Curriculum vitae
Statisticien et data scientist titulaire d'un master en statistique appliquée, spécialisé dans la conception et le déploiement de modèles de machine learning. J'applique le machine learning et le deep learning à des problèmes complexes en finance (risque de crédit) comme en recherche biomédicale (oncologie, imagerie médicale). Passionné par l'optimisation et par l'idée de faire des données un vrai levier d'impact dans des environnements qui bougent vite.
Expériences
mai 2025 – janv. 2026
Paris, France
Ingénieur fondateur et Lead AI/ML Engineer (temps partiel)
Stealth Startup
Piloté le développement d'une plateforme d'IA multimodale de dépistage de santé non invasif, au sein d'une startup autofinancée.
- Conçu et construit un modèle multimodal de dépistage vocal en santé qui transforme des enregistrements audio et leurs transcriptions en scores cliniques, à l'aide d'architectures d'encodeurs à attention.
- Développé un pipeline Python de bout en bout combinant l'extraction de features acoustiques (prosodie, pauses, énergie, caractéristiques spectrales), l'analyse linguistique et des embeddings issus de Transformers.
- Intégré la reconnaissance automatique de la parole, le feature engineering, l'entraînement et la validation des modèles dans un système prêt pour la production, avec déploiement continu et suivi des expériences.
juil. 2024 – janv. 2025
Paris, France
Stagiaire Machine Learning Engineer (risque de crédit)
Développé et déployé des systèmes de machine learning en production pour l'évaluation du risque de crédit, en automatisant des processus financiers à grande échelle.
- Construit des modèles d'ensemble de risque de crédit (XGBoost, Random Forest) au-delà du 90e centile de précision, et déployé un moteur de scoring de niveau production via Streamlit pour les décisions de crédit.
- Conçu un système automatique de classification des transactions basé sur TF-IDF et l'analyse sémantique, capable de traiter et labelliser des milliers de transactions avec très peu d'intervention manuelle.
- Conçu un algorithme de priorisation des transactions basé sur le clustering k-means, réduisant la labellisation manuelle de 95 %, de plusieurs milliers à environ 200 transactions par client et par cycle.
- Prototypé un système d'extraction de documents basé sur des CNN pour lire automatiquement les relevés bancaires à partir d'images PDF, ouvrant la voie à une ingestion de documents de bout en bout.
- Mis en place des tableaux de bord de suivi des modèles et des pipelines de validation automatiques, pour garantir la fiabilité des modèles et détecter la dérive en production.
mars 2023 – juil. 2023
Caen, France
Stagiaire statisticien (recherche en oncologie)
Conçu et mené l'analyse statistique d'une recherche en radio-oncologie sur les effets immunologiques de différents protocoles d'irradiation cérébrale.
- Quantifié par une analyse statistique rigoureuse l'impact différentiel de l'irradiation cérébrale par rayons X et par protons sur les sous-types de globules blancs (lymphocytes T CD4+, CD8+ et Treg).
- Développé des modèles de régression multivariée, avec validation diagnostique, pour identifier les corrélations significatives entre protocoles d'irradiation et concentrations de lymphocytes.
- Produit des rapports statistiques et des visualisations de qualité publication, pour rendre des résultats immunologiques complexes lisibles par les équipes cliniques et de recherche.
Formation
2024
Master en statistique appliquée
Université de Caen Normandie
- Théorie et méthodologie statistiques : formation rigoureuse en analyse de données multivariées, classification, modèles de régression et séries temporelles, pour la prévision et la modélisation de processus stochastiques.
- Implémentation de modèles et d'algorithmes statistiques : mise en œuvre avec des logiciels statistiques (Python, R et SAS), avec un accent sur la recherche opérationnelle, l'optimisation discrète et le machine learning.
- Stages et projets : stages en recherche statistique (oncologie) et en machine learning (finance), ainsi que des projets personnels de deep learning appliqué à l'imagerie médicale.
