Data Analyst / Data Scientist

Intégration d'une équipe de recherche clinique et pharmacologique pour approfondir les enjeux de toxicité et d'interactions pharmacodynamiques dans le domaine du tacrolimus.

• Réexamen complet de la toxicité et des interactions pharmacodynamiques des métabolites du tacrolimus.
• Participation à la conception et l'optimisation de protocoles d'étude pour évaluer la sécurité pharmacologique.
• Collecte, nettoyage et analyse rigoureuse des données cliniques et biologiques.
• Documentation et présentation des résultats de recherche aux équipes partenaires.

Contribution aux travaux de caractérisation des fonctions biologiques dans le cancer colorectal en tant qu'ingénieur d'études au sein d'une unité de recherche du CNRS.

• Caractérisation des fonctions antitumorales de la protéine SLAP dans le cancer colorectal.
• Mise en place de protocoles expérimentaux et assurance de la reproductibilité des tests biologiques.
• Analyse et interprétation des résultats d'expérimentation pour valider les hypothèses scientifiques.

Recherche doctorale approfondie sur la caractérisation des fonctions biologiques dans le domaine de l'oncologie au sein du laboratoire CNRS-UMR5237.

• Expérimentations complètes pour caractériser les fonctions antitumorales de la protéine SLAP dans le cancer colorectal.
• Développement et validation de protocoles d'étude innovants pour investiguer les mécanismes moléculaires.
• Collecte, analyse et synthèse de données biologiques complexes pour produire des résultats scientifiques.
• Rédaction et publication des résultats de recherche selon les normes académiques et scientifiques.
• Acquisition d'une rigueur méthodologique et d'une autonomie dans la conduite de projets de recherche long terme.

Modélisation en étoile et création de KPI sous Power BI pour l'analyse des performances commerciales (ventes, marges, produits). Tableaux de bord interactifs pour le suivi et la prise de décision.

Classification multimodale (texte + image) de produits via stacking de modèles ML. Pipeline de prétraitement et feature engineering sur données texte et image. Modèle de Stacking Classifier combinant ML et Deep Learning. F1-score pondéré : 0,90. Déploiement d'une application Streamlit pour prédiction et visualisation.

Pipeline de deep learning complet incluant prétraitement des volumes IRM et entraînement d'un modèle U-Net 3D (PyTorch / MONAI). Dice score moyen : 0,86 (test set). Analyse des performances via visualisations : histogrammes, boxplots et courbes ECDF.