Louis Plottier

• Traitement des données & Feature Engineering : Nettoyage des données du CERN et création de nouvelles variables analytiques complexes basées sur la compréhension physique du problème (cinématique des particules, métriques angulaires) pour maximiser la séparabilité du modèle.
• Modélisation par Gradient Boosting : Implémentation et optimisation d'algorithmes de Gradient Boosting basés sur des arbres de décision (XGBoost, Catboost, LightGBM)

Projets réalisés :

• Prédiction du Customer Churn : Algorithme de détection des clients risquant de se désabonner et mise en place de l'explicabilité du modèle pour identifier les facteurs clés de départ.
• Prédiction des notes d'hôtels : Analyse et prédiction des scores de satisfaction à partir de données mixtes (colonnes de texte brut et données chiffrées).
• Prédictions Médicales & Scientifiques : Classification du cancer du sein (Breast Cancer), prédiction des maladies cardiaques (Heart Disease) et classification stellaire (Stellar Class).

• Classification Multi-classes : Optimisation du modèle DeBERTa pour la classification de textes complexes.
• Détection de Spams : Nettoyage de commentaires textuels et prédiction par classification binaire.

• Classification Multi-label / Détection : Algorithme de reconnaissance visuelle pour identifier la présence simultanée ou isolée de sujets spécifiques sur des images.

• Gradient Boosting : Optimisation d'architectures (XGBoost, LightGBM, CatBoost) par validation croisée.
• Hyperparamètres : Fine-tuning et automatisation des recherches à l'aide d'Optuna.
• Analyse de données : Visualisation des convergences des itérations à l'aide d'UMAP.