Aller au contenu

Télécharger mon CV

Choisissez une langue. Les deux versions sont le même PDF d'une page.

EnglishPDF · 1 pageFrançaisPDF · 1 page

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)

Karmen

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)

Ensicaen (CNRS & Cyceron)

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)