MAROUANE EL HAJJI

Business Decision Optimization: Conducting market data analyses and predictive modeling based on sector trends to refine submission strategies for public procurement bids in Canada. Development of Market-Segmented Recommendation Systems: Designing recommendation models tailored to a small number of users, incorporating segmentation techniques and attribute similarity analysis to propose optimal amounts for similar bids. Data Extraction and Management: Integrating updated data streams (daily, weekly, and monthly) from JSON sources, ensuring consistently up-to-date information for decision-making. Dynamic Dashboards and Advanced Reporting: Creating interactive dashboards and automated reports to visualize market performance and trends, thereby facilitating strategic decision-making. Cross-Team Collaboration and Project Management: Coordinating with backend and frontend teams for data and feature integration, while ensuring that analyses meet business needs and contribute to performance objectives. Technologies: Python (Pandas, Scikit-learn, Selenium), SQL, JSON, Power BI, API, Recommendation Algorithms, Market Segmentation, Time Series Analysis, ETL/ELT, Web Scraping Automation, Predictive Modeling, Data Visualization.

Pendant mon stage en Data Science et en tant que Développeur Full-Stack chez Econocom Maroc, j'ai dirigé la conception et le développement d'une application web révolutionnaire dédiée à la gestion des stocks. Ma responsabilité principale était d'intégrer un système prédictif intelligent en utilisant des technologies de pointe telles que Python, Pandas, Numpy, Matplotlib, Keras, Régression, FastAPI, React, et PostgreSQL. Ce projet innovant vise à anticiper de manière proactive l'épuisement des stocks au sein d'Econocom Maroc, mettant en lumière ma capacité à fusionner les compétences en Data Science et en développement Full-Stack pour offrir des solutions d'entreprise avancées et efficaces.

Développement d’un système de classification et de recommandation de textes juridiques à partir de documents publics du portail du Ministère. Utilisation de Tesseract OCR et cv2 pour extraire du texte à partir de documents PDF. Création d'un ensemble de données annotées à partir de ces textes pour la classification automatique. Implémentation de différents modèles de machine learning pour la classification des textes, notamment Logistic Regression, Random Forest, et Support Vector Machines (SVM). Expérimentation avec des modèles de NLP, y compris TF-IDF et BERT, pour améliorer la précision de la classification. Conception d’un système de recommandation de documents juridiques basé sur les résultats de la classification, facilitant la recherche et la navigation pour les utilisateurs. Évaluation des performances avec des métriques telles que la précision, le rappel, le F1-score, et l’AUC.