PDF

DATA ❦ GAZETTE

Jules Lascoux

Data Analyst
Jules Lascoux
Fig. 1 - Jules Lascoux

Je suis un data analyst passionné, autonome et débrouillard, je suis capable d'appréhender des sujets transverses. Je prends du plaisir à découvrir ce que je ne connais pas.

Mon travail se concentre sur l’analyse : cadrage des besoins, exploration des données, construction d’indicateurs, modélisation et restitution orientée décision. À travers mes projets, j’ai renforcé ma maîtrise de Python, SQL et Power BI pour produire des analyses fiables, actionnables et adaptées au contexte métier.

Localisation: Toulouse, France
Email: jlslascoux@gmail.com
LinkedIn: linkedin.com/in/jules-lascoux/
GitHub: github.com/JulesLscx
  • Management des données : Bases de données relationnelles (Oracle, PostgreSQL) et NoSQL (MongoDB, Neo4J, Elasticsearch)
  • Analyse et Manipulation de Données : Machine Learning, Deep Learning, LLM
  • Visualisation : PowerBI, Matplotlib, Seaborn
  • Langages : Python, SQL, Java
  • Outils : AWS, Docker, Git
  • Langues : Français (natif), Anglais (courant)
  • Soft Skills : Curiosité, Autonomie, Esprit d'équipe, Communication, Résolution de problèmes

⚘ Expérience Professionnelle ⚘

◆ Data Analyst

Banque Populaire Occitane Toulouse, France
sept. 2024 - Présent

Développer des outils d'analyse des données pour un service logistique

  • Développement d'un outil de monitoring de la consommation électrique des agences permettant de mesurer les économies réalisées
  • Création d'un tableau de bord de suivi des tickets d'intervention pour les équipements techniques des agences permettant de mesurer les délais d'intervention et l'impact des travaux
  • Développer un algorithme de détection d'anomalie des systèmes CVC (Analyse prédictive) et scoring des équipements
  • Développer un algorithme d'optimisation de l'attribution des voitures (minimisation de la distance)
  • Construire des tableaux de bord interactifs avec PowerBI
  • Création de pipelines de données automatisés (Power Automate)

◆ Développeur Logiciel

Komax France Toulouse, France
avr. 2023 - sept. 2024

Développer des modules logiciels pour l'import de données de conceptions électriques de logiciels tiers dans un logiciel industriel

  • Parser des données XML avec Java
  • Concevoir les classes de données en orienté objet
  • Optimiser les traitements (réduction de 25% des temps d'écriture)
  • Rédiger des documents techniques

⚘ Formation & Diplômes ⚘

◆ Master Miage

Université Toulouse Capitole Toulouse, France
sept. 2024 - sept. 2026

Cours pertinents : Management de données relationnelles et NoSQL, Machine Learning, Deep Learning, Gestion de projet, Qualité de données, Data Visualisation

◆ Bachelor en informatique

Université Paul Sabatier Toulouse, France
sept. 2021 - juil. 2024

Cours pertinents : Architectures de BDD, Machine Learning, Programmation Orienté Objet, Administration de BDD

◆ Bac STI2D mention très bien

Lycée Jean François Champollion Figeac, France
sept. 2018 - juil. 2021

⚘ Projets en vedette ⚘

PETITES ANNONCES & PROJETS PAGE 1 SUR 2

Implémentation de DS-STAR

Framework d'agents pour l'automatisation de la Data Science

PythonLLMMulti-Agent
Cliquer pour les détails ↻
Implémentation de DS-STAR

Implémentation du papier de recherche de Google "DS-STAR: A State-of-the-Art Versatile Data Science Agent". Ce framework utilise un système multi-agents avec LLM pour analyser des données, planifier, écrire et exécuter du code afin de répondre aux requêtes des utilisateurs.

Caractéristiques clés:

  • Workflow Agentique: Pipeline d'agents spécialisés (Analyzer, Planner, Coder, Verifier, Router, Debugger, Finalyzer).
  • Reproductibilité: Sauvegarde complète des étapes, prompts, code et résultats pour auditabilité.
  • Interactif & Reprenable: Possibilité de pauser, reprendre et exécuter étape par étape.
  • Édition & Débogage: Permet l'édition manuelle du code et inclut un agent de débogage automatique.

Implémentation de ProFiT

Recherche de programmes pour le trading financier via LLM

PythonLLMAlgorithmes Évolutifs
Cliquer pour les détails ↻
Implémentation de ProFiT

Reproduction du framework "ProFiT (Program Search for Financial Trading)". Il s'agit d'un algorithme de recherche évolutive piloté par LLM qui découvre et améliore de manière autonome des stratégies de trading algorithmique.

Caractéristiques clés:

  • Évolution pilotée par LLM: Utilise des LLM pour agir en tant qu'"Analyste" et "Développeur" pour muter les stratégies.
  • Algorithme réplicable: Les stratégies sont représentées sous forme de code Python exécutable.
  • Auto-débugage: Inclut une boucle de débugage où le LLM corrige les erreurs de syntaxe ou d'exécution.
  • Validation Walk-Forward: Implémente une validation croisée spécifique pour les séries temporelles.
PETITES ANNONCES & PROJETS PAGE 2 SUR 2

Series-Search

API Python pour rechercher des séries via leurs sous-titres (VO/VF)

PythonElasticsearchAPINLP
Cliquer pour les détails ↻
Series-Search

Développement d'un moteur de recherche permettant de retrouver des séries télévisées à partir de leurs sous-titres. Le projet indexe 128 séries et permet des recherches en version originale (VO) et version française (VF).

Caractéristiques clés:

  • Recherche textuelle avancée: Indexation BM25 des sous-titres dans une base de données NoSQL (Elasticsearch).
  • Qualité des données: Pipeline de nettoyage et de prétraitement des sous-titres.
  • API REST: Interface pour interagir avec le moteur de recherche.
  • Base de données: Indexation de 128 séries populaires.

RankFinder

Estimation de notes à partir de commentaires clients via Deep Learning

PythonJupyter NotebookDeep LearningNLP
Cliquer pour les détails ↻
RankFinder

Projet universitaire visant à évaluer la polarité des avis clients (Amazon, Spotify, etc.) pour en prédire la note associée. L'objectif est d'aider les plateformes à mieux comprendre les retours consommateurs.

Caractéristiques clés:

  • Analyse de sentiment: Évaluation de la polarité des commentaires textuels.
  • Prédiction de note: Estimation du score (rating) basé sur le texte de l'avis.
  • Machine Learning / Deep Learning: Utilisation de modèles d'apprentissage pour le traitement du langage naturel.
}