Data Scientist / Mathématicien appliqué

Intégration d'une structure de recherche en agronomie appliquée pour développer des méthodes d'intelligence artificielle destinées à la prédiction et la sélection phénomique.

• Traitement de données spectrales par analyses spatiales et temporelles.
• Développement de modèles prédictifs utilisant le Machine Learning et le Deep Learning.
• Identification de signatures spectrales pour la prédiction et la classification environnementale.

Étude comparative de méthodes de clustering et de classification sur des profils journaliers de consommation électrique couvrant la période 2012-2023.

• Comparaison de plusieurs approches de clustering et classification sur des données temporelles complexes.
• Identification d'une structure binaire ouvert/week-end via K-means et CAH-DTW.
• Évaluation de Random Forest, XGBoost et LSTM pour la prédiction des profils de consommation.

Étude de modélisation probabiliste de séquences biologiques pour la détection d'îlots CpG en utilisant des modèles de Markov cachés.

• Modélisation probabiliste de séquences biologiques à l'aide de modèles de Markov cachés.
• Étude et implémentation des algorithmes Baum-Welch et Viterbi.
• Analyse numérique et interprétation statistique des résultats en contexte biostatistique.

Analyse spatio-temporelle de la demande Uber à New York pour identifier les variations temporelles et spatiales.

• Analyse des variations temporelles et spatiales de la demande Uber à New York.
• Identification des pics de demande et des zones de forte concentration à Manhattan.

Projet de recherche de 6 mois portant sur l'analyse du taux de chômage en Europe.

• Développement d'une méthodologie Dynamic Time Warping pour analyser les similarités entre séries temporelles de chômage de 25 pays européens.