Projets data science sur un CV : lesquels choisir pour une alternance ?

Un recruteur ne peut pas deviner ce que tu as réellement fait derrière une ligne comme « projet de machine learning ». Pour rendre ton travail crédible, ton CV doit montrer le chemin suivi : quel problème tu as traité, quelles données tu as utilisées, comment tu les as préparées, pourquoi tu as choisi une méthode et ce que tu as livré.

Cette logique correspond au métier lui-même. La fiche Data scientist de l’Apec décrit des missions qui vont de l’extraction et la structuration des données jusqu’à l’industrialisation des modèles et à la communication des résultats aux équipes métiers. La fiche active RNCP39775 de France compétences insiste également sur la collecte, le traitement, le stockage, la qualité et la sécurité des données.

Preuve de compétence

Une information vérifiable qui relie une compétence à une action réelle : dépôt de code, méthode documentée, livrable, soutenance, démonstration ou résultat dont tu peux expliquer le calcul et les limites.

Ton objectif n’est donc pas d’empiler Python, SQL, pandas, scikit-learn et TensorFlow. Il est de permettre à la personne qui lit ton CV de comprendre ce que tu sais faire avec ces outils. Pour la structure générale, les mots-clés et l’accroche, complète cette méthode avec le guide du CV data scientist en alternance.

Commence par relire l’offre. Une alternance orientée traitement automatique du langage, prévision, vision par ordinateur ou mise en production n’attend pas les mêmes preuves. Ton meilleur projet n’est pas forcément le plus complexe : c’est celui qui démontre le mieux une exigence importante du poste.

Privilégie quelques projets que tu peux défendre en détail. Un projet académique, associatif ou personnel est pertinent s’il comporte un vrai choix de méthode, une préparation des données visible et un résultat interprétable. Un exercice très guidé peut aussi servir, à condition d’expliquer clairement ta contribution personnelle et de ne pas le présenter comme une mission professionnelle.

Évite aussi de choisir uniquement selon la popularité du sujet. Un projet classique peut rester convaincant si tu as travaillé les données, comparé des approches, analysé les erreurs et documenté les limites. À l’inverse, un sujet original n’apporte rien si le dépôt contient seulement un notebook impossible à relancer.

Une bonne description tient généralement en deux ou trois puces courtes. Elle commence par le besoin ou le cas d’usage, précise ensuite le travail effectué et se termine par un livrable ou une conclusion vérifiable. Les technologies arrivent au bon endroit, comme moyens de réaliser le projet, et non comme une liste détachée.

Cette construction aide aussi à distinguer ce que tu as fait seul de ce qui relève de l’équipe. Pour un projet collectif, écris ta contribution exacte : préparation d’une partie des données, conception de l’évaluation, développement de l’API ou restitution. Tu évites ainsi une ambiguïté qui pourrait te mettre en difficulté pendant l’entretien.

Tu n’as pas besoin de données confidentielles pour produire une preuve sérieuse. data.gouv.fr permet d’explorer des données publiques, d’accéder à des jeux tabulaires et, lorsqu’elle est disponible, à une API prête à être intégrée dans un script ou une application. Lis toujours la licence, la description, la date de mise à jour et les limites du jeu choisi.

Un bon sujet part d’une question compréhensible avant de partir d’une technologie. Tu peux par exemple étudier une évolution temporelle, construire une classification utile, détecter des valeurs atypiques ou réaliser une restitution destinée à un public précis. Le domaine importe moins que ta capacité à relier les données à une décision ou à un usage.

Vérifie enfin la qualité du jeu avant de modéliser : valeurs manquantes, doublons, cible déséquilibrée, période couverte, biais de sélection et documentation. Cette partie est souvent plus révélatrice de ta maturité que l’emploi d’un modèle sophistiqué.

Un lien GitHub n’est utile que si la personne comprend rapidement le projet. Le dépôt doit avoir un nom clair, un fichier README lisible et une arborescence simple. Il doit expliquer le problème, la source des données, les étapes principales, les dépendances, la commande de lancement et les limites connues.

Tu peux ajouter une capture du livrable ou une petite démonstration, mais elle ne remplace pas la documentation. Retire les clés API, mots de passe, fichiers de configuration sensibles et données que tu n’as pas le droit de redistribuer. Vérifie aussi que le notebook s’exécute dans l’ordre et que les graphiques restent compréhensibles hors de ton écran.

Si tu n’as pas de portfolio complet, commence par rendre un seul projet vraiment consultable. La cohérence entre le CV, le dépôt et ce que tu racontes en entretien compte davantage qu’une collection de liens peu entretenus.

Relève dans l’annonce les missions, les outils et le contexte métier. Ensuite, rapproche chaque exigence d’une preuve réelle de ton parcours. Si l’offre insiste sur SQL et la qualité des données, développe le projet où tu as nettoyé, joint et contrôlé plusieurs sources. Si elle parle de déploiement, fais ressortir l’API, les tests ou le suivi du modèle que tu as réellement mis en place.

Ne copie pas un mot-clé uniquement pour passer un filtre. La formulation doit rester exacte. Tu peux employer le vocabulaire de l’offre lorsque celui-ci décrit vraiment ton travail, puis conserver dans la même puce la preuve qui le rend crédible.

Avant l’envoi, utilise l’analyseur ATS gratuit pour repérer les problèmes de lisibilité et de structure. Le Score ATS Matchaa reste une estimation propre à Matchaa : il ne prédit pas la décision d’un recruteur et ne remplace pas la lecture attentive de l’offre.

Les meilleurs projets data science sur un CV d’alternance ne sont pas forcément les plus impressionnants. Ce sont ceux qui montrent une démarche complète et honnête : comprendre un besoin, obtenir et préparer des données, choisir une méthode, évaluer le résultat, produire un livrable et expliquer les limites.

Choisis donc quelques preuves cohérentes avec le poste, documente-les correctement et adapte leur présentation à chaque offre. Tu obtiens un CV plus clair pour le recruteur, plus facile à défendre en entretien et fidèle à ce que tu sais réellement faire.