Ladji Idrissa FOFANA

3 x Polytechnicien, je ne recule devant rien. Cependant, je n'ai pas la solution à tous les problèmes de datascience, mais je crois que je réussirai une fois de plus, sans doute et avec beaucoup de passion les nouveaux projets qui se dresseront sur mon parcours de recherche.

Je crois que mon point fort est ma rapidité dans l'accomplissement des tâches de projet (Ex : Un stage de 6mois plié en 3 semaines, engendrant une grande nécessité de traiter un nouveau sujet passionnant hors congés).

J'aime apprendre de nouvelles technologies ainsi que les nouveaux résultats de recherches et les appliquer pour résoudre des problèmes de la vie réelle ou améliorer des solutions déjà existantes.

Je crois fermement qu'apprendre et développer sans effort, c'est comme travailler dans le sable.

Je développe en ce moment des solutions de Deep Reinforment Learning Couplée aux Modèles de Bandits Contextuels pour minimiser le temps (Horizon des simulations) au bout duquel on atteint la politique optimale, meilleurs algorithmes qui réduit l'erreur de prédiction sur les données d'entrainement.

Je suis un professionnel expérimenté dans les domaines de la science des données, de l'ingénierie d'apprentissage automatique, de l'ingénierie industrielle et de l'analyse de données. Au cours de mon stage chez Orange, j'ai travaillé sur l'optimisation de la couverture du réseau mobile en utilisant des données de propagation d'ondes. Grâce à l'utilisation de technologies de pointe en science des données, telles que l'apprentissage par renforcement, l'apprentissage profond, l'échantillonnage Thompson et les modèles génératifs avec un pré-apprentissage profond, j'ai identifié les emplacements les plus efficaces pour placer l'infrastructure du réseau mobile et améliorer la couverture du réseau. Au cours de mon stage chez Renault-Nissan, j'ai utilisé des modèles d'apprentissage automatique interprétables pour analyser les données de production et identifier les goulots d'étranglement et les inefficacités de la chaîne d'approvisionnement. J'ai également analysé les données de capteurs et les commentaires des clients pour identifier les problèmes courants avec les véhicules et recommander des améliorations pour améliorer la qualité. Enfin, lors de mon stage chez Enel Green Power, j'ai dirigé une équipe d'ingénieurs, de programmeurs et de techniciens dans la partie technique du projet de fabrication de voitures solaires. J'ai également implémenté des robots alimentés par Arduino pour automatiser les processus d'assemblage et de câblage des panneaux solaires et utilisé l'apprentissage automatique pour analyser les données de production solaire et améliorer l'efficacité des panneaux. Lors de mon stage chez OCP Group, j'ai effectué une analyse exploratoire des données pour identifier les facteurs ayant un impact sur la qualité des produits et mis en place des solutions pour améliorer les processus de contrôle de la qualité. J'ai également développé un modèle prédictif pour prévoir la qualité des produits avec un score de 97% sur la métrique MCC, etc.

Master Datascience à l'Ecole XPolytechnique de PALAISEAU.

En tant qu'étudiant de ce master, j'ai eu la chance de me spécialiser dans plusieurs domaines passionnants de la recherche en data science. Parmi ces domaines, j'ai étudié en profondeur le Deep Reinforcement Learning, qui est une branche du machine learning qui permet d'apprendre des politiques de prise de décision optimales en utilisant des récompenses. Cette approche est souvent utilisée pour des applications en robotique ou en jeux vidéo.

J'ai également étudié l'Opération Research et le Big Data, qui sont des méthodes de modélisation et d'optimisation de systèmes complexes tels que les réseaux de transport, les chaînes d'approvisionnement et les systèmes de production. Ces domaines m'ont permis de développer des compétences en programmation linéaire, en optimisation combinatoire et en traitement des données massives.

En ce qui concerne la vision par ordinateur, j'ai appris à utiliser des techniques de traitement d'image pour extraire des informations utiles à partir de données visuelles. J'ai étudié la reconnaissance d'objet, la détection de visages, la segmentation d'image et la classification d'images. Ces compétences peuvent être appliquées à divers domaines, tels que la surveillance vidéo, la reconnaissance de plaques d'immatriculation et la reconnaissance faciale.

J'ai également acquis des connaissances en apprentissage avancé pour les textes et les graphes. Cela comprend des méthodes de classification de texte, de détection de sujets, de résumé de texte, de recherche d'informations et d'analyse de sentiments. En ce qui concerne les graphes, j'ai appris à utiliser des méthodes de clustering spectral pour analyser des données à haute dimensionnalité et à appliquer des techniques de factorisation de tenseurs pour les systèmes de recommandation.

Enfin, j'ai également étudié les algorithmes de bandit multi-bras contextuels pour les problèmes de transport, ainsi que l'infrastructure de données dans le cloud. Ces compétences sont essentielles pour concevoir des systèmes d'apprentissage en ligne et pour gérer des données massives dans un environnement distribué.