{"id":13567273,"url":"https://github.com/cmbesnier/portofolio","last_synced_at":"2025-04-04T01:31:37.750Z","repository":{"id":246261413,"uuid":"820571711","full_name":"cmbesnier/portofolio","owner":"cmbesnier","description":null,"archived":false,"fork":false,"pushed_at":"2024-07-13T09:38:20.000Z","size":7762,"stargazers_count":3,"open_issues_count":0,"forks_count":0,"subscribers_count":1,"default_branch":"main","last_synced_at":"2024-11-04T22:36:42.320Z","etag":null,"topics":[],"latest_commit_sha":null,"homepage":null,"language":null,"has_issues":true,"has_wiki":null,"has_pages":null,"mirror_url":null,"source_name":null,"license":null,"status":null,"scm":"git","pull_requests_enabled":true,"icon_url":"https://github.com/cmbesnier.png","metadata":{"files":{"readme":"README.md","changelog":null,"contributing":null,"funding":null,"license":null,"code_of_conduct":null,"threat_model":null,"audit":null,"citation":null,"codeowners":null,"security":null,"support":null,"governance":null,"roadmap":null,"authors":null,"dei":null,"publiccode":null,"codemeta":null}},"created_at":"2024-06-26T18:32:07.000Z","updated_at":"2024-07-13T09:38:23.000Z","dependencies_parsed_at":null,"dependency_job_id":"2ab82ca6-a495-450c-b024-8438f005c4fc","html_url":"https://github.com/cmbesnier/portofolio","commit_stats":null,"previous_names":["cmbesnier/portofolio"],"tags_count":0,"template":false,"template_full_name":null,"repository_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/repositories/cmbesnier%2Fportofolio","tags_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/repositories/cmbesnier%2Fportofolio/tags","releases_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/repositories/cmbesnier%2Fportofolio/releases","manifests_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/repositories/cmbesnier%2Fportofolio/manifests","owner_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/owners/cmbesnier","download_url":"https://codeload.github.com/cmbesnier/portofolio/tar.gz/refs/heads/main","host":{"name":"GitHub","url":"https://github.com","kind":"github","repositories_count":247107816,"owners_count":20884793,"icon_url":"https://github.com/github.png","version":null,"created_at":"2022-05-30T11:31:42.601Z","updated_at":"2022-07-04T15:15:14.044Z","host_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub","repositories_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/repositories","repository_names_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/repository_names","owners_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/owners"}},"keywords":[],"created_at":"2024-08-01T13:02:27.313Z","updated_at":"2025-04-04T01:31:32.739Z","avatar_url":"https://github.com/cmbesnier.png","language":null,"funding_links":[],"categories":["Misc"],"sub_categories":[],"readme":"# Data Scientist\n⚡️ Ingénieure avec 8 ans d’expérience dans l’énergie et l’aménagement urbain, j’ai ajouté une brique data science à mon profil en 2021. \n\n🌍️ Curieuse, méthodique et organisée, j’aime me confronter à des problématiques métier variées, dans un contexte français ou international.\n\n🌿 Je suis particulièrement intéressée par les domaines suivants : efficacité énergétique, énergies renouvelables, réseaux, mobilité, comptabilité carbone ou autre aspects de la transition écologique.\n\n👉 Mon [CV](/assets/CV-CM-BESNIER-2024-DS1P.pdf) et mon profil [LinkedIn](https://www.linkedin.com/in/cmbesnier/)\n\n## Expériences professionnelles\n- Data scientist, [ENERGIENCY](https://www.energiency.com/fr/), 2022-2024\n- Traductrice technique Anglais/Français, Freelance, 2019-2021\n- Expatriation aux Etats-Unis (bénévolat, formatrice en FLE), 2014-2018\n- Consultante Bâtiment, Energies \u0026 Climat, [INDDIGO](https://www.inddigo.com), 2010-2014\n- Consulante Éco-quartier, [INDDIGO](https://www.inddigo.com), 2008-2010\n\n## Formation\n- Data Scientist, OpenClassrooms \u0026 Centrale Supélec, 2021\n- Master Recherche Sciences et Techniques des environnements urbains, École d'Architecture de Nantes, 2008\n- Ingénieure Généraliste, Centrale Nantes, 2008\n\n\u0026nbsp;\n\u0026nbsp;\n\u0026nbsp;\n\u0026nbsp;\n\n# Portfolio Data Science\nVoici une sélection de quelques projets réalisés dans le cadre de ma formation OpenClassrooms\n\u0026nbsp;\n\n## Implémentation d'un modèle de scoring\n---------\nDéveloppement d’un modèle de détection du risque de faillite bancaire et déploiement d’une application de type dashboard interactif\n\n*Classification binaire / Métrique spécifique / Light GBM / Dashboard / Streamlit*\n\n![Dashboard](/assets/bankloan-dashboard.png)\nLien vers le [dashboard interactif](https://cmbesnier-credit-dashboard-main-wndjuj.streamlit.app/)\n\n**Données** \n- 7 tables de données contenant des informations diverses sur plus de 300 000 clients ayant fait une ou plusieurs demandes de prêts  \n\n**Démarche**\n- Analyse exploratoire et sélection de variables pertinentes\n- Définition d’une métrique d’évaluation spécifique aux coûts et pertes associés\n- Test de plusieurs méthodes pour pallier aux deséquilibres des classes\n- Optimisation et comparaison de modèles en utilisant des méthodes de blending et stacking\n\n**Résultats**\n- Sélection du modéle Light GBM\n- Création et déploiement d’un dashboard interactif avec prédiction en direct en utilisant GitHub et Streamlit\n- [Note méthodologique](https://github.com/cmbesnier/credit-dashboard/blob/main/P7-03-note%20me%CC%81thodologique.pdf) / [Repo Github](https://github.com/cmbesnier/credit-dashboard/)\n\n\u0026nbsp;\n\u0026nbsp;\n\u0026nbsp;\n\u0026nbsp;\n  \n## Segmentation d'une base client\n---------\nSegmentation d’une base clients pour une entreprise de e-commerce et validation de la stabilité des clusters\n\n*Clustering / Réduction de dimension / Interprétabilité / Sankey Diagram*\n\n![clustering](/assets/clustering.png)\n\n**Données**\n- Base de données de plus de 90 000 clients. 8 fichiers de données concernant les achats, les paiements, les appréciations, etc.\n\n**Démarche**\n- Création de variables interprétables et actionnables en termes marketing\n- Optimisation du nombre et de la taille des clusters avec les algorithmes k-Means et DB Scan\n- Visualisation des clusters par réduction de dimensions (ACP, t-SNE)\n- Test de la stabilité des clusters avec différents indicateurs\n\n**Résultats**\n- Choix de retenir 5 clusters (algorithme k-Means)\n- Interprétation des caractéristiques des clusters en termes marketing\n- Validation de la stabilité des clusters retenus sur une période de 6 mois et visualisation avec diagramme de Sankey\n\n\u0026nbsp;\n\u0026nbsp;\n\u0026nbsp;\n\u0026nbsp;\n\n# Classification automatique d'articles\n---------\nFaisabilité du classement automatique des articles d’un site de vente en ligne sur la base de la description et de la photo d’un article\n\n*NLP / Image processing / Transfer learning / Clustering*\n\n![reconnaissance-articles-1](/assets/reconnaissance-articles-1.png)\n\n**Données**\n- Échantillon de 1050 articles répartis en 7 catégories avec nom, image et description\n\n**Démarche**\n- Extraction de features texte et images avec des modèles traditionnels\n- Comparaison des performances avec celles de réseaux de neurones pré-entraînés\n- Segmentation des articles en groupes aux caractéristiques similaires et comparaison avec les catégories réelles\n\n![reconnaissance-articles-1](/assets/reconnaissance-articles-2.png)\n\n**Résultats**\n- Meilleurs résultats obtenus avec les algorithmes de Transfert Learning : \n  - Textes : ARI = 71% avec algorithme USE \n  - Images : ARI = 41% avec algorithme ResNet50\n \n\n\n\u0026nbsp;\n\u0026nbsp;\n\u0026nbsp;\n\u0026nbsp;\n\n# Prédiction de consommation d'énergie\n---------\nDéveloppement d'un modèle de prédictions des consommations d’énergie et d'émissions de gaz à effets de serre pour des bâtiments tertiaires\n\n*Régression / Feature engineering / Hyper-paramètres / Métriques*\n\n![energy-pred](/assets/energy-pred-1.png)\n\n**Données**\n- Caractéristiques, énergie et émissions de 3 400 bâtiments de la Ville de Seattle pour 2015 et 2016 (open data)\n\n**Démarche**\n- Analyse exploratoire\n- Feature engineering : création de plusieurs variables pertinentes (catégorie de bâtiments, profil énergétique, ...)\n- Comparaison et choix de métriques\n- Comparaison de plusieurs modèles de régression (Lasso, ElasticNet, SVR RandomForrest, XGBoost)\n- Optimisation des hyper-paramètres\n\n**Résultats**\n- Pertinence des variables créées, notamment le mix énergétique\n- Meilleures performances obtenues avec le modèle linéaire ElasticNet\n \n![energy-pred](/assets/energy-pred-2.png)\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n","project_url":"https://awesome.ecosyste.ms/api/v1/projects/github.com%2Fcmbesnier%2Fportofolio","html_url":"https://awesome.ecosyste.ms/projects/github.com%2Fcmbesnier%2Fportofolio","lists_url":"https://awesome.ecosyste.ms/api/v1/projects/github.com%2Fcmbesnier%2Fportofolio/lists"}