Ingénieur IA & Machine Learning

Intégration de l'équipe de Spartha Medical, spin-off INSERM, afin de contribuer aux travaux de recherche et développement en intelligence artificielle appliquée au secteur biomédical.

• Fusion de 3 bases biologiques hétérogènes (APD3, DRAMP, DBAASP) en un pipeline ETL Python, produisant un dataset de 15 000+ séquences et 1 416 descripteurs physico-chimiques.
• Conception d'un modèle génératif (WAE-GAN + décodeur Transformer, fine-tuning, embeddings de séquences) pour la découverte de nouvelles séquences.
• Atteinte d'un AUC de 0,93 sur le classifieur de contrôle.
• Déploiement du modèle en API REST FastAPI conteneurisée avec Docker.
• Suivi des expérimentations à l'aide de MLflow.

Collaboration avec le LITIS Lab et le CHU de Rouen sur le traitement de signaux électroencéphalographiques (EEG) cliniques dans le cadre d'un projet académique.

• Traitement de signaux EEG cliniques pour la détection automatique de crises épileptiques.
• Comparaison de différentes approches de Machine Learning incluant SVM, régression logistique et Random Forest.
• Obtention d'un taux de 74% de détection sur les données de test.

Menée d'un projet de recherche au sein du LITIS Lab sur des données génomiques de patientes atteintes du cancer du sein (dataset METABRIC de 2 500+ patientes).

• Réalisation d'une analyse de survie Kaplan-Meier sur un dataset génomique en utilisant SQL et pandas.
• Conception et entraînement d'un modèle CatBoost pour la prédiction de survie et de réponse au traitement.
• Atteinte de 94% de précision en validation croisée.

Développement d'un projet personnel portant sur la classification de gestes à partir des données électromyographiques (EMG) de la base NinaPro (12 électrodes).

• Comparaison des performances des modèles Random Forest, SVM et CNN-LSTM.
• Application d'une normalisation train-only pour éviter les biais de fuite de données.
• Réalisation d'un diagnostic de baseline pour évaluer la robustesse des modèles.