Zakaria Mehdaoui

Au sein du pôle R&D / Simulation – Véhicules connectés et dynamiques, j'ai pu développé un modèle de deep learning (RNN, LSTM) en Python pour modéliser les dynamiques véhicules et participer à la création d'un jumeau numérique. Cette mission couvrait l'ensemble du processus en allant de la partie feature engineering (sélection de variables, matrices de corrélation, ACP) jusqu'au développement du modèle final avec son optimisation de paramètres.

Une autre mission fut la création et comparaison de modèles supervisés et non supervisés (RN, Random Forest, XGBoost, SVR, KMeans, DBSCAN) pour prédire les efforts ressentis par les roues lors des différentes phases de roulages en fonction du chargement, des différents types de trains, pneus ect. Le modèle final atteint 11 % d’erreur sur jeu de données réduit et son temps d’exécution a été optimisé de 4 min à 28 sec (~ –88 %).

Au sein du pôle R&D, j'ai réalisé une étude comparative d’une dizaine de modèles de machine learning pour la détection et la classification d’anomalies moteur, couvrant l’ensemble du cycle Data Science : préparation, entraînement, évaluation et mise en production. J’ai préparé et traité les données capteurs (nettoyage, feature engineering, normalisation), analysé les performances des modèles et communiqué les insights et recommandations aux équipes techniques. Grâce au feature engineering, au tuning d’hyperparamètres et à la sélection de modèles, j’ai amélioré les performances de classification de 84 % à 92 %. J’ai également conçu un dashboard interactif (Python, Plotly, Power BI), mis à jour hebdomadairement et utilisé par les équipes R&D et essais pour le suivi des outliers et KPI. Cette mission a impliqué une collaboration internationale avec les équipes du Brésil et des États-Unis, avec une communication technique entièrement en anglais.