🎓 Projets Master 2 - Data Scientist (2023-2024)
💻 Le code des 7 projets est consultable : projets_Master_2 — notebooks avec leurs sorties, sans les jeux de données.
Formation : OpenClassrooms + Centrale Supélec
Alternance : MICHELIN (Fév 2023 - Fév 2024), 39h/semaine, 4 jours/5 en entreprise
Durée : 12 mois
Projets réalisés : 7 projets validés
Où en est ce projet : formation et alternance terminées et validées (2024). Le code Michelin reste confidentiel (données pricing propriétaires) ; les notebooks académiques sont versionnés dans le dépôt dédié, sans les jeux de données.
🧑💼 Vue d’ensemble
Cette deuxième année (2023-2024) associe une formation avancée (deep learning, NLP, séries temporelles) à une alternance d’un an chez Michelin.
La mission Michelin en une phrase : rapprocher automatiquement des données de pricing venant de sources multiples et hétérogènes, à l’échelle mondiale (niveau continental) — un travail de rapprochement fait manuellement jusque-là, avec des résultats jugés excellents par plusieurs Product Owners.
L’impact : accélération considérable des temps de traitement par rapport au processus manuel, amélioration de la qualité des données de pricing, et un POC mené jusqu’au bout, préparé pour la mise en production, puis adapté et utilisé par les équipes.
Le reste de l’année : projets académiques sur des cas variés (application santé publique, prévision de consommation énergétique, segmentation client e-commerce, classification automatique de texte, reconnaissance d’images).
🏭 Alternance Michelin - POC Parsing/Matching de Données Complexes
Statut : ✅ Validé - Alternance réussie
Durée : 12 mois (Fév 2023 - Fév 2024)
Contexte : Données pricing mondial, niveau continental, hétérogénéité des sources
Problématique
- Rapprocher des données de pricing provenant de sources multiples et hétérogènes, niveau continental
- Assurer la qualité des données pour des analyses pricing mondiales fiables
Missions Réalisées
- Réalisation d’un POC de parsing/matching de données complexes, niveau continental
- Rapprochement automatisé de données de pricing hétérogènes, et tests de non-régression
- Nettoyage et qualité des données, analyses spécifiques autour du pricing niveau mondial
- Tests de non régression
Résultats Globaux
- Vitesse d’exécution et résultats jugés excellents d’après plusieurs Product Owners
- Accélération considérable des temps de traitement par rapport au processus manuel
- POC mené jusqu’au bout et préparé pour la mise en production, adapté et utilisé par les équipes par la suite
Synthèse des Feedbacks
Mots-clés dominants : - Implication/Challenger : Engagement constant - Maîtrise/Développement : Compétences techniques solides - Force proposition : Autonomie et initiative - Qualité/Exécution : Standards élevés - Industrialisation : Vision produit
Feedback Michelin
Antoine DANIEL LAMAZIERE (PO) + Architecte Data : - “Implication et capacité constante à se challenger” - “Maîtrise des solutions de développement et mise en œuvre” - “Force de proposition, assidu dans les missions” - “POC parsing/mapping mené avec succès”
🧠 Projets Académiques
Projet 1 : Définissez Votre Stratégie d’Apprentissage
Statut : ✅ Validé
Objectifs : - Définir une stratégie d’apprentissage personnalisée - Planifier le parcours Master 2 - Identifier les ressources et outils
Feedback : “Cadre de la formation bien défini, objectifs clairs. Très bonne soutenance.”
Projet 2 : Concevez une Application au Service de la Santé Publique
Statut : ✅ Validé
Contexte : Application data science pour la santé publique
Réalisation : - Analyse de données de santé - Modélisation prédictive - Visualisation et recommandations
Feedback : “Livrables complets, répondent à la problématique. Analyse pertinente des données, traitements outliers et valeurs manquantes bien réalisés.”
Projet 3 : Anticipez les Besoins en Consommation de Bâtiments
Statut : ✅ Validé
Contexte : Prédiction de consommation énergétique
Réalisation : - Feature engineering temporel - Modèles de régression - Prévisions de consommation
Feedback : “Valeurs manquantes très bien réalisées, beaucoup de recherches. Data leakage bien identifié et écarté. Très bon score de R². Félicitations.”
Projet 4 : Segmentez des Clients d’un Site E-commerce
Statut : ✅ Validé
Contexte : Segmentation client pour e-commerce
Réalisation : - Clustering (K-Means, CAH) - Analyse comportementale - Recommandations business
Feedback : “Présentation claire et agréable, support de qualité professionnel. Bonne compréhension des approches de clustering, clusters bien interprétés.”
Projet 5 : Catégorisez Automatiquement des Questions
Statut : ✅ Validé
Contexte : Classification automatique de textes (NLP)
Réalisation : - Pipeline NLP (tokenization, vectorization) - Modèles de classification de textes - TF-IDF, embeddings, transformers
Feedback : “Travail de grande qualité, répond parfaitement aux critères de validation. Bon niveau technique et solides compétences en communication.”
Projet 6 : Classez des Images à l’Aide d’Algorithmes de Deep Learning
Statut : ✅ Validé
Objectifs pédagogiques : - Maîtriser les architectures CNN (Convolutional Neural Networks) - Transfer learning avec modèles pré-entraînés - Data augmentation et régularisation
Réalisation : - Architectures testées : CNN custom, ResNet, VGG, EfficientNet - Framework : TensorFlow/Keras ou PyTorch - Prétraitement d’images (normalisation, redimensionnement) - Data augmentation (rotation, flip, zoom) - Transfer learning et fine-tuning - Gestion du surapprentissage (dropout, batch normalization)
Technologies : Python, TensorFlow/PyTorch, CNN, Transfer Learning
Feedback : “Points forts : prétraitements, CNN from scratch, transfer learning, data augmentation, fine-tuning.”
Projet 7 : Développez une Preuve de Concept (Option Stage)
Statut : ✅ Validé
Contexte : POC pour validation des acquis avant stage/alternance — classification sur données tabulaires, test d’une famille d’algorithmes récente (TabPFN) comparée aux approches ensemblistes (XGBoost, LightGBM, CatBoost)
Réalisation : - Projet intégrateur combinant plusieurs compétences - Démonstration de capacité à mener un projet de bout en bout - Présentation et soutenance
Feedback : “Sujet pertinent, sources sérieuses consultées et bien articulées. Présentation claire.”