Je suis étudiant ingénieur en 4ème année à Polytech Lyon, spécialisé en Mathématiques Appliquées et Modélisation. Passionné par la data science, le machine learning et l'ingénierie des données, je transforme des problématiques complexes en solutions concrètes et exploitables.

Je combine une rigueur mathématique, un esprit analytique et une forte capacité à communiquer mes résultats pour créer de la valeur business réelle. Actuellement en recherche de CDI Data Scientist / Data Engineer ou alternance pour 2026-2027.

• Cycle Ingénieur | Polytech Lyon (2023-2027)
  • Spécialisation : Data Science, Machine Learning, Deep Learning
• Licence Mathématiques Appliquées | Université de Paris Cité (2021-2023)

Python (Avancé)       ████████████░░  Pandas, NumPy, Scikit-learn, TensorFlow
SQL (Avancé)          ████████████░░  PostgreSQL, MySQL, Requêtes complexes
R (Intermédiaire)     ████████░░░░░░  ggplot2, dplyr
C++ (Intermédiaire)   ████████░░░░░░

• Supervised Learning : Régression, Classification, Gradient Boosting (XGBoost, LightGBM)
• Unsupervised Learning : Clustering (K-Means, DBSCAN), Dimensionality Reduction (PCA)
• Deep Learning : Neural Networks, CNN, RNN, LSTM, Transformers
• NLP : Text classification, Sentiment analysis, Word embeddings
• Model Optimization : Hyperparameter tuning, Cross-validation, Feature engineering

• Orchestration : Apache Airflow, Luigi
• Databases : PostgreSQL, MySQL, SQLAlchemy ORM
• Visualization : Tableau, Power BI, Plotly, Matplotlib, Seaborn
• Deployment : Docker, Streamlit, Dash, Heroku
• Cloud : AWS (S3, EC2), Google Cloud (notions)
• MLOps : Git/GitHub, MLflow, Jupyter Notebook

✓ Communication de résultats data
✓ Présentation aux stakeholders non-techniques
✓ Résolution analytique de problèmes
✓ Collaboration équipes cross-fonctionnelles

Identification de 87% des clients à risque de départ

🎯 Problématique : Prédire les clients qui vont résilier leur contrat dans une entreprise télécommunications
📊 Dataset : 7043 clients | 26.5% taux churn
🤖 Modèles : Random Forest (86.1% accuracy) vs XGBoost (87.2%)
💰 Impact : Économie potentielle 100K€/an via retention ciblée
🔍 Key Insights :

• Contrat mensuel = 3x plus de churn vs annuel
• Tenure et charges clients = features critiques
• Feature importance analysis + confusion matrix

📚 Stack : Python • scikit-learn • XGBoost • pandas • Matplotlib • Seaborn
🔗 GitHub : 01_ML_Classique_Churn

Prédiction du sentiment en temps réel avec 92.3% d'accuracy

🎯 Problématique : Classifier automatiquement les avis films en sentiments positifs/négatifs
📊 Dataset : 50K reviews IMDB | 10K vocabulaire
🤖 Architecture : Embedding (128 dims) → Bi-LSTM (64 units) → Dense layers
📈 Performance :

• Accuracy: 92.3% | Precision: 91.5% | Recall: 93.1%
• ROC-AUC: 0.975 | Inference: <500ms/review

🌐 Déploiement : Streamlit app interactive (3 onglets : Predict, Analytics, About)
📚 Stack : TensorFlow • Keras • NLTK • Streamlit • Python
🔗 Live Demo : sentiment-analysis-soboure69.streamlit.app
🔗 GitHub : 02_DL_NLP_Sentiment

Orchestration automatisée de 1000+ records/jour

🎯 Architecture : Extraction (Reddit, Twitter, OpenWeatherMap) → Transformation → Chargement
📦 Données : 1000+ records/jour | Multi-sources APIs
🔄 Workflow :

• Extractors Python (praw, tweepy, requests)
• Cleaning, validation, deduplication, feature engineering
• Chargement PostgreSQL via SQLAlchemy ORM

⚡ Optimisation : Réduction temps traitement de 60%
🛡️ Robustesse : Error handling, data quality checks, retry mechanisms
📚 Stack : Python • Apache Airflow • PostgreSQL • SQL • REST APIs
🔗 GitHub : 03_Data_Engineering_Pipeline

Moteur recommandation intelligent & dashboard interactif

🎯 Fonctionnalité : Content-based filtering avec cosine similarity
📊 Interface : 5 visualisations analytics interactives temps réel
💡 UX : Sélection produit → 5 recommandations similaires instantanées
⚡ Performance : Latence <500ms/requête
💰 Impact Business :

• +25% panier moyen (simulé)
• +40% CTR sur recommandations

🌐 Déploiement : Heroku production
📚 Stack : Python • Dash • Plotly • scikit-learn • Heroku
🔗 Live Demo : product-recommender-soboure69.herokuapp.com
🔗 GitHub : 04_Dashboard_Recommendation

• Cycle Ingénieur Polytech Lyon | 2023-2027

  • Spécialisation Data Science, ML, Deep Learning, Optimisation
  • Cours : ML Algorithms, Deep Learning, NLP, Computer Vision, Advanced Statistics, Databases, Big Data

• Licence Mathématiques Appliquées | Université de Paris Cité | 2021-2023

• Machine Learning Specialization - Stanford Online (Andrew Ng) | Coursera
• Deep Learning Specialization - DeepLearning.AI | Coursera
• TensorFlow Developer Certificate - Google (En cours)
• SQL for Data Science - UC Davis | Coursera
• Python for Data Science - IBM | DataCamp

Vous êtes intéressé par une collaboration, une discussion technique ou une opportunité professionnelle ?

• 📑 Mon CV Détaillé - Version complète avec expériences et formations
• 🎯 Portfolio Complet - Tous les projets data science
• 💡 Blog Medium - Articles techniques ML/Data

Last updated: December 2024