Science des donnéesDébutant
Science des données × Débutant
Jeune diplômé souhaitant intégrer le secteur de la Data Science. Grâce à mes recherches en machine learning en master et à deux stages longs dans des start-ups spécialisées en IA, j'ai acquis des compétences en construction de modèles prédictifs avec Python et en extraction et analyse de données à grande échelle avec SQL. Fort d'une médaille sur Kaggle, je sais appréhender les problèmes métier sous un angle mathématique et les implémenter de bout en bout.
📌 Résumé de carrière
- ▸De septembre 2022 à août 2023 : stage Data Scientist dans la start-up IA A. Participation à l'amélioration du moteur de recommandation d'un site e-commerce, en charge du feature engineering et de l'évaluation hors ligne des modèles.
- ▸D'avril 2023 à mars 2024 : assistant de recherche dans la start-up universitaire B. Développement from scratch d'un outil d'analyse de sentiments des avis clients en traitement du langage naturel, jusqu'à sa mise en API.
- ▸D'avril 2021 à aujourd'hui : master en ingénierie des systèmes intelligents, laboratoire de recherche. Recherche sur des algorithmes de détection d'anomalies sur séries temporelles, avec présentation par poster lors d'une conférence internationale.
📌 Réalisations et atouts
- ▸Refonte du modèle de recommandation en stage : amélioration du taux de clic (CTR) de 14,5 % par rapport à l'ancienne version, soit un gain mensuel d'environ 8 millions de yens.
- ▸Sur une compétition Kaggle de données tabulaires, construction d'une méthode d'ensemble combinant LightGBM et réseaux de neurones, obtenant le top 2 % (médaille d'argent).
- ▸Mise en place et administration de l'environnement serveur du laboratoire (AWS EC2/GPU), automatisation de l'allocation des ressources de calcul pour 15 chercheurs, améliorant l'efficacité de la recherche de 30 %.
📌 Compétences
- ▸Langages de programmation : Python (Pandas, NumPy, Scikit-learn), SQL, R
- ▸Machine learning / Deep learning : PyTorch, LightGBM, XGBoost, Hugging Face Transformers
- ▸Infrastructure data / MLOps : AWS (S3, EC2, SageMaker), Docker, Git/GitHub, MLflow
- ▸Langues et autres : anglais (TOEIC 860, lecture de publications scientifiques et rédaction de documents techniques sans difficulté), certification en statistiques niveau 2
📌 Présentation personnelle
- ▸« Une force motrice qui fait le pont entre la technologie et le business » : lors de mon stage, j'ai été confronté au problème d'un modèle très précis mais dont le coût d'inférence était trop élevé. En collaborant avec les ingénieurs, j'ai optimisé le modèle par distillation et conversion au format ONNX, réduisant la latence de 40 % tout en maintenant une précision de 98 %. Je sais trouver l'équilibre entre exigences métier et contraintes techniques, avec une forte conviction de délivrer de la valeur de bout en bout.
💡 Conseils clés
- 💡Pour un poste junior en data science, on évalue votre potentiel et votre capacité d'implémentation. Vos résultats Kaggle ou en compétition doivent être accompagnés d'un discours clair sur vos hypothèses et votre feature engineering : préparez-vous à en parler en entretien.
- 💡Quel que soit le type d'entreprise (japonaise ou étrangère), une maîtrise de SQL et du prétraitement des données est indispensable. Au-delà de la construction de modèles, mettez en avant votre expérience concrète de nettoyage de données brutes : cela valorise votre profil.
- 💡Pour vos recherches et stages, entraînez-vous à formuler vos résultats en termes d'impact business (chiffre d'affaires, réduction de coûts) afin d'être compris par des RH ou des directeurs non techniques.
- 💡Si vous visez des entreprises étrangères, des tests de codage (type LeetCode) et des entretiens techniques en anglais sont fréquents : préparez en parallèle les bases algorithmiques et la présentation de vos projets en anglais.
🔗 🔗 Autres niveaux
Dernière vérification : 2026-09-06 · Rédaction aijobs