About Smail
Je maîtrise plusieurs outils essentiels à la data science, notamment Python et SQL, ainsi que les principales bibliothèques utilisées pour l’analyse, l’exploration et la visualisation des données (telles que pandas, NumPy, matplotlib, seaborn, scikit-learn, etc.).
N’hésitez pas à consulter certains de mes projets sur mon profil GitHub : smail-ctrl.
French
Native or bilingual
English
Fluent
Can work on-site
Nanterre (up to 30km)
Experience
- Projet persoPrédiction du succès d’ un filmJanuary 2025 - March 2025 (2 months)Tâches réalisées :Nettoyage des données : suppression des données superflus.Feature engineering : création de critères de succès (note > 7), encodage des genres etstudios de production.Modélisation : régression logistique pour prédire le succès commercial d’un film.Évaluation du modèle et analyse de la performance via un rapport de classification.Visualisation des données pour explorer les variables influentes (budget, genre,popularité…).
- Projet persoAnalyse des données du TitanicApril 2025 - June 2025 (2 months)Tâches réalisées :Nettoyage des données : traitement des valeurs manquantes, conversion des types.Analyse exploratoire : taux de survie selon le sexe, la classe, l’âge.Visualisations claires (barplots, boxplots, KDE plots) pour appuyer les conclusions.
Recommendations
Be the first to recommend Smail
Help this freelancer shine by sharing your experience working together.
These freelancer profiles also match your criteria
Agatha Frydrych
Backend Java Software Engineer
4.7
(3)
2
Baptiste Duhen
Fullstack developer
4.6
(4)
5
Amed Hamou
Senior Lead Developer
4
(2)
7
Audrey Champion
Web developer
4.3
(3)
4
Education
- Les librairies Python pour la Data ScienceOpenclassrooms2025Étude des bibliothèques essentielles : - NumPy : manipulation de tableaux multidimensionnels, opérations mathématiques rapides - Pandas : traitement et nettoyage de données, manipulation de DataFrames - Matplotlib & Seaborn : visualisation de données, création de graphiques clairs et informatifs
- Initiation au Machine LearningOpenclassrooms2025Formation complète sur les bases du machine learning avec Python et Scikit learn. Le cours aborde : - Les types d’apprentissage (supervisé / non supervisé) - Data-centric : normalisation des variables, gestion des outliers (Z-score, IQR), encodage de données textuelles ... - Model-centric : réduction de l’overfitting et des biais, validation croisée, régularisation ... - Création et l’évaluation de modèles de régression, de classification et de clustering : Accuracy, Precision, Recall, Matrice de Confusion ...