Parcourir les profils
Malt welcom

Bienvenue sur le profil Malt de Jawad !

Malt vous permet d'accéder aux meilleurs consultants freelances pour vos projets. Contactez Jawad pour échanger sur votre besoin ou recherchez d'autres profils sur Malt.

JawadA.

Jawad A.

data scientits , AMOA BIG Data

Peut se déplacer à Paris

  • 48.85661400000001
  • 2.3522219000000177
  • Tarif indicatif 400 €/ jour
  • Expérience 0-2 ans
Proposer une mission La mission ne démarrera que si vous acceptez le devis de Jawad.

Ce freelance a indiqué qu'il était disponible à temps partiel mais n'a pas reconfirmé depuis plus de 7 jours.

À temps partiel

Proposer une mission La mission ne démarrera que si vous acceptez le devis de Jawad.

Localisation et déplacement

Localisation
Paris, France
Peut travailler dans vos locaux à
  • Paris et 50km autour

Vérifications

E-mail vérifié

Langues

  • Anglais

    Capacité professionnelle limitée

Catégories

Compétences (9)

Jawad en quelques mots

Ancien Ingénieur Étude et développement en JAVA/J2EE pendant 9 ans : Architecture , Conception ,Développement des applications web dans différents secteurs : Assurance , Industrie ,...
4 ans d'expérience comme consultant AMOA /Gestion de projet
Préparation en cours de Certificat de spécialisation Analyste de données massives (Data scientiste):
Validation des modules dans CNAM:
- UASB03 : Projet synthèse certificat analyste de données massives : en cours.
- STAT101 : Analyse des données : méthodes descriptives et exploratoires : validé.
- STAT211 : Entreposage et fouille de données (data mining) : validé.
- NFE2014 : Bases de données documentaires et distribuées : validé.
- RCP216 : Ingénierie de la fouille et de la visualisation de données massives : validé.
- NTD204 : data visualisation pour tous : validé.
CNAM PARIS
Compétence technique :
- Langage de programmation ; Java , java script , R,Python
- SGBD: Oracle, DB2, postgresql, Mysql.
- BDD noSQL:MongoDB, Cassandra,ElasticShearch, Solr
- Machine learning: K-means , k plus proches voisins , Random Forest , Decision Tree, Réseaux de neurones, SVM ,Bootstrap, Boosting, Bagging, Deep learning, NPL, Text Mining.
- Statistiques descriptives et exploratoires : bivarié , analyse de données (ACP , AFM , ACM).


Expériences

CNAM

Banque & assurances

Réalisation d’un projet complet data mining de scoring pour une assurance (sujet existe dans le site KDD (Challenge Data scientist).

septembre 2018 - janvier 2019 (4 mois)

- Explication le type de client parmi les clients d’une assurance qui ont une assurance caravane.
- Construction un modèle prédictif qui permet de prédire parmi les clients d’une société d’assurance ceux qui ont le plus de chances de prendre une assurance caravane ou non.
- Etapes : Pré Traitement (nettoyage, réorganisation des données), statistiques univarié et bivarié, sélection de modèle, analyse de données exploratoire(ACM), échantillonnage : boostrap, bagging, validation croisé, Construction de plusieurs modèles prédictives et comparaison.


- Langage R Machine learning package caret

CNAM

Banque & assurances

Réalisation d’un projet complet data mining de scoring pour une assurance (sujet existe dans le site KDD (Challenge Data scientist).

septembre 2018 - janvier 2019 (4 mois)

- Explication le type de client parmi les clients d’une assurance qui ont une assurance caravane.
- Construction un modèle prédictif qui permet de prédire parmi les clients d’une société d’assurance ceux qui ont le plus de chances de prendre une assurance caravane ou non.
- Etapes : Pré Traitement (nettoyage, réorganisation des données), statistiques univarié et bivarié, sélection de modèle, analyse de données exploratoire(ACM), échantillonnage : boostrap, bagging, validation croisé, Construction de plusieurs modèles prédictives et comparaison.


- Langage R Machine learning package caret

CNAM

Edition

Réalisation d’un projet Fouille de texte NSF avec SPARK (sujet existe dans le site UCI (Machine learning Repository).

octobre 2018 - janvier 2019 (3 mois)

- Une classification automatique (thématique) sur un nombre important de résumés d’articles (120 000) qui ont des prix NSF pour la recherche fondamentale scientifiques entre 1990 et 2003.
- L’évolution des thématiques sur la période couverte par les résumés (1990-2003).

CNAM

Education & e-learning

Réalisation d’un projet Fouille de texte NSF avec SPARK (sujet existe dans le site UCI (Machine learning Repository).

octobre 2018 - janvier 2019 (3 mois)

- Une classification automatique (thématique) sur un nombre important de résumés d’articles (120 000) qui ont des prix NSF pour la recherche fondamentale scientifiques entre 1990 et 2003.
- L’évolution des thématiques sur la période couverte par les résumés (1990-2003).

CNAM

Banque & assurances

Projet tutoré : Credit Card Fraud Detection Predictive Models. (Sujet existe dans le site kaggle).

La Nouvelle-Orléans, États-Unis d'Amérique

septembre 2019 - Aujourd'hui (3 ans et 2 mois)

- Détection des éventuels fraudeurs parmi contiennent les transactions effectuées par carte de crédit.
- Mise en place d’une architecture distribuée : hadoop , spark , yarn , hbase.
- Construction de modèles prédictifs.
- Etapes : Pré Traitement (nettoyage, réorganisation des données), statistiques univarié et bivarié, sélection de modèle, échantillonnage : boostrap, bagging, validation croisé,
Gestion des données déséquilibrées , Construction de plusieurs modèles prédictives et comparaison.


CNAM

Banque & assurances

Projet tutoré : Credit Card Fraud Detection Predictive Models. (Sujet existe dans le site kaggle).

La Nouvelle-Orléans, États-Unis d'Amérique

septembre 2019 - Aujourd'hui (3 ans et 2 mois)

- Détection des éventuels fraudeurs parmi contiennent les transactions effectuées par carte de crédit.
- Mise en place d’une architecture distribuée : hadoop , spark , yarn , hbase.
- Construction de modèles prédictifs.
- Etapes : Pré Traitement (nettoyage, réorganisation des données), statistiques univarié et bivarié, sélection de modèle, échantillonnage : boostrap, bagging, validation croisé,
Gestion des données déséquilibrées , Construction de plusieurs modèles prédictives et comparaison.


Formations