🧠 Modélisation IA

Compétences en Intelligence Artificielle
et apprentissage automatique

Vue d'ensemble

Formé en Intelligence Artificielle et sciences des données dans le cadre de mon master, je développe des compétences solides en modélisation et implémentation d'algorithmes d'apprentissage automatique pour diverses applications, avec un intérêt particulier pour le domaine de la santé.

Mon apprentissage couvre l'ensemble du pipeline de modélisation : de l'analyse exploratoire des données jusqu'aux concepts de déploiement, en passant par l'optimisation et la validation des modèles.

🛠 Technologies Maîtrisées

Frameworks Deep Learning

PyTorch

Framework principal pour recherche et développement. Maîtrise des modules avancés : torch.nn, autograd, distributed training.

Expert

TensorFlow

Déploiement de modèles en production, TensorFlow Serving, optimisation des performances.

Avancé

Keras

Prototypage rapide, transfer learning, fine-tuning de modèles pré-entraînés.

Avancé

Machine Learning Classique

scikit-learn

Algorithmes supervisés/non supervisés, preprocessing, validation croisée, pipeline ML.

Avancé

NetworkX

Analyse de réseaux complexes, algorithmes de graphes, détection de communautés.

Intermédiaire

🎯 Domaines d'Application

🏥 Applications Santé

  • Analyse de signaux : Traitement de données EEG, signaux physiologiques
  • Classification médicale : Projets académiques sur données publiques
  • Prédiction de données : Modèles de prévision sur données de santé
  • Visualisation : Exploration et présentation de données biomédicales

🔬 Projets Académiques

  • Analyse de données : Feature engineering, sélection de caractéristiques
  • Classification automatique : Reconnaissance d'images, NLP
  • Apprentissage non supervisé : Clustering, réduction de dimensionnalité
  • Séries temporelles : Prédiction, détection d'anomalies

📊 Autres Applications

  • Analyse de données web : Scraping, analyse de sentiments
  • NLP médical : Traitement de comptes rendus cliniques
  • Computer Vision : Classification d'images, détection d'objets
  • Optimisation : Algorithmes génétiques, recherche opérationnelle

🚀 Projets Représentatifs

Analyse et Prédiction Bourse

Contexte : Projet d'analyse et de prédiction de la bourse via RNN et LLM utilisant les canaux journalistiques

Technologies : Python, RNN, LLM, traitement de signaux, analyse journalistique

Résultats : Système de prédiction financière basé sur l'actualité et l'analyse technique

Analyse Scanner Cérébral

Contexte : Développement d'un logiciel d'analyse sur des scans cérébraux

Technologies : C++, Python, computer vision, traitement d'images médicales

Résultats : Application native pour l'analyse automatisée de données neurologiques

Détection d'Hypovigilance

Contexte : Projet COMETE - Analyse de signaux physiologiques pour détecter l'hypovigilance

Technologies : Python, machine learning, traitement de signaux temporels

Résultats : Modèle de classification pour identifier les états d'hypovigilance

Classification CCAM Médicale

Contexte : Définition automatique de labels à partir de comptes rendus médicaux

Technologies : Python, NLP, classification automatique de textes médicaux

Résultats : Système de classification automatique de codes CCAM

Profil Client & Prédiction Achats

Contexte : Système de profilage client et prédiction d'achats par machine learning

Technologies : Python, machine learning, analyse comportementale, data mining

Résultats : Modèle prédictif pour optimiser les recommandations commerciales

Méta-descripteurs de Graphes

Contexte : Analyse de datasets de graphes et définition de méta-descripteurs

Technologies : Python, NetworkX, algorithmes de fouille de graphes

Résultats : Système de caractérisation automatique de datasets de graphes

📈 Méthodologie

1. Analyse Exploratoire

Compréhension du domaine métier, analyse statistique, visualisation des patterns

2. Preprocessing

Nettoyage, normalisation, feature engineering, gestion des données manquantes

3. Modélisation

Sélection d'architecture, entraînement, validation croisée, hyperparameter tuning

4. Évaluation

Métriques adaptées au domaine, test statistiques, analyse d'erreurs

5. Documentation

Rapport de résultats, documentation du code, présentation des apprentissages

🎓 Formation Continue

Veille technologique active sur les dernières avancées en IA : Transformers, Vision Transformers, Graph Neural Networks, Federated Learning, et Explainable AI.