jeremy gomes cabral oliveira

Etudiant en master 2 mathématique et application parcours ingénierie mathématique spécialité modélisation et simulation stochastique à l’Université cote d’azur à la recherche d’un stage de fin d’étude 

Dans le domaine de la Science de donnée :

• Computer vision 
• Machine Learning
• Traitement d’image
• Deep Learning
• Recommander systems

projets d’etudes professionels

• PFE (Projet de fin d’étude) :

• Identification taxonomique (famille , genre ou éspèce ) des charbons de bois ;
• Automatiser la tache de classification supervisé à l’aide d’une colléction de référence 
• Data mining et visualisation des données : éxploration des données ( encodage 0-1 , implémentation des valeur manquantes , sélection des variables , etc…) , rééchantillonnage (bootstrap) , l’analyse en composante principal PCA (détection des caractéristiques discriminantes)
• Machine learning : Random Forest , SVM , HDDA
• Apprentissage actif

DESCRIPTION DE MA FORMATION

- Langage de programmation pour la science de donné :

                - Python , R , Scilab , C++ , JAVA , Scala , Spark et Pyspark

- Logiciels pour la science de donné :

                - Jupyter Lab , Jupyter Notebook , Spyder , Visual Studio 

                  Code , IBM Watson studio cloud , Rstudio , Google Colab,                                                    Avazu Kaggle challenge ,Google cloud vertex AI Workbench 

- Machine Learning packages : 

                - Scikit learn , Tensorflow (Deep-Learning Library) , Pandas , Numpy , Scipy , PIL , matplotlib.pyplot , seaborn , OpenCV (Computer vision Library)

- Technologie de la big Data :

                -  Ecosystème Hadoob : HDFS , Map-Reduce et Yarn

                - NoSql : Hbase 

-Systèmes de recommandation :

                - Le filtrage collaborative ( user-based , item-based , Factorisation de matrice )

                - content-based

                - Populaire , Random

- Algorithmes en machine Learning :

                - Apprentissage supervisé : Decision trees (classification) , Decision trees continued (regression) , Boosting , Bagging , Random Forest , Décision tree , Linear regression

                -  Apprentissage non supervisé : covariance and density estimate , clustering (K-means , DBSCAN , hierarchical clustering) , Biclusturing , Gaussian mixture models , decomposing signals in components (PCA , SVD , matrix factorization ) , novelty and outilier detection , manifold learning , neural networks 

               - Apprentissage par renforcement : Markov decision process (expected reward) , SARSA (state-action-recompense-etat-action) , Q-learnig , TD , Monte-carlo 

- Algorithmes en computer vision et traitement d’image : 

                  - Traitement ponctuel d’image avec :  Egalisation de l’histogramme ,   Binarisation par   seuillage 

                    - Débruitage par filtrage linéaire :  Filtre de convolution , Filtre      fréquentielle tel que filtre passe bas et passe haut , Filtre par EDP 

                    - Débruitage par filtrage non linéaire :  Filtre médian , Filtre par EDP non linéaire ( méthode de Perona-Malik ) , Filtrage par ondelettes   

                    - Ségmentation : Ségmentation par seuillage de gradient , Ségmentation en région ( segmentation par seuillage d’histogramme, algorithme K-means )

- Algo Optimisation : 

                   - méthode de Newton , méthode de gradient avec ou sans projéction à pas variable et optimal , algo d’Uzawa