Mon Travail

Création d'un Dashboard pour une marque de cosmétique

• Collecte et intégration des données – Agrégation des données de vente, stocks, avis clients et tendances du marché à partir de différentes sources (CSV, bases de données) - Nettoyage et formatage des données.

• Visualisation des performances – Création de graphiques et indicateurs clés (KPI) pour suivre les ventes, l'évolution de l'entreprise afin d'établir de futur stratégies.

• Analyse des tendances – Identification des produits les plus populaires, des variations saisonnières et des opportunités d’optimisation grâce à des analyses exploratoires.

• Personnalisation et interactivité – Mise en place de filtres et de tableaux de bord dynamiques pour permettre à l'entreprise d’explorer ses données en fonction de ses besoins.

• Automatisation et mise à jour – Développement d’un système d’actualisation automatique des données pour assurer un suivi en temps réel des performances de la marque.

Système de recommandation produit

• Collecte des préférences utilisateur – Un questionnaire interactif permet de recueillir les critères et préférences des utilisateurs pour affiner les recommandations.

• Base de données produits – Un fichier CSV contenant une liste de produits classés selon différents critères (catégorie, prix, popularité, caractéristiques, etc.).

• Filtrage et matching – Un algorithme analyse les réponses du questionnaire et filtre les produits correspondant aux critères renseignés.

• Génération des recommandations – Le système sélectionne les produits les plus pertinents et propose une liste personnalisée à l’utilisateur.

Transcription audio vers MIDI

(projet en cours de réalisation)

• Collecte et préparation des données – Récupération d’enregistrements audio (morceaux de musique, performances live, samples). Utilisation de bases de données existantes contenant des fichiers audio avec leurs partitions correspondantes.

• Extraction de caractéristiques – Analyse des morceaux en fonction de critères pour convertir de l’audio en représentations exploitables par l’algorithme (MIDI, spectrogrammes).

• Modélisation et entraînement – Développement d’un modèle de Deep Learning pour la reconnaissance des notes et accord. Entraînement sur les datasets labellisés avec une validation croisée pour améliorer la précision.

• Évaluation et optimisation – Test du modèle sur des morceaux inédits pour mesurer la précision de la transcription. Ajustement des hyperparamètres pour améliorer la reconnaissance des notes et accords complexes.

• Visualisation et interprétation – Génération automatique des partitions en format MIDI. Création d’une interface interactive permettant aux utilisateurs de voir la transcription.

  Comparaison des résultats avec des logiciels existants pour évaluer les performances du modèle.