Isidore ZONGO
Data Scientist
Data Scientist en alternance chez EDF et étudiant en 5ème année d'école d'ingénieurs, spécialisé en Intelligence Artificielle et Big Data. Passionné par l'IA appliquée, je conçois des solutions de Machine Learning, de Computer Vision et de prédiction énergétique. Bientôt diplômé, je suis prêt à relever de nouveaux défis techniques.
Mes projets, du plus récent au plus formateur.
Deep learning, vision par ordinateur, séries temporelles. Cliquez sur un projet pour les détails complets.
Prévision de consommation électrique sur un réseau insulaire — EDF
Système de prévision multi-horizons de la consommation électrique de l'île d'Ouessant, réalisé chez EDF SEI. Benchmark complet — baselines statistiques, machine learning (Random Forest, LightGBM, XGBoost tunés sous Optuna), modèles additifs GAM en R/mgcv, deep learning (LSTM, GRU) — puis agrégation d'experts en ligne qui surpasse chaque modèle pris isolément. ~658 000 points à résolution 5 min sur 6 ans, feature engineering de 46 variables, tracking MLflow, industrialisation Docker + API REST FastAPI.
- 4 horizons de prévision : 30 min, 1 h, 24 h et 48 h (pas de 5 min)
- Agrégation d'experts en ligne (MLPOL) : MAPE 3,31 % à 30 min · 3,73 % à 1 h · 5,11 % à 24 h · 5,76 % à 48 h
Galen — Assistant IA d’aide au diagnostic médical
Assistant destiné aux radiologues pour analyser des images médicales (IRM, scanners et radiographies) grâce à un LLM multimodal accessible via l’API Anthropic. Galen intègre une interface conversationnelle de questions-réponses, génère des comptes rendus PDF et embarque un modèle DenseNet121 entraîné pour détecter la pneumonie sur des radiographies thoraciques.
- Analyse d’IRM, de scanners et de radiographies via Claude, accessible par l’API Anthropic
- Génération automatisée de comptes rendus médicaux au format PDF
Détection d'Actions Humaines dans des Vidéos
Système de reconnaissance de 101 actions humaines dans des vidéos utilisant un réseau 3D-CNN (R3D-18) avec transfer learning depuis Kinetics-400, atteignant 93.4% de précision sur le jeu de test
- 93.4% d'accuracy sur le test set (1 723 vidéos) — 101 classes d'actions
- Transfer learning R3D-18 pré-entraîné sur Kinetics-400 (400 classes, millions de vidéos)
Prédiction de Présence — Smart Workplace
Prédiction de présence journalière dans un smart workplace à partir de données météo, calendrier et réservations. Comparaison de modèles classiques et deep learning, avec reproduction de l'architecture TimeXer (NeurIPS 2024) sur données propres.
- XGBoost R²=0.888 — meilleur modèle global toutes approches confondues
- LSTM R²=0.528 — meilleur modèle deep learning, surpasse GRU, RNN et TimeXer
Exercices Deep Learning — MNIST, CIFAR-10 & Fashion-MNIST
Série d'exercices supervisés couvrant la classification d'images avec MLP, CNN et transfer learning. Comparaison d'architectures et exploration des fondamentaux du deep learning.
- MNIST : MLP > 98% d'accuracy, optimisation des hyperparamètres
- CIFAR-10 : CNN personnalisé avec data augmentation, comparaison CNN vs MLP
Flappy Bird — Agent IA NEAT
Agent IA qui apprend à jouer à Flappy Bird grâce à un algorithme évolutif (NEAT) implémenté from scratch en Python. Aucune règle précodée : l'IA apprend uniquement par l'expérience, génération après génération, en faisant évoluer un réseau de neurones maison.
- NEAT from scratch : réseau de neurones et algorithme génétique codés sans aucune librairie ML
- Architecture 5 entrées → 8 neurones cachés → 1 sortie (sauter / ne pas sauter), activation tanh
Algorithme Génétique - Problème du Voyageur de Commerce
Résolution du problème TSP (Traveling Salesman Problem) par algorithme génétique avec visualisation en temps réel
- Implémentation complète d'un algorithme génétique
- Étude de la complexité algorithmique et problèmes NP-difficiles
Réseaux de Neurones pour la Reconnaissance et Classification
Développement de modèles Deep Learning pour diverses tâches de classification et reconnaissance
- Classification d'images (chiens/chats)
- Analyse NLP et détection des sentiments
Modèles Prédictifs Énergétiques
Système de prédiction de production d'énergie renouvelable intégrant données météo et coefficients de marée
- Intégration de données météorologiques en temps réel
- Prédiction de production PV et hydroélectrique
Stack technologique.
Maîtrise des technologies en IA, Machine Learning et Data Science.
Machine Learning Specialization
Introduction to Deep Learning & Neural Networks with Keras
IBM AI Engineer Professional Certificate
Là où j'ai posé mes mains.
Mon parcours dans le domaine de l'IA et de l'ingénierie énergétique.
Data Scientist - Alternance
- Développement de modèles prédictifs pour la production photovoltaïque (PV) et hydroélectrique avec intégration de données météorologiques et coefficients de marée
- Conception d'algorithmes interrogeant des API pour l'affichage en temps réel de l'état et la production pour la supervision des équipements
- Mise en œuvre de solutions d'optimisation énergétique pour appareils intelligents (chauffages, bornes de recharge VE, chauffe eau, lave-vaisselles)
- Analyses de données et data visualisation pour études et diagnostics énergétiques
- Automatisation de processus récurrents
Formation
Diplôme d'ingénieur – Généraliste
Institut Supérieur de l'Électronique et du Numérique
Programme Préparatoire Scientifique
Intéressé par mon profil ? Discutons de votre projet !
Me contacter →Démarrons une conversation.
Bientôt diplômé et à la recherche d'une opportunité en Machine Learning /Deep Learning /IA ,je réponds sous 24h.
Recherche une opportunité en Machine Learning /Deep Learning /IA · France ou remote européen.