Disponible immédiatement

Rosalie Corine
NKOUNGHAWE TOMEYUM

Data Scientist – Machine Learning Engineer – Ingénieure IA

Je conçois des modèles de deep learning de bout en bout — préparation des données, entraînement, évaluation rigoureuse et mise à disposition via une application ou une API. Deux expériences de recherche appliquée en Computer Vision (GREAH) et en NLP (CIRAD), avec une publication scientifique à la clé.

Télécharger le CV Me contacter Explorer les projets
0,996AUC-ROC (OCTOPUS)
0,99AUC (SURSY)
1Publication CNIA 2026
Illustration : silhouette formée d'un réseau de neurones et de feuilles de posidonie
Master 2 EIDD Université Sorbonne Paris Nord

À propos

Une démarche de bout en bout

Master 2 Informatique parcours EIDD (Université Sorbonne Paris Nord, soutenu en septembre 2026), formée en sciences de l'ingénieur Data Science & IA et en sciences des données. Mon exigence : des modèles performants, mais surtout évalués honnêtement et réellement utilisables.

Données

Nettoyage, déduplication, clustering et structuration de corpus multilingues ou d'images.

Modélisation

CNN, Transformers, SegFormer, SBERT : architectures comparées et ajustées sous PyTorch.

Évaluation

Validation croisée stratifiée, calibration de seuil, Dice/IoU, AUC-ROC et analyse d'erreurs.

Déploiement

Mise à disposition des modèles via applications Flask et APIs REST.

Français — Langue maternelle Anglais — B2 (professionnel)

Projets phares

Projets & recherche appliquée

Trois travaux menés de la donnée brute jusqu'à la mise en service, dont deux en contexte de recherche européenne et institutionnelle.

Computer Vision · Recherche

Segmentation sémantique d'images sous-marines

GREAH – Université Le Havre Normandie · Projet européen OCTOPUS

Cartographie de la Posidonia oceanica par deep learning : comparaison de 4 familles d'architectures et fiabilisation complète du protocole d'évaluation, jusqu'à une application d'inférence.

0,996AUC-ROC
96,8 %Justesse
36×Moins de paramètres
  • SegFormer B0–B5, U-Net, VGG16-FCN8 et PSPNet entraînés et comparés sous PyTorch.
  • Validation croisée stratifiée 5-fold, correction d'une fuite de données dans le choix du seuil, ensembles par vote optimal.
  • Application Flask d'inférence et d'évaluation : visualisation des prédictions et des métriques côté serveur.
  • Partenaires : University of Hull, Inha University, UIB.
PyTorchSegFormerU-NetPSPNetmIoU / DiceFlask

NLP · Recherche

Surveillance syndromique multilingue

CIRAD – Projet SURSY, Montpellier

Pipelines de classification de corpus multilingues pour la détection de signaux sanitaires, de la qualité des données jusqu'à la publication scientifique.

0,99AUC
4 214Doublons supprimés
CNIA/PFIA 2026Publication
  • TF-IDF, SBERT, Transformers et modèles supervisés pour la classification de corpus.
  • Clustering UMAP + K-Means et suppression automatisée de 4 214 doublons.
  • Co-signature d'un article accepté à la CNIA/PFIA 2026.
SBERTRoBERTaHugging FaceUMAPK-Meansscikit-learn

Deep Learning · Industrie

Détection et reconnaissance faciale

World Voice Group

Modèle de détection et d'identification de visages, industrialisé et exposé via une API REST.

API RESTMise en production
  • Pipeline de détection puis d'identification des visages.
  • Mise à disposition du modèle via une API REST Flask.
PythonOpenCVCNNFlask

Compétences

Stack technique

PyTorchTensorFlow / Kerasscikit-learnXGBoostCNNTransformers

Parcours

Expériences & formations

Expériences professionnelles

  1. 2026

    Ingénieure de recherche IA / Computer Vision (stage)

    GREAH, Université Le Havre Normandie

    • Projet européen OCTOPUS : segmentation sémantique d'images sous-marines (Posidonia oceanica).
    • Meilleur modèle : 96,8 % de justesse, AUC-ROC 0,996, 36× moins de paramètres que la référence.
    • Application Flask d'inférence et d'évaluation des modèles.

  2. 2025

    Ingénieure NLP / Data Science (stage)

    CIRAD – Projet SURSY, Montpellier

    • Classification de corpus multilingues (TF-IDF, SBERT, Transformers), AUC 0,99.
    • Clustering UMAP + K-Means, suppression de 4 214 doublons.
    • Article scientifique accepté à la CNIA/PFIA 2026.

  3. 2023

    Développeuse Deep Learning – reconnaissance faciale

    World Voice Group

    • Détection et identification de visages, exposées via une API REST Flask.

Formations

  1. 2024 – 2026

    Master 2 Informatique – parcours EIDD

    Université Sorbonne Paris Nord — soutenu en septembre 2026

    • Exploration Informatique des Données et Décisionnel.

  2. 2022 – 2024

    Sciences de l'ingénieur – Data Science & IA

    ENSPD, Douala

  3. 2019 – 2022

    Licence Informatique – Sciences des données

    Université de Yaoundé I

Recherche

Publications & travaux scientifiques

Classification de corpus pour la surveillance syndromique

CNIA / PFIA 2026 — article co-signé

Travaux issus du projet CIRAD/SURSY : comparaison d'approches TF-IDF, SBERT et Transformers pour la détection de signaux sanitaires dans des corpus multilingues.

Segmentation sémantique par deep learning d'images sous-marines

Mémoire de Master 2 — Université Sorbonne Paris Nord

Étude comparative SegFormer, U-Net, VGG16-FCN8 et PSPNet, protocole d'évaluation robuste et déploiement d'une application d'inférence.

Contact

Travaillons ensemble

Disponible immédiatement pour un poste de Data Scientist, ML Engineer ou Ingénieure IA, en France entière.