Salut, moi c'est Maxime. Je suis en master d'économétrie à Lille et en stage de fin d'études chez Aubay, en vision par ordinateur. Je cherche un premier poste en data science ou en IA pour septembre 2026, du côté de ceux qui construisent les modèles.

Je viens de l'économie, pas de l'informatique. J'y ai appris à me méfier des corrélations et à vérifier qu'un résultat tient debout avant d'y croire. Le code, je l'ai appris sur mes projets, et ils sont tous ici.

Chez Aubay, je travaille sur la segmentation d'images de récifs coralliens : retrouver chaque corail sur une photo et détourer son contour au pixel près, sur environ 8 000 images.

Ça marche en deux temps. Un premier modèle repère les coraux, un second découpe leur contour. Le faire fonctionner sur des photos propres n'a pas été le plus dur. Le vrai problème est arrivé avec les images de plongée réelles : c'est flou, ça bouge, et l'eau avale le rouge, donc tout vire au bleu-vert. J'ai fabriqué ces défauts à la main pendant l'entraînement, pour que le modèle les rencontre avant de les subir. Il tient 92 % de précision.

J'ai aussi automatisé la préparation des données avant chaque entraînement. Ça n'a rien de spectaculaire et ça fait gagner six heures par cycle, donc deux fois plus d'essais dans la semaine.

Quatre projets, avec à chaque fois la question de départ et ce que j'en ai tiré.

Est-ce que remonter les taux d'intérêt détruit vraiment des emplois ?

J'ai écrit la question, et ce qui me ferait répondre non, avant de lancer le moindre calcul. Ensuite j'ai mesuré, sur l'emploi américain, État par État et secteur par secteur, de 1994 à 2020. L'effet va dans le sens attendu partout, mais il reste trop imprécis pour qu'on puisse affirmer qu'il existe.

J'aurais pu ranger ce résultat dans un tiroir et montrer autre chose. Il est en première page du dépôt, avec sa raison : la période disponible est trop courte pour trancher.

_{Comment la lire : la ligne orange est l'effet estimé, mois après mois, et la zone claire autour est la marge d'erreur. Tant que cette zone contient zéro, on ne peut pas affirmer que l'effet existe. C'est le cas ici, et c'est la conclusion.}

_{statsmodels · double machine learning · pytest · Docker · l'appli en ligne}

Quand est-ce qu'un développeur arrête de contribuer à un projet ?

J'ai repris les outils de l'analyse de survie, ceux qui servent en médecine à estimer le temps avant une rechute, et je les ai appliqués aux historiques Git. Le contributeur remplace le patient, l'abandon du projet remplace la rechute.

Toute la difficulté tient dans un détail : quelqu'un qui n'a rien poussé depuis trois semaines n'est pas forcément parti. Une moyenne ne sait pas quoi faire de ce cas, ces méthodes-là si. L'outil sort un rapport HTML avec les courbes et la liste des contributeurs les plus près de décrocher.

_{lifelines · PyDriller · Plotly · Streamlit}

50 000 ventes de voitures, un jeu de données impeccable, et rien à prédire.

Aucune valeur manquante, aucun doublon, quinze ans d'historique. Et aucune colonne n'explique quoi que ce soit. Le réflexe habituel serait de changer d'algorithme jusqu'à ce qu'un chiffre présentable finisse par sortir.

J'ai fait l'inverse : j'ai prouvé que le problème venait des données et pas de moi. Le même programme, lancé sur des données témoins où le signal existe, obtient un R² de 0,85 ; sur les vraies données, il tombe à zéro. À la place du modèle, j'ai livré un simulateur : on y manipule des hypothèses explicites au lieu de recevoir une prédiction sans fondement.

_{XGBoost · SHAP · DuckDB · Docker · l'appli en ligne}

Un moniteur de posture, écrit parce que je passais mes journées avachi devant l'écran.

La webcam regarde comment je me tiens. Un modèle apprend ma posture correcte pendant un court calibrage, puis me prévient quand je m'en éloigne. Il compte aussi mes clignements pour repérer la fatigue des yeux. Tout reste sur ma machine, rien ne part ailleurs.

Le nom vient de l'oiseau, qui a une meilleure posture que moi.

_{MediaPipe · OpenCV · scikit-learn · SQLite}

Il y a aussi sentiment-powell-nlp, mon premier vrai projet de NLP : j'y analyse le ton des conférences de presse de la Fed et je le compare aux marchés un mois plus tard.

Je préfère qu'on ouvre le capot plutôt qu'on me croie sur parole.

• En 3 minutes, les deux applications tournent en ligne, il n'y a rien à installer : le simulateur BMW et causal-impact-lab.
• En 20 minutes, les résultats de causal-impact-lab donnent le verdict et ses limites, dans cet ordre.
• En 1 heure, clonez le dépôt et lancez uv sync --all-extras puis uv run pytest. Ce sont les contrôles qui tournent tout seuls à chaque modification.

Un modèle se défend autant à l'écrit qu'au tableau. Trois textes courts, sur des choses que j'ai vraiment eu à trancher.

• Ce que la censure change quand on mesure un abandon : pourquoi compter tous les inactifs récents comme des partants fabrique une fausse épidémie de départs.
• Un dataset peut être impeccable et ne rien contenir : comment prouver l'absence de signal au lieu de la soupçonner.
• Ce qui casse quand on segmente sous l'eau : l'eau absorbe le rouge, et faire pivoter les images ne protège de rien.

• J'écris la question et ce qui la ferait échouer avant de lancer le premier calcul, sinon on finit toujours par trouver ce qu'on cherchait.
• Quand un résultat ne conclut pas, je le publie quand même. Deux de mes projets se terminent comme ça, et c'est écrit en haut de leur page.
• Un modèle qui ne tourne que dans mon notebook ne compte pas : les tests, Docker et les vérifications automatiques font partie du travail.
• Je note pourquoi j'ai écarté une option, parce que dans six mois je l'aurai oublié.

Une barre de compétence à 90 % ne veut rien dire, alors j'ai rangé les choses en trois niveaux que je peux défendre en entretien. La troisième colonne est courte et elle est honnête : ce sont les sujets dont je sais parler mais que je n'ai pas encore mis en production. J'y travaille, en commençant par la certification AWS Machine Learning Engineer.

Master 1 de finance à l'IAE Saint-Étienne avant Lille, licence d'économie à Rouen. Mémoire de M1 sur la correction d'un biais statistique, appliqué à quinze pays sur cinquante-cinq ans. Certification Data Analyst chez DataCamp, Voltaire niveau professionnel, anglais B2. Le reste du temps : les marchés, un peu de crypto, et des parties d'échecs autour de 1200 ELO.

LinkedIn · maximeg2408@gmail.com · CV en PDF

_{Le CV est recompilé automatiquement depuis son source LaTeX à chaque modification, donc ce lien est toujours à jour. Les images de cette page sont des SVG faits pour ce profil : celle du haut est une vraie courbe de survie, celle de causal-impact-lab est tracée depuis les résultats du dépôt, et tout se régénère avec python tools/render_assets.py.}