JOF
JO.F / retour

Parcours 01 / Machine Learning

Des modèles qui deviennent des systèmes.

Data Scientist formé à Mines Paris - PSL (RNCP 7). Preuve concrète : une architecture multimodale classée 3e du leaderboard public Rakuten avec un weighted-F1 de 0,9078.

LIBREDonnées - modèle - mesure - productionLa chaîne complète, sans privilégier un seul point de vue.
Explorer l'architecture Vérifier les preuves
Mines Paris - PSLPyTorchFastAPIMonitoring
Preuve immédiate

Comprendre en quelques secondes.

preuve datée3e

classement public

Position publique constatée le 19 février 2026 à 11:54.

preuve datée0,9078

weighted-F1

Le score exact utilisé par ChallengeData pour classer les soumissions.

preuve datée84 916

exemples train

Images, titres et descriptions pour apprendre 27 catégories produit.

Démonstration technique

La preuve par le raisonnement.

Cette lecture interactive explique le passage des données au service. Les extraits sont condensés pour être lisibles ; la performance reste prouvée par le classement officiel.

JO.F / multimodal-systemarchitecture documentée
Trois modalités, une cible commune

Données

Chaque produit relie une image, un titre et une description à l'une des 27 catégories du challenge.

ImageTitreDescriptionLabel
dataset_schema.pylecture technique
class ProductSample(TypedDict):
    image: Tensor
    title: str
    description: str
    label: int

assert 0 <= sample["label"] < 27
Train
84 916
Modalités
3
Classes
27
  • Schéma contrôlé
  • Découpage stratifié
  • Valeurs manquantes tracées
01DonnéesTrois modalités, une cible commune
Trois modalités, une cible commune

Données

Chaque produit relie une image, un titre et une description à l'une des 27 catégories du challenge.

ImageTitreDescriptionLabel
Train
84 916
Modalités
3
Classes
27
  • Schéma contrôlé
  • Découpage stratifié
  • Valeurs manquantes tracées
02FusionVision + langage, sans mélanger les responsabilités
Vision + langage, sans mélanger les responsabilités

Fusion

Les représentations visuelle et textuelle sont apprises séparément, puis réunies avant la classification.

Encodeur texteEncodeur imageLate fusionClassifieur
Texte
NLP
Image
CNN / ViT
Fusion
Tardive
  • Embeddings normalisés
  • Ablation par modalité
  • Tête commune versionnée
03ÉvaluationMesurer comme le challenge mesure
Mesurer comme le challenge mesure

Évaluation

Le weighted-F1, l'analyse par classe et la matrice de confusion empêchent un bon score moyen de masquer les erreurs utiles.

PrédictionsWeighted-F1Erreurs / classeRapport
Score public
0,9078
Rang public
3e
Instantané
19.02.26
  • Métrique officielle
  • Analyse des confusions
  • Public et privé distingués
04ProductionDu modèle à un service observable
Du modèle à un service observable

Production

Le travail ne s'arrête pas au notebook : contrat d'API, version des artefacts, télémétrie et retour arrière font partie du système.

FastAPIRegistryServiceMonitoring
Serving
FastAPI
Version
MLflow / DVC
Suivi
Prom. / Grafana
  • Exécution reproductible
  • Artefacts versionnés
  • Latence et dérive observables
Projet mesuré

Rakuten multimodal

Données réelles, métrique officielle, rang public daté et lien de contrôle.

Fondamentaux code

HarvardX CS50x

Algorithmique et logiciel validés par un certificat edX directement vérifiable.

Chaîne complète

MLOps observable

Versioning, API, suivi d'expériences et monitoring pensés dès l'architecture.

Démonstration vivante

Ce site en production

React, rendu adaptatif, navigation clavier, mouvement réduit et déploiement statique.

Les technologies citées décrivent le projet, le cursus et la chaîne pratiquée. Elles ne remplacent jamais une preuve mesurée.

Formation et certifications

Des intitulés précis.
Pas une liste décorative.

Une sélection resserrée, reliée à l'expertise de cette page. Chaque carte ouvre la preuve publique disponible ou sa référence publiée sur LinkedIn.

2025 — 2026

Mines Paris - PSL

MLOps · Computer Science

RNCP 7 · 38587
Méthode

Un parcours court, une chaîne complète.

01

Cadrer

Données, objectif, coût de l'erreur et contrainte réelle.

02

Prototyper

Baseline, modèle utile et évaluation dès le premier cycle.

03

Industrialiser

API, versioning, monitoring, documentation et reprise.

04

Apprendre

Analyser les erreurs et améliorer la boucle, pas seulement le score.

01Cadrer

Données, objectif, coût de l'erreur et contrainte réelle.

02Prototyper

Baseline, modèle utile et évaluation dès le premier cycle.

03Industrialiser

API, versioning, monitoring, documentation et reprise.

04Apprendre

Analyser les erreurs et améliorer la boucle, pas seulement le score.

Continuer
Marketing SignalVision LabSystème propre
Démarrer un échange

Un contexte clair suffit.

Le contact sécurisé avec Turnstile vit sur l'accueil afin de garder cette page courte.

Ouvrir le contact filtré