Freelancer profile translated to English.
Back to original languageAbout Aurélie
Bio (FR)
Data Scientist spécialisée en NLP, ML et analytics.
J’aide les entreprises à transformer leurs données en insights clairs, modèles fiables et outils utilisables.
Compétences principales :
• NLP : chatbots, classification, sentiment analysis, NER
• Modèles ML : data prep → entraînement → évaluation → déploiement
• Data storytelling & dashboards UX
• Intégration UX/UI pour des produits data intuitifs
Projet récent :
Chatbot QA pour l’Université de Limerick (BERT, RAG, dataset SQuAD 1 200 Q/R).
Création du dataset, fine‑tuning, évaluation, scalabilité et documentation.
Autres compétences :
• Vision par ordinateur
• Apprentissage par renforcement (DQN)
• Visualisation orientée UX
• Communication claire
Diplômes :
MSc en IA — University of Limerick
Higher Diploma en HCI & UX — Maynooth University
Bilingue FR/EN.
Bio (EN)
Data Scientist specialised in NLP, ML and analytics.
I help companies turn raw data into clear insights, reliable models and user‑friendly tools.
Core skills:
• NLP: chatbots, text classification, sentiment analysis, NER
• End‑to‑end ML: data prep → training → evaluation → deployment
• Dashboarding & data storytelling
• UX‑driven design for intuitive data products
Recent project:
Built a QA chatbot for the University of Limerick using BERT, RAG and a custom SQuAD‑style dataset (1,200 Q/A pairs).
Handled dataset creation, fine‑tuning, evaluation, scalability and documentation.
Additional experience:
• Computer vision
• Reinforcement Learning (DQN)
• UX‑focused data visualisation
• Clear communication
Credentials:
MSc in AI — University of Limerick
Higher Diploma in HCI & UX — Maynooth University
Fluent FR/EN.
French
Native or bilingual
English
Native or bilingual
Remote only
Primarily works remotely
Experience
- ClientClient project — API data normalisation prototype for a flight‑weather use caseJune 2026 - June 2026Dublin, IrelandI developed a lightweight data‑engineering prototype for a client working on a flight‑weather concept. The goal was to transform raw API responses into clean, structured datasets for analysis and future modelling.The solution includes:
- Schema design for normalising heterogeneous API fields
- Custom mapping functions to extract and standardise key weather and flight attributes
- A Jupyter notebook documenting the workflow and mirroring the transformation logic
- A standalone Python script (.py) implementing the full data‑processing pipeline in a reproducible format
- Two final CSV outputs representing the cleaned and aligned datasets
This prototype enables the client to demonstrate their concept, integrate the data into future models, or present it to potential partners.FR:Projet client — Prototype de normalisation de données issues d’API pour un cas d’usage vol‑météoJ’ai développé pour un client un prototype léger d’ingénierie des données destiné à transformer des réponses brutes d’API en jeux de données propres, structurés et prêts pour l’analyse ainsi que pour de futurs modèles.La solution comprend :- La conception d’un schéma permettant de normaliser des champs hétérogènes provenant de différentes API
- Des fonctions de mapping sur mesure pour extraire et standardiser les attributs pertinents liés à la météo et aux vols
- Un notebook Jupyter documentant le workflow et reflétant la logique de transformation pour plus de clarté et de transparence
- Un script Python autonome (.py) implémentant l’ensemble du pipeline de traitement des données dans un format reproductible et proche d’un usage en production
- Deux fichiers CSV finaux représentant les jeux de données nettoyés et alignés
Ce prototype permet au client de présenter rapidement son concept, d’intégrer les données dans de futurs modèles ou de les montrer à des partenaires ou investisseurs potentiels. - IndépendantarXiv Publication: Fine‑Tuning BERT for Domain‑Specific QASeptember 2025 - December 2025 (3 months)Dublin, IrelandPublished an arXiv paper based on my MSc research on adapting transformer models for university‑level question answering.
- Built a 1,203‑pair SQuAD‑style dataset from the University of Limerick’s Book of Modules (mix of manual and LLM‑generated questions).
- Fine‑tuned BERT with PyTorch and evaluated using Exact Match and F1.
- Also compared extractive models with LLM‑based RAG pipelines (GPT, Gemini, Mistral) using Haystack, assessed with SAS scores and human evaluation.
