PDF

DATA ❦ GAZETTE

Jules Lascoux

Data Analyst
Jules Lascoux
Fig. 1 - Jules Lascoux

Je suis un data analyst passionné, un peu touche à tout, je suis capable d'apréhender des sujets transerves. Je prends du plaisir à découvrir ce que je ne connais pas.

Mon travail se concentre sur l'analyse de données, je rends visuel et exploitable tout ce que je peux. Je maitrise Python, SQL et PowerBI. Ma curiosité m'a permis de toucher à pleins de domaines liés de prés ou de loin à la data

Localisation: Toulouse, France
Email: jlslascoux@gmail.com
LinkedIn: linkedin.com/in/jules-lascoux/
GitHub: github.com/JulesLscx
  • Analyse de données : Pandas, DuckDB, Excel
  • Machine Learning : Scikit-learn, TensorFlow, PyTorch, XGBoost
  • Visualisation :PowerBI, Matplotlib, Seaborn
  • Languages : Python, SQL, Java
  • Outils : Oracle, AWS, Docker, Git

⚘ Expérience Professionnelle ⚘

◆ Data Analyst

Banque Populaire Occitane Toulouse, France
sept. 2024 - Présent

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

  • Créé des outils d'analyses des consommations électriques
  • Analyse du suivi des pannes et des interventions sur les sites
  • Construit des tableaux de bord interactifs avec PowerBI
  • Automatisé les pipelines de données avec Power Automate

◆ Developpeur Logiciel

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

Développer de modules logiciels pour l'import de données de conceptions électrique de logiciels tierces

  • Parser de données XML avec Java
  • Conception Objets des classes de données.
  • Optimisation des traitements (réductions de 25% des temps d'écritures)
  • Rédactions de documents techniques

⚘ Formation & Diplômes ⚘

◆ Master Miage

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

Cours pertinents : Big Data, Analyse de données, IA

◆ Bachelor en informatique

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

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

⚘ Projets en vedette ⚘

PETITES ANNONCES & PROJETS PAGE 1 SUR 2

Implémentation de DS-STAR

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

PythonLLMGeminiMulti-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 alimenté par les modèles Gemini 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 (ex: GPT-4) pour agir en tant qu'"Analyste" et "Développeur" pour muter les stratégies.
  • Recherche au niveau du code: Les stratégies sont représentées sous forme de code Python exécutable.
  • Auto-réparation: Inclut une boucle de réparation 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: Utilisation d'Elasticsearch pour indexer et rechercher dans les sous-titres.
  • Support multilingue: Gestion des sous-titres en VO et VF.
  • 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.
}