Adrien Ruggiero

Je m'intéresse régulièrement aux nouvelles technologies et au domaine de la relativité générale. Une bonne ambiance au travail est pour moi un des facteurs clés de la performance, c'est pourquoi elle est primordiale. 

Je pratique du tennis, du badminton et du cyclisme. Je faisais parti du Bureau des Sports et était en même temps le Président de l'association de vélo au sein de mon école. J'aime relever de nouveaux défis et me dépasser sans cesse pour avoir la satisfaction de se voir évoluer.

Passionné par le monde de la Data, j'envisage de démarrer ma carrière en tant que Data Scientist. J'ai effectué mon stage de deuxième année en tant qu'ingénieur R&D en développant un modèle de deep learning pour de l'estimation de pose 3D. J'y ai découvert l'outil Docker et j'ai pris un grand plaisir à créer divers pipelines pour améliorer les résultats du modèle. De plus, lors de mes études, j'ai pu réalisé divers projets de data visualisation en R et Python mais aussi d'autres projets dans le domaines financiers en SQL. J'ai également pu mener quatre mois de recherche qui m'ont permis de rédiger un article scientifique de computer vision pour l'ICIP 2022. Je dispose également de connaissances en management notamment sur les systèmes d'informations. Pour finir, je dispose de bases scientifiques solides notamment en Statistiques et Probabilités mais aussi dans plein d'autres domaines.

Je suis plus que motivé à rentrer dans le monde professionnel dans ce domaine que me fascine. 

Ma formation la plus pertinente était mon stage d'ingénieur R&D portant sur l'implémentation d'une solution de Deep Learning pour de l'estimation de pose 3D. J'ai aimé travailler sur ce projet qui a pour but d'établir un diagnostic et un suivi plus régulier des personnes atteintes de la maladie de Parkinson. Je travaillais essentiellement avec Python (avec Jupyter Notebbok) et Pytorch en utilisant l'outil Docker. J'ai développé un modèle de Deep Learning basé sur l'état de l'art. J'ai ensuite préparé le dataset et établi plusieurs pipelines pour améliorer les résultats du modèle.

A la fin de mon stage, le modèle était opérationnel et des tests de performances ont pu être établis. De plus, j'ai développé un programme pour utiliser le modèle dans un cas d'application réel.