À Propos
Explorez l’univers novateur de Jean-Philippe VERT.
Fort de mon expérience remarquable au sein de la célèbre Cellule OpenSilex de l’unité MISTEA à l’INRAE de Montpellier, j’ai joué un rôle clé dans le développement géospatial de la suite logicielle OpenSilex. Cette plateforme centrée sur la gestion avancée des données agronomiques m’a permis de perfectionner mes aptitudes en Java, Vue.js, et CSS.
Ma contribution au projet a renforcé mon expertise en systèmes d’information géographique (SIG), en Web sémantique et en bases de données orientées documents. Porté par une rigueur impeccable et une dynamique contagieuse, je m’anime d’un engagement profond envers l’innovation et l’apprentissage continu.
Déterminé à exceller dans le domaine du développement informatique, je me tiens prêt à saisir de nouvelles opportunités et à relever les défis qui se présentent. Je souhaite partager mes compétences approfondies et mes réalisations lors d’une prochaine entrevue, dans l’espoir de collaborer sur des projets pionniers.
Expérience
Assistants Ingénieurs dans l'équipe d'OpenSILEX, INRAE-UMR MISTEA, Montpellier
Septembre 2020 - Juin 2021Gestion de Bases de Données et Étude Comparative :
- J'ai exploré en profondeur divers aspects techniques et fonctionnels du projet, en accordant une attention particulière à la gestion de l'information spatiale.
- J'ai mené une étude comparative entre MongoDB, RDF4J et GraphDB pour le stockage de données géographiques.
- J’ai travaillé sur des données générées avec le langage R, en utilisant Python pour les préparer.
Travail Technique Approfondi :
- J'ai envisagé de remplacer RDF4J par GraphDB en raison de leurs API similaires.
- J’ai apporté des modifications à des services Web et j’ai exploré la façon d’optimiser le stockage des données.
Visualisation et Interaction :
- J’ai travaillé sur la visualisation de données en utilisant un système d’information géographique.
- J’ai participé au prototypage de zonage et à la conception de diagrammes pour faciliter les interactions.
Défis et Solutions :
- J’ai fait face à de nombreux défis, ce qui m’a permis d’acquérir des compétences précieuses.
- J’ai apporté une contribution significative au projet OpenSILEX.
- J’ai mis en place des mécanismes pour annoter efficacement les zones, et j’ai documenté les problèmes rencontrés pour guider les utilisatrices et utilisateurs futurs, ainsi que le développement.
Formation
Master 2 - Architectures et ingénierie du logiciel et du Web
Faculté des Sciences, Montpellier
2020
Brochure Master AIGLELicence Informatique
Faculté des Sciences, Montpellier
2018
Compétences
Bases de données
- SQL
- PL-SQL
Administration de Site Web
- HTML
- CSS
- PHP
- JavaScript
- Vue.js
Programmation d'application
- C
- C++
- Java
- Python
Services Web
- RMI
- sockets
- services Web
- SOAP
- API REST
Réalisations
TER Conception d’un algorithme d’apprentissage sémantique, qui optimise l’efficacité du traitement des données grâce à Hadoop, UM, Montpellier
2019Ce projet s’inscrit dans le cadre du réseau lexical collaboratif « JeuxDeMots », développé au LIRMM, à Montpellier. Notre objectif principal consistait à développer un algorithme distribué sur la grille de calcul Grid5000, capable d’apprendre les liens sémantiques à partir de volumes importants de données.
Nous avons abordé plusieurs défis principaux :
- La maîtrise d’une table de données gigantesque dépassant 12 Go (des centaines de millions d’enregistrements).
- Assurer une répartition égale des informations afin d’optimiser la charge de travail.
- L’utilisation de frameworks comme Hadoop pour un calcul parallèle performant.
Ce projet a abouti à la création de deux algorithmes essentiels :
- Algorithme d’apprentissage : Assurant une distribution équitable et une mise en œuvre efficiente.
- Algorithme d’exploitation : En combinant et en regroupant les résultats pour une exploitation optimale.
Ce projet, initié sur la plateforme Grid5000, a servi de tremplin pour élaborer et perfectionner le réseau lexical « JeuxDeMots » et renforcer les fonctionnalités sémantiques.
Projet SmartCity, UM, Montpellier
2019Analyse statistique des commentaires des utilisateurs et utilisatrices sur les films, projet de science des données
2019Ce projet se situe dans le domaine de l’analyse des sentiments appliquée à l’évaluation de films par les internautes. L’objectif principal consistait à concevoir et évaluer un modèle de classification capable de distinguer les avis positifs des avis négatifs sur la base des textes fournis.
Le projet peut être divisé en deux grandes étapes :
- Définition du modèle par l’expérimentation de diverses méthodes de prétraitement et de classification dans le but d’améliorer la fiabilité de la catégorisation.
- Analysez la performance du modèle en l’évaluant sur un jeu de données inédites, appelé « jeu de test », afin d’évaluer sa capacité à s’appliquer à des situations nouvelles.
La méthodologie a comporté plusieurs étapes clés :
- Prétraitement des données : nettoyage et transformation des textes, y compris la suppression des stopwords et la lemmatisation.
- Sélection des classifieurs : expérimentation avec plusieurs modèles (forêts aléatoires, SVM, régression logistique, réseaux de neurones).
- Optimisation et validation : évaluation des performances avec des métriques de précision et rappel, ainsi que l’analyse des erreurs de classification.
Pour réaliser ce projet, nous avons fait usage des outils suivants :
- Jupyter pour l’interactivité et la documentation des étapes du projet.
- Scikit-learn pour l’implémentation des algorithmes de classification.
- NLTK pour les prétraitements et le traitement de texte.
- Matplotlib pour la visualisation des résultats et l’évaluation du modèle.
Ce projet a permis le développement d’un modèle robuste pour la classification d’avis sur les films, avec des performances optimisées sur les données d’entraînement. L’analyse des résultats sur les données de test a offert des pistes pour des améliorations futures, notamment l’intégration de modèles plus avancés, tels que les architectures Transformer.