Juvenis KABORE

Étudiant en cycle ingénieur à l’EFREI, spécialisé en Big Data et Machine Learning.
Passionné par l’analyse et la prédiction de données, je recherche un stage en Data Science.
Doté d'un bon Relationnel et sens du Storytelling, je suis compétent en Python, bases de données et Machine Learning, avec des bases solides en Deep Learning, notamment en NLP et en Computer Vision.

• Python 101 for Data Science – Cognitive Class (2025)
• SQL and Relational Databases 101 – Cognitive Class (2025)
• (En cours) Google Data Analytics,
• (En cours) Fabric Analytics Engineer Associate,
• (En cours) Azure AI Engineer

•  Autonomie, prise d'initiative

•  Relationnel, travail en équipe 

•  Adaptabilité 

•  Esprit critique

• Sport (Natation, Gymnastique, Taekwondo)
• Musique
• Intelligence artificielle & Data Science : veille technologique, projets personnels

Hackathon AI COLAS & EFREI 2025 (en colaboration avec DataBricks, OpenValue, Microsoft) - Classification des Dommages sur Pistes d'Atterrissage (3e Prix)
Avril 2025

• Développement d'un modèle de classification multi-label utilisant EfficientNet pour détecter des dommages (fissures, réparations, etc.) sur des images aériennes de pistes d'atterrissage dans le cadre du hackathon COLAS & EFREI 2025.
• Implémentation d'un pipeline complet en PyTorch : prétraitement des données, entraînement avec précision mixte (FP16), gestion des erreurs CUDA, et optimisation des hyperparamètres pour limiter le surapprentissage.
• Atteinte d'une précision de validation et de test maximale de 70 % et un score F1 stable, avec une analyse approfondie des performances par classe conduisant mon équipe à la 3e place.

Projet Personnel - Application d'Aide à la Décision : Évaluation des Risques de Cancer du Col
Mars 2025

• Conception et développement d'une application interactive pour évaluer les risques de cancer du col utérin, utilisant Python, Streamlit, SHAP, et des modèles de machine learning (Random Forest, XGBoost).
• Réalisation de la préparation des données (nettoyage, feature engineering) et optimisation des hyperparamètres des modèles pour améliorer la précision des prédictions.
• Intégration de l'explainabilité des prédictions avec SHAP, permettant une interprétation claire des facteurs de risque pour les utilisateurs.
• Déployement de l'application via Streamlit dans un pipeline CI/CD, assurant une mise à jour continue et une accessibilité pour les professionnels de santé.

Projet Personnel - Système RAG pour l'Assurance (Retrieval-Augmented Generation)
En cours (2025)

• Développement d'un système RAG combinant BERT pour le retrieval et T5 pour la génération, afin de répondre à des questions sur l'assurance à partir du dataset InsuranceQA.
• Implémentation d'un pipeline de prétraitement (conversion de séquences d’index en texte via un fichier de vocabulaire), optimisation des performances sur GPU avec CUDA, et évaluation des réponses avec le score BLEU.
• Technologies utilisées : Python, Transformers (Hugging Face), PyTorch, NLTK, Pandas, Scikit-learn.