2022
Licence en mathématiques fondamentales et appliquées
Université Paris Diderot (Paris 7)
- Mathématiques fondamentales et appliquées : des bases solides en algèbre, analyse, équations différentielles et optimisation.
- Modélisation numérique et probabiliste : probabilités, statistique et analyse numérique, complétées par la programmation et l'algorithmique.
- Apprentissage par projets : plusieurs projets mathématiques et préprofessionnels menés à bien, pour appliquer la théorie à des problèmes concrets et développer la recherche et la résolution de problèmes.
Compétences
Langages et outils de base
Python
- Calcul scientifique : NumPy, pandas, SciPy, polars
- Visualisation de données : matplotlib, seaborn, plotly, Altair
- Machine learning et deep learning : scikit-learn, PyTorch, TensorFlow, Transformers
- Applications de données et API : Streamlit, FastAPI, Pydantic
- Programmation probabiliste et statistique : statsmodels
- Qualité du code : pytest, black
- Environnements : JupyterLab, Jupyter Notebook, VS Code
R
- Manipulation de données : Tidyverse, data.table, ggplot2
- Machine learning : tidymodels, caret
SQL
- Fondamentaux : SQL ANSI, fonctions de fenêtrage, CTE
- Performance : plans d'exécution, optimisation, UDF
- Analytique : funnels, cohortes, churn/LTV, tables de KPI
Shell et scripts
- Bash/zsh
Machine learning et IA
Machine learning classique
- Apprentissage supervisé : régression linéaire et logistique, arbres, méthodes d'ensemble (RF, XGBoost, LightGBM), SVM, k-NN
- Apprentissage non supervisé : k-means, DBSCAN, ACP, t-SNE/UMAP, modèles de mélange
- Feature engineering : analyse exploratoire, encodage, features d'interaction, validation croisée temporelle
- Maîtrise des fuites de données : stratégies de validation
- Évaluation : validation croisée, calibration, gestion du déséquilibre des classes
Deep learning
- Fondamentaux : rétropropagation, initialisation, optimiseurs (SGD, Adam), précision mixte, mécanismes d'attention
- Architectures : MLP, CNN (2D/3D), RNN/LSTM, Transformers, architectures encodeur-décodeur
- Vision par ordinateur : classification d'images, détection d'objets, segmentation, data augmentation, OCR et extraction de documents
- Bibliothèques de vision : OpenCV, PIL
- Transfert d'apprentissage : modèles pré-entraînés, fine-tuning
- Imagerie médicale : U-Net, nnU-Net, CNN 3D, formats DICOM/NIfTI, MONAI
- Robustesse : adaptation de domaine, augmentation au moment du test
NLP et grands modèles de langage
- NLP classique : tokenisation, TF-IDF, embeddings, analyse de sentiment, NER
- Transformers : fine-tuning de BERT, instruction tuning, prompt engineering
- Avancé : génération augmentée par la recherche (RAG)
Traitement de la parole et de l'audio
- Reconnaissance vocale : Whisper, WhisperX, pipelines ASR
- Features acoustiques : prosodie (hauteur, durée), jitter/shimmer, mesures de pauses
- Analyse spectrale : spectrogrammes, MFCC, CNN et Transformers temporels
- Bibliothèques audio : librosa
Sujets avancés
- Inférence causale : DAG, appariement par score de propension
- Expérimentation : tests A/B/n, analyse de puissance
- Interprétabilité : importance par permutation, SHAP
- Apprentissage multimodal : fusion audio-texte, deep learning d'ensemble
- Détection d'anomalies
Data engineering et outils
Bases de données et entrepôts
- Relationnel : PostgreSQL, MySQL, SQLite
- Formats de données : Parquet, CSV, JSON, HDF5, Zarr
Orchestration et ETL
- Transformation de données : dbt (modèles, tests, exposures)
Suivi et déploiement des modèles
- Suivi des expériences : MLflow, AWS SageMaker Experiments
- Gestion de versions : Git
- Conteneurisation : Docker, Kubernetes
- CI/CD : pipelines d'intégration et de déploiement continus
