Plateforme d’Inférence Causale pour A/B Testing

Problématique : Quel est l’impact réel de nos campagnes email sur les conversions ?

Plateforme complète d’A/B testing combinant analyse Bayésienne et Causal ML pour aller au-delà de la simple corrélation et mesurer l’impact causal des interventions marketing.

Approche :

• Analyse Bayésienne avec PyMC pour des résultats interprétables (probabilité d’être le meilleur)
• Causal ML avec X-Learner pour estimer les effets hétérogènes (CATE)
• API FastAPI pour la recommandation en temps réel
• Dashboard Streamlit pour l’exploration des résultats

Résultats : Sur 64,000 clients e-commerce, identification d’un lift de +16% pour les emails “Mens” vs +8% pour “Womens”.

Technologies : Python, PyMC, CausalML, SHAP, FastAPI, Streamlit

Voir le détail → | Dashboard Streamlit

Dynamic Pricing Engine

Problématique : Comment optimiser les prix en temps réel selon le contexte et la demande ?

Projet explorant les stratégies de surge pricing utilisées par Uber et Lyft, avec une progression méthodologique de l’économétrie au reinforcement learning.

Approche progressive :

1. EDA & Storytelling : Exploration du dataset et narrative business
2. Élasticité-prix Bayésienne : Modèle économétrique avec PyMC
3. Contextual Bandits : Thompson Sampling pour l’exploration/exploitation
4. Q-Learning : Agent de reinforcement learning complet

Dataset : ~700K trajets Uber & Lyft (Boston, Nov 2018)

Technologies : Python, PyMC, ArviZ, scikit-learn, Streamlit

Voir le détail →

Penguin Explorer - Full-stack ML Demo

Problématique : Comment déployer un modèle ML de bout en bout avec une architecture moderne ?

Projet démonstratif d’une architecture ML complète : de l’entraînement au déploiement, en passant par l’API et le frontend, avec intégration R et Python.

Architecture :

DuckDB → scikit-learn → Vetiver → FastAPI → Shiny (Python & R)

Points forts :

• Model Registry avec Vetiver et pins
• API REST auto-générée avec documentation OpenAPI
• Frontends dual : Shiny Python et Shiny R
• CI/CD avec GitHub Actions
• Containerisation complète avec Docker Compose

Technologies : Python, R, scikit-learn, Vetiver, FastAPI, Shiny, Docker, GitHub Actions

Voir le détail → | GitHub

House Prices Prediction - Harvard Certificate

Problématique : Prédire le prix de vente de maisons en Iowa à partir de leurs caractéristiques.

Projet final du certificat Data Science de Harvard, explorant et comparant de nombreuses approches de régression.

Modèles testés :

• Régression linéaire (baseline)
• Random Forest
• XGBoost
• GAM (Generalized Additive Models)
• Neural Networks
• Ensemble (combinaison des meilleurs modèles)

Résultats : Comparaison systématique des performances et identification des features les plus importantes.

Technologies : R, RMarkdown, caret, xgboost, randomForest

Voir le détail →