Modèle prédictif basé sur l'analyse automatique de CV, développé en équipe lors du hackathon Educentre à Station F, Paris.
Ce projet a été réalisé lors d'un hackathon organisé par Educentre à Station F. L'objectif : développer en temps limité un modèle de machine learning capable d'estimer la note d'un intervenant à partir de son CV, en s'appuyant sur des techniques de traitement du langage naturel.
La solution vise à aider à la sélection et à l'évaluation d'intervenants en automatisant l'analyse de profils, tout en garantissant une approche objective et fondée sur les données.
Educentre disposait de données hétérogènes sur les intervenants — CV, notes historiques, informations textuelles. Transformer ces données en variables exploitables par un modèle prédictif était le premier enjeu.
Les CV sont par nature non structurés : chaque candidat écrit à sa façon, avec des formats différents. Nettoyer, normaliser et vectoriser ce contenu a nécessité une pipeline NLP robuste.
Un hackathon impose de choisir vite et bien — le bon modèle, la bonne feature engineering, sans sur-optimiser. Prioriser les efforts en équipe sous pression est une compétence à part entière.
Pour travailler en équipe sur les mêmes données en temps réel, tout a été centralisé sur Google BigQuery — un choix structurant qui a demandé une configuration rapide et efficace.
Scraping de CV via Python pour alimenter le dataset en données réelles.
Centralisation des données sur Google BigQuery pour le travail collaboratif en temps réel.
Nettoyage et vectorisation TF-IDF des textes avec pandas pour extraire les features pertinentes.
Entraînement, évaluation et interprétation du modèle de prédiction de note avec scikit-learn.
Ce projet a renforcé mes compétences en NLP, en machine learning et en data engineering — dans un contexte réel, collaboratif et sous forte contrainte de temps. Un format d'apprentissage accéléré comme peu d'autres.
Je réponds en général sous 24h — pour un cours, une collaboration ou juste échanger.