moussa aiad - WIZBII moussa aiad a publié son profil professionnel sur WIZBII. m a

moussa aiad

Data scientist / Data engineer

31 ans • Clichy-sous-Bois

Résumé

Très à l'aise avec les statistiques, j'aime donner un sens aux données et les voir impacter le réel. Après avoir suivi un double cursus en mathématique et en machine learning, je suis diplômé d’un double diplôme : un Master statistique à l’UPMC (Sorbonne Université) et un diplôme en Ingénierie Statistique et Data Science (ISDS) à l’Institut de Statistiques de l’Université de Paris (ISUP). J'ai obtenu mon double diplôme il y a maintenant 1 an. Depuis, j'ai eu l'occasion de réaliser plusieurs missions en tant que consultant data scientist pour un projet spécifique. Ces expériences m'ont permis de découvrir en peu de temps différents marchés, différents types d'entreprises et différentes problématiques. Chacune avait ses objectifs, ses enjeux, mais toutes avaient besoin d'une analyse de leurs données.

Compétences

Pythonscikit learnpandasnumpymatplotlibseabornRSASSQLNoSQLBig DataMachine learningDeep learningFlask

Expériences

Consultant Data Scientist

- Études / Statistiques / DataMission : Développement d’un outil de segmentation client sous python Score & Secure Payment | SSP Objectifs : Implémenter un score caractérisant le risque de chèque impayé des clients Objectifs Implémenter un score caractérisant le risque de chèque impayé des clients Modèles utilisés : Modèle de régression logistique, Gradient boosting Résultat : Industrialisation des algorithmes dans le SI de SSP Outils utilisés : Python, Spark Mission : Production du risque de réserve dans le cadre du modèle interne de Generali Objectifs : Détermination du risque de réserve à l’ultime et à l’horizon 1 an Modèles utilisés : Validation d’hypothèses des modèles statistiques (Chain Ladder et Mack) Modèles utilisés : Modèle de rééchantillonnage sur les résidus Outils utilisés : R

Ingénieur data scientist

- Études / Statistiques / DataSujet du stage : Traitement des données spatio temporelles pour l’identification types de mobilités Objectifs : Mesure et optimisation de la qua lité de service Objectifs : Amélioration de l’expérience client  Favoriser le retour des Vélibs dans les stations Objectifs : Segmentation des déplacements des usagers Modèles utilisés : Gradient boosting , Modèle zéro inflated, LDA (Allocation de Dirichlet latente) Outils utilisés : Python, SQL et R

Challenge data (Kaggle) Predict the Crude Oil Production Trend

- Études / Statistiques / DataObjectif : Prédire l’augmentation de la production de pétrole brut par trimestre par pays à partir de plusieurs indicateurs recueillis au cours de l’année précédente Modèles utilisés : Gradient boosting Outils utilisés : Python

Formations

Master 2 Mathématique- UPMC

2017 - 2018 Master, Titre d'ingénieur, Bac +5 Paris, FranceÉtudes / Statistiques / Data

Data science- ISUP - UPMC

2017 - 2018 Master, Titre d'ingénieur, Bac +5 Paris, FranceÉtudes / Statistiques / Data

UPMc

2015 - 2017 Paris, France

Licence- UPEC

2012 - 2015 Licence, M1, Bac +3/4 Créteil, Val-de-MarneÉtudes / Statistiques / Data

Mes qualités

Autonome
Esprit d'équipe
Esprit d'analyse
Rigoureux·se

Langues parlées

  • Anglais

    Professionnel

Ma présence sur internet

Faire de chaque avenir une réussite.
  • Annuaire emplois
  • Annuaire entreprises
  • Événements
    •