- Mise en production des modèles : FastAPI, AWS SageMaker
- Suivi des modèles : détection de dérive des données
Plateformes cloud
- AWS : EC2, S3, SageMaker
Analytique et BI
- Tableaux de bord interactifs : Streamlit, Power BI
- Tableurs : Excel, Google Sheets
Mathématiques et statistique
Algèbre linéaire et analyse
- Espaces vectoriels, décomposition spectrale, SVD, calcul matriciel
- Calcul différentiel à plusieurs variables, développements de Taylor, espaces de Hilbert
Probabilités et processus stochastiques
- Théorie des probabilités : variables aléatoires, espérances, loi des grands nombres, théorème central limite
- Processus stochastiques : chaînes de Markov, processus gaussiens
- Théorie de l'information : entropie, divergence de Kullback-Leibler, information mutuelle
Inférence statistique
- Tests d'hypothèses : tests du rapport de vraisemblance, p-values, correction des tests multiples
- Estimation ponctuelle : maximum de vraisemblance, méthode des moments
- Méthodes bayésiennes : inférence a priori et a posteriori, MCMC (HMC/NUTS), inférence variationnelle
Régression et méthodes multivariées
- Modèles linéaires généralisés : GLM, GAM, modèles à effets mixtes (GLMM)
- Réduction de dimension : ACP
- Diagnostics : analyse des résidus, diagnostics d'influence, tests d'hétéroscédasticité
Séries temporelles et prévision
- Méthodes classiques : ARIMA, SARIMA, lissage exponentiel
- Analyse spectrale : FFT, estimation de densité spectrale
Optimisation
- Optimisation convexe : variantes de la descente de gradient, méthodes proximales
Expertise métier
Médical et biomédical
- Imagerie médicale : IRM, scanner, radiothérapie par rayons X et protonthérapie
- Oncologie et immunologie : biomarqueurs, critères de réponse au traitement, dynamique des lymphocytes
- Génomique : formats FASTA/FASTQ, Biopython, analyse de séquences
Finance et risque
- Risque de crédit : modèles d'évaluation du risque, systèmes de scoring
- Analyse de transactions : classification, détection de motifs, identification d'anomalies
Analytique produit et croissance
- Conception de métriques : définition de KPI, schémas d'événements, dictionnaires de données
- Analytique produit : analyse de funnels, cohortes, courbes de rétention, churn et valeur vie client
- Expérimentation : conception de tests A/B, rigueur statistique à l'échelle d'un produit
Recherche et méthode scientifique
- Recherche : revue de littérature, pratiques de recherche reproductible
- Communication : rédaction d'articles de recherche, conseil statistique auprès d'experts métier
Bénévolat
sept. 2024 – Aujourd'hui
Administrateur
Erasmus Student Network (ESN) Paris
Membre actif du bureau de la section locale ESN, je participe à l'organisation d'événements pour les étudiants internationaux.
janv. 2023 – juin 2024
Représentant régional et organisateur d'événements
Erasmus Student Network (ESN) Caen
Organisé des événements et des activités pour les étudiants internationaux, et représenté la section de Caen au niveau régional.
janv. 2018 – janv. 2022
Artiste principal et chef de projet / producteur
Gazamo Inc.
À la fois artiste et manager d'une équipe internationale d'artistes en télétravail, pour la création d'assets numériques destinés au jeu vidéo.
Langues
- AnglaisLangue maternelle (niveau C2)
- FrançaisCourant (niveau C1-C2)
- Serbo-croateLangue maternelle (niveau C2)
Centres d'intérêt
Loisirs créatifs
- Sculpture par ajout (métal, argile, polymère)
- Taille et sculpture par retrait (bois, livres, cire)
- Gravure (verre, métal)
- Bricolage électronique (Arduino)
- Arts textiles (tricot, crochet)
Lecture
- Sciences comportementales et psychologie
- Neurosciences et biologie
- Fiction (science-fiction, fantasy, policier)