COMPÉTENCES

 

​


​​

​​

INFORMATIQUES

​​

• Programmation en Python :
  - NumPy
  - SciPy
  - Pandas
  - Matplotlib
  - scikit-learn
  - keras
  - Astropy/Astronomy in Python
  - Gatspy/General tools for Astronomical Time Series in Python.
  
   

• Traitement de grands échantillons de données :
  - traitement & harmonisation de jeux de données multi-sources ;
  - analyse statistique comparative de sous-populations & extraction robuste de caractéristiques
  à grande échelle (~6000 objets) ;
  - détection de comportements atypiques & de corrélations non expliquées par les modèles standards ;
  - augmentation d’un ordre de grandeur du volume de données exploitables ;
  - identification de corrélations globales & mise en évidence de tendances physiques auparavant inaccessibles ;
  - extraction de périodicités dans le domaine fréquentiel par autocorrélation ;
  - ingénierie des caractéristiques (feature engineering) sur des données fréquentielles ;

  
  - ajustement de modèles aux données & comparaison de modèles concurrents avec des tests de vraisemblance ;
  - caractérisation des effets de sélection d’