Site web BOOM
Design UI/UX et développement front-end du site web de BOOM, réalisé chez Aubépine.
Des interfaces pensées pour l'utilisateur, de la maquette à l'intégration. Chaque projet cherche clarté et cohérence.
Design UI/UX et développement front-end du site web de BOOM, réalisé chez Aubépine.
Chez Aubépine : maquette de l'application mobile sous Figma et développement front-end de l'application web BOOM.
Développement front-end sous WordPress et mise en place d'un système de réservation automatique pour les espaces de coworking et salles de réunion.
Conception de maquettes dynamiques pour les clients de l'entreprise, dans le respect du cahier des charges et des délais.
Alexandra Padonou
Avec de l'expérience en analyse, modèles IA, BI et développement front-end. Je transforme des données en solutions concrètes : API, modèles, tableaux de bord, et applications.
Du POC au déploiement : machine learning, vision par ordinateur, BI et data engineering au service de la décision.
Entraînement de modèles de segmentation d'images, détection d'objets et estimation de profondeur, sur un pipeline de données fiabilisé.
Migration et administration d'une plateforme de business intelligence : refonte d'univers et de rapports pour fiabiliser le pilotage.
Déploiement local d'un grand modèle de langage et collecte de données via API et SPARQL. Travaux ayant donné lieu à une publication scientifique.
Nettoyage, ACP et clustering de données économiques, restitués via dashboards et cartographies pour appuyer la décision publique.
Nettoyage, analyse exploratoire et multivariée des données Open Food Facts pour appuyer un organisme de santé publique, dans le respect du RGPD.
Modélisation pour prédire la consommation énergétique et les émissions de GES des bâtiments non résidentiels de Seattle à partir de leurs caractéristiques, avec interprétabilité SHAP/LIME.
Mise en production d'un modèle NLP multi-label pour suggérer des tags StackOverflow : API REST FastAPI, suivi et versionnement des modèles avec MLflow, tests automatisés et déploiement cloud (CI/CD).
Comparaison de modèles de deep learning (ResNet50, ConvNeXt) pour reconnaître la race d'un chien, avec un dashboard interactif de prédiction.
Mise en place d'un dashboard Streamlit interactif : analyse des données, comparaison des performances ResNet50 vs ConvNeXt, et prédiction de races de chiens en direct.