Result:Demonstrated that fine‑tuning BERT on academic course material is effective and scalable for domain‑specific QA systems.FR:Publication arXiv : Fine‑Tuning de BERT pour le QA Domaine‑Spécifique- Publication sur arXiv basée sur mes travaux de MSc portant sur l’adaptation de modèles transformers au question‑réponse universitaire.
- Construction d’un dataset de format SQuAD de 1 203 paires Q/R à partir du Book of Modules (questions manuelles + générées par LLM).
- Fine‑tuning de BERT avec PyTorch et évaluation via Exact Match et F1.
- Comparaison de modèles extractifs avec des pipelines RAG basés sur des LLM (GPT, Gemini, Mistral) via Haystack, évalués avec des scores SAS et une évaluation humaine.
Résultat :Démonstration que le fine‑tuning de BERT sur du contenu académique est efficace et scalable pour des systèmes de QA domaine‑spécifique. - IndépendantMachine learning and deep learning tutorJune 2025 - Today (1 year and 2 months)Dublin, IrelandI do monthly machine and deep learning tutorials in Dublin. It lasts 2 hours and there can be up to 15 participants.
- I create a comprehensive lesson/tutorial with detailed explanations that I created in a jupyter notebook showing all of the steps of data preprocessing, training and evaluating a model.
- I use Python in google colab with different libraries such as scikit learn, pytorch, tensorflow, keras, seaborn, pandas, matplotlib along with publicly available datasets.
- Each month , I cover a different algorithm in depth such as linear regression, logistic regression, Kmeans clustering for customer segmentation, artificial neural network, decision tree, convolutional neural network for image recognition, natural language processing.
FR:Formatrice en apprentissage automatique et apprentissage profond- Organisation de tutoriels mensuels sur l’apprentissage automatique et profond (sessions de 2 heures, jusqu’à 15 participants).
- Création de supports pédagogiques complets via JupyterNotebook, incluant toutes les étapes : prétraitement des données, entraînement et évaluation de modèles.
- Utilisation de Python sur Google Colab avec des bibliothèques telles que : Scikit-learn, PyTorch, TensorFlow, Keras, Seaborn, Pandas, Matplotlib.
- Exploitation de jeux de données publics pour illustrer les concepts et les bonnes pratiques.
- Chaque mois, j’aborde en profondeur un algorithme différent lié à l’apprentissage automatique ou profond, tel que : Régression linéaire, Régression logistique ,K-means clustering (segmentation de clientèle) , Réseaux de neurones artificiels , Arbres de décision , Réseaux de neurones convolutifs (reconnaissance d’images) , Traitement du langage naturel (NLP).
Recommendations
Be the first to recommend Aurélie
Help this freelancer shine by sharing your experience working together.
These freelancer profiles also match your criteria
Agatha Frydrych
Backend Java Software Engineer
4.7
(3)
2
Baptiste Duhen
Fullstack developer
4.6
(4)
5
Amed Hamou
Senior Lead Developer
4
(2)
7
Audrey Champion
Web developer
4.3
(3)
4
Education
- MSc en Intelligence Artificielle / MSc in Artificial IntelligenceUniversity of Limerick2026Calcul scientifique pour l’IA Intelligence artificielle Apprentissage automatique Science des données Analyse de données Apprentissage profond Apprentissage profond pour la vision par ordinateur Éthique de l’intelligence artificielle Mémoire de fin d’études (NLP) Scientific computing for AI Artificial Intelligence Machine learning Data science Data analytics Deep learning Deep learning for computer vision Ethics of AI Final thesis (NLP)
- Higher Diploma en Interaction homme‑machine et Expérience utilisateur / Higher Diploma in HCI and UXMaynooth University2022Développement d’applications mobiles avec JavaScript Développement web 3D avec JavaScript Programmation en Java Communications multimédia (module d’ingénierie) Projet en équipe (module académique) Interface utilisateur (UI), expérience utilisateur (UX) et design d’interaction Enjeux éthiques de l’IHM Projet de fin d’études Mobile app development with JavaScript 3D web development with JavaScript Programming with Java Multimedia communications Team project User Interface (UI) , User Experience (UX) and Interaction Design Ethical implications of HCI Diploma project