Jean Philippe VERT

Expérience

• Assistants Ingénieurs dans l'équipe d'OpenSILEX, INRAE-UMR MISTEA, Montpellier (Septembre 2020 - Juin 2021)

• Stage dans l'équipe d'OpenSILEX, INRAE, Montpellier (février 2020 - août 2020)

Projets

• TER Conception d’un algorithme d’apprentissage sémantique, qui optimise l’efficacité du traitement des données grâce à Hadoop, UM, Montpellier (2019)

  Ce projet s’inscrit dans le cadre du réseau lexical collaboratif « JeuxDeMots », développé au LIRMM, à Montpellier. Notre objectif principal consistait à développer un algorithme distribué sur la grille de calcul Grid5000, capable d’apprendre les liens sémantiques à partir de volumes importants de données.

  Nous avons abordé plusieurs défis principaux :

  • La maîtrise d’une table de données gigantesque dépassant 12 Go (des centaines de millions d’enregistrements).
  • Assurer une répartition égale des informations afin d’optimiser la charge de travail.
  • L’utilisation de frameworks comme Hadoop pour un calcul parallèle performant.

  Ce projet a abouti à la création de deux algorithmes essentiels :

  1. Algorithme d’apprentissage : Assurant une distribution équitable et une mise en œuvre efficiente.
  2. Algorithme d’exploitation : En combinant et en regroupant les résultats pour une exploitation optimale.

  Ce projet, initié sur la plateforme Grid5000, a servi de tremplin pour élaborer et perfectionner le réseau lexical « JeuxDeMots » et renforcer les fonctionnalités sémantiques.

• Projet SmartCity, UM, Montpellier (2019)
• Analyse statistique des commentaires des utilisateurs et utilisatrices sur les films, projet de science des données (2019)

  Ce projet se situe dans le domaine de l’analyse des sentiments appliquée à l’évaluation de films par les internautes. L’objectif principal consistait à concevoir et évaluer un modèle de classification capable de distinguer les avis positifs des avis négatifs sur la base des textes fournis.

  Le projet peut être divisé en deux grandes étapes :

  • Définition du modèle par l’expérimentation de diverses méthodes de prétraitement et de classification dans le but d’améliorer la fiabilité de la catégorisation.
  • Analysez la performance du modèle en l’évaluant sur un jeu de données inédites, appelé « jeu de test », afin d’évaluer sa capacité à s’appliquer à des situations nouvelles.

  La méthodologie a comporté plusieurs étapes clés :

  1. Prétraitement des données : nettoyage et transformation des textes, y compris la suppression des stopwords et la lemmatisation.
  2. Sélection des classifieurs : expérimentation avec plusieurs modèles (forêts aléatoires, SVM, régression logistique, réseaux de neurones).
  3. Optimisation et validation : évaluation des performances avec des métriques de précision et rappel, ainsi que l’analyse des erreurs de classification.

  Pour réaliser ce projet, nous avons fait usage des outils suivants :

  • Jupyter pour l’interactivité et la documentation des étapes du projet.
  • Scikit-learn pour l’implémentation des algorithmes de classification.
  • NLTK pour les prétraitements et le traitement de texte.
  • Matplotlib pour la visualisation des résultats et l’évaluation du modèle.

  Ce projet a permis le développement d’un modèle robuste pour la classification d’avis sur les films, avec des performances optimisées sur les données d’entraînement. L’analyse des résultats sur les données de test a offert des pistes pour des améliorations futures, notamment l’intégration de modèles plus avancés, tels que les architectures Transformer.

Formation

• Master 2 - Architectures et ingénierie du logiciel et du Web, faculté des Sciences, Montpellier (2020)

• Licence Informatique, faculté des Sciences, Montpellier (2018)

N’hésitez pas à m’écrire.