Spécialisé en détection d'anomalies, apprentissage de représentations et ML clinique. Je construis des pipelines ML robustes sur des données complexes et réelles, de la recherche jusqu'au déploiement.
Résultats clés
À propos
Ingénieur R&D en apprentissage automatique, formé en mathématiques appliquées à l'Université Toulouse III. Je me spécialise dans la détection d'anomalies en vision industrielle et le ML sur données complexes — de la conception d'architectures deep learning jusqu'au déploiement d'applications interactives.
Avec deux expériences chez Pikairos (stage + alternance en chémo-informatique), je développe des pipelines ML modulaires sur données moléculaires réelles — de la reproduction d'articles scientifiques jusqu'à l'intégration dans des outils industriels no-code.
Passionné par l'apprentissage de représentations, les approches one-class et le ML clinique, je cherche à approfondir ces thématiques dans le cadre d'une thèse ou d'un poste R&D. Mobilité nationale.
Deep Learning
Computer Vision
ML Clinique
Frameworks & Outils
Langages
Projets
Comparaison reconstruction vs représentation pour détecter des anomalies subtiles. PatchCore multiscale ResNet18, greedy coreset, seuils optimaux par indice de Youden. App Streamlit déployée avec upload multiple et heatmaps.
Modélisation de la survie sur données réelles de 3 323 patients atteints de leucémie aiguë myéloblastique (QRT 2025). Pipeline sans fuite de données, comparaison Cox régularisé et Random Survival Forest. Application Streamlit interactive permettant de prédire la courbe de survie d'un patient à partir de son profil clinique.
Analyse automatique de notes cliniques via LLM — extraction d'entités médicales, classification, résumé structuré et Q&A sur données MIMIC-III réelles. Pipeline RAG pour questions sur documents.
Expériences
Développement d'un pipeline ML de clustering moléculaire avec visualisation interactive 2D — permettant de suivre la hiérarchie de regroupement des molécules niveau par niveau. Implémentation en Python avec interface CLI modulaire selon la tâche. Intégration dans KNIME pour faciliter la prise en main par les utilisateurs non-développeurs.
Réimplémentation complète en Python d'une méthodologie scientifique publiée par Pikairos — lecture approfondie de l'article, compréhension des choix algorithmiques, implémentation from scratch et validation rigoureuse des résultats expérimentaux. L'alternance est une extension directe de ce travail vers un outil industrialisé et déployable.
Savoir-être
Je conçois des expériences reproductibles, documente mes résultats et valide chaque hypothèse avec méthode.
Je décompose les problèmes complexes en sous-problèmes structurés pour identifier les bonnes solutions.
Capable de mener un projet de bout en bout — de la collecte des données jusqu'au déploiement — en prenant des initiatives.
Je lis régulièrement des articles scientifiques et implémente de nouvelles architectures pour rester à la pointe.
Mes expériences en alternance m'ont appris l'importance de la collaboration et du partage de connaissances.
Je structure mon travail efficacement — versioning Git, documentation claire, pipelines reproductibles.
Parcours
Formation
2024 – 2026
Master 2 Mathématiques Appliquées
Université Toulouse III – Paul Sabatier
ML, Deep Learning, Traitement du Signal, Big Data, Optimisation
2022 – 2024
Licence Mathématiques Appliquées
Université Toulouse III – Paul Sabatier
Probabilités, Statistiques, Analyse Numérique, Optimisation
2019 – 2022
Licence Mathématiques
École Normale Supérieure, Bénin
Formation théorique rigoureuse · Méthodologie de la Recherche
Expérience professionnelle
Oct. 2025 – Oct. 2026
Ingénieur R&D ML · Alternance
Pikairos · Toulouse
Clustering moléculaire · Pipeline CLI · KNIME · Chémo-informatique
Mai – Août 2025
Ingénieur R&D ML · Stage
Pikairos · Toulouse
Réimplémentation d'article scientifique · Benchmarking · Données moléculaires
Contact
Disponible pour une thèse CIFRE ou académique, ou un poste R&D en IA. Mobilité nationale — France entière.