’un batch d’identification des images.- Doc de présentation et dossier de Data Science

A partir de séries temporelles d’images satellite Landsat, de données démographique et environnementales (niveau des mers, mesures de surface des Glaciers) de 1984 à 2016. ML avec les réseaux de Neurones SOM- Etude démographique des villes de Brisbanes, Las Vegas, Comté de Miami- Etude environnementale du glacier de Columbia en Alaska- Doc de présentation et dossier de Data Science

- ML non supervisé LDA, Allocation de Dirichlet Latente, calcul de la matrice de probabilité de présence de chaque mot - L supervisé, classification multi class avec la stratégie One Versus Rest (OVR)- Modèles Logistique avec pénalité de Ridge, SVM, RN multilayer perceptron, Random Forest, Gradient Boosting classifier, réduction des dimensions avec PCA.- Création de deux Api de catégorisation, non supervisé et supervisé, Rédaction d’un document de Datascience

- Recherche de la classification/segmentation client optimale, Clustering Kmean++ , Score RFM- Sélection du meilleur classifieur : Précision, taux de bon classement, matrice de confusion, courbe ROC.- Hyperparamètres optimaux obtenus par Cross-validation - Modèle Regression Logistique avec pénalité, Gradient Boosting classifier, Random Forest classifier, SVM Support Vector Machine ou Séparateur à Marges Maximales, Classifieur à réseau de neurones multi-layer perceptron- Appli python de classification des clients, Dossier de Datascience

- Aide à la transformation numérique autour de la chaîne de valeur du Big Data. - Chaîne de process de la data, centralisation des data- Pour la Direction Financière de Primaxia - comprendre le comportement client. - Mémoire de recherche M2 IREN sur la création de la valeur par donnée dans le big data.

- Apprentissage supervisé :Modèlisation Ridge, Lasso, Elasticnet, Random Forest, SGD Regressor, perte Huber. - Cross validation des hyperparamètres optimaux. - Api python de prédiction du retard de vols du modèle choisit.- Doc de présentation et dossier de Data Science

- Apprentissage non supervisé, Calcul automatique choix optimal des Clusters /Segmentation. - Algorithme de LIoyed, Kmeans++ , scipy.spatial.distance, sklearn, pca, Visualisation des clusters avec Tsne.- Déploiement de l’Api en cloud, Doc de présentation et dossier de Data Science