Mes projets, du plus récent au plus formateur.
Machine learning, deep learning, LLM, vision par ordinateur et séries temporelles. Cliquez sur un projet pour les détails complets.
Prévision de consommation électrique sur un réseau insulaire — EDF
Projet de fin d'études chez EDF SEI : prévision multi-horizons de la consommation électrique de l'île d'Ouessant, non reliée au continent et alimentée surtout par des groupes diesel. Benchmark de baselines statistiques, de modèles à base d'arbres (Random Forest, LightGBM, XGBoost tunés sous Optuna), de modèles additifs (GAM R/mgcv, TAM de la R&D EDF) et de réseau récurrent (GRU), puis agrégation d'experts en ligne qui fait au moins aussi bien que le meilleur modèle à chaque horizon. Le code et les données appartiennent à EDF et ne sont pas publiés ; la méthode et les résultats sont détaillés dans l'article technique.
- Agrégation en ligne (MLPOL) de 5 experts : MAPE de 3,32 % à 30 min et de 5,74 % à 48 h sur 9 mois de test
- L'agrégation bat le meilleur modèle seul à 30 min, 1 h et 24 h et l'égale à 48 h, sans avoir à choisir de modèle à l'avance
Mini GPT — un modèle de langage codé de zéro
Modèle de langage de type GPT au niveau caractère, écrit de zéro en PyTorch sans aucune bibliothèque de Transformer : tokenizer, attention causale, attention multi-têtes, blocs Transformer et génération autorégressive, chaque brique codée à la main et validée par une mesure. Entraîné sur les 34 romans français de Jules Verne. Prochaines étapes : passage à 2,7 M de paramètres sur GPU Apple, puis étude des limites du modèle (knowledge probing, abstention, appel d'outil).
- Attention causale, multi-têtes et blocs Transformer écrits à la main, sans nn.Transformer ni bibliothèque externe
- Perte de test de 2,189 avec 3 blocs, sous le plafond théorique du meilleur bigramme (2,474) et loin du hasard (4,787)
Galen — Assistant IA d’aide au diagnostic médical
Assistant destiné aux radiologues pour analyser des images médicales (IRM, scanners et radiographies) grâce à un LLM multimodal accessible via l’API Anthropic. Galen intègre une interface conversationnelle de questions-réponses, génère des comptes rendus PDF et embarque un modèle DenseNet121 entraîné pour détecter la pneumonie sur des radiographies thoraciques.
- Analyse d’IRM, de scanners et de radiographies via Claude, accessible par l’API Anthropic
- Génération automatisée de comptes rendus médicaux au format PDF
Détection d'Actions Humaines dans des Vidéos
Système de reconnaissance de 101 actions humaines dans des vidéos utilisant un réseau 3D-CNN (R3D-18) avec transfer learning depuis Kinetics-400, atteignant 93.4% de précision sur le jeu de test
- 93.4% d'accuracy sur le test set (1 723 vidéos) — 101 classes d'actions
- Transfer learning R3D-18 pré-entraîné sur Kinetics-400 (400 classes, millions de vidéos)
Prédiction de Présence — Smart Workplace
Prédiction de présence journalière dans un smart workplace à partir de données météo, calendrier et réservations. Comparaison de modèles classiques et deep learning, avec reproduction de l'architecture TimeXer (NeurIPS 2024) sur données propres. Projet réalisé en binôme avec Alexis Moisy (ISEN).
- XGBoost R²=0.888 : meilleur modèle global toutes approches confondues
- LSTM R²=0.528 : meilleur modèle deep learning, surpasse GRU, RNN et TimeXer
Flappy Bird — Agent IA NEAT
Agent IA qui apprend à jouer à Flappy Bird grâce à un algorithme évolutif (NEAT) implémenté from scratch en Python. Aucune règle précodée : l'IA apprend uniquement par l'expérience, génération après génération, en faisant évoluer un réseau de neurones maison.
- NEAT from scratch : réseau de neurones et algorithme génétique codés sans aucune librairie ML
- Architecture 5 entrées -> 8 neurones cachés -> 1 sortie (sauter / ne pas sauter), activation tanh
Stack technologique.
Maîtrise des technologies en IA, Machine Learning et Data Science.
Machine Learning Specialization
Introduction to Deep Learning & Neural Networks with Keras
IBM AI Engineer Professional Certificate
Là où j'ai posé mes mains.
Mon parcours en data science et en IA appliquée.
Data Scientist - Alternance
- Prévision de la consommation électrique des réseaux insulaires (île d'Ouessant), pour planifier le démarrage des groupes électrogènes
- Développement de modèles prédictifs pour la production photovoltaïque (PV) et hydroélectrique avec intégration de données météorologiques et coefficients de marée
- Conception d'algorithmes interrogeant des API pour l'affichage en temps réel de l'état et la production pour la supervision des équipements
- Mise en œuvre de solutions d'optimisation énergétique pour appareils intelligents (chauffages, bornes de recharge VE, chauffe eau, lave-vaisselles)
- Analyses de données et data visualisation pour études et diagnostics énergétiques
- Automatisation de processus récurrents
Intéressé par mon profil ? Discutons de votre projet !
Me contacter →Démarrons une conversation.
À la recherche d'un poste de Data Scientist. Je réponds sous 24 h.
Disponible immédiatement pour un poste de Data Scientist · France entière ou remote européen.