Développement d’un pipeline Python pour l’analyse d’aléas climatiques, incluant le prétraitement des données, l’entraînement et l’évaluation de modèles de Machine Learning. Suivi des expérimentations avec MLflow (paramètres, métriques, artefacts) et développement de workflows reproductibles pour l’analyse des aléas climatiques. Optimisation des performances d’un pipeline de traitement : réduction du temps d’exécution de 3 h à 7 min.