Camille Moreau

• Diplômée avec mention Bien, spécialisation en apprentissage automatique

• Mémoire de fin d'études sur l'utilisation du deep learning pour la détection de fraude financière

• Projet de fin d'études réalisé en collaboration avec un grand acteur bancaire

• Formation fondamentale en mathématiques, algorithmique et programmation

• Projets pratiques de statistiques et d'analyse de données

• Stage de fin de licence sur l'analyse exploratoire de données de consommation énergétique

• Conception et déploiement de modèles de machine learning pour l'optimisation de la chaîne logistique

• Développement de pipelines de données automatisés en Python et Spark, réduisant de 30 % le temps de préparation des données

• Mise en place de tableaux de bord interactifs avec Power BI pour suivre les indicateurs de performance

• Encadrement d'une équipe de trois data scientists juniors, avec revue de code et suivi des bonnes pratiques

• Collaboration avec les équipes produit et métier pour traduire les besoins en solutions analytiques

• Développement de modèles de scoring pour la détection de fraude aux transactions bancaires

• Amélioration de la précision du modèle de détection de 15 % grâce à l'ingénierie de caractéristiques

• Mise en œuvre d'algorithmes de traitement du langage naturel pour l'analyse des retours clients

• Rédaction de rapports d'analyse et présentation des résultats aux comités de direction

Récompense attribuée pour le développement d'un modèle prédictif de maintenance industrielle ayant réduit les coûts d'arrêt de production de 20 %.

Distinction décernée pour le mémoire portant sur la détection de fraude financière par réseaux de neurones profonds.

Publication co-écrite présentant une approche de deep learning pour détecter des transactions frauduleuses en temps réel. L'article détaille les architectures comparées et les résultats sur un jeu de données bancaires anonymisé.

• Conception d'un système de recommandation hybride combinant filtrage collaboratif et embeddings

• Amélioration de 12 % du taux de clics sur une plateforme de streaming culturel

• APIs Dockerisées déployées sur AWS Elastic Beanstalk

• Modèle de NLP basé sur BERT pour classer les tweets en sentiments positifs, négatifs ou neutres

• Pipeline de collecte de données avec Twitter API et Kafka

• Visualisation des tendances avec Grafana

• Accompagnement d'associations à but non lucratif dans l'analyse de leurs données

• Développement d'un outil de suivi des bénéficiaires pour une association d'aide alimentaire

• Animation d'ateliers de sensibilisation aux enjeux éthiques de la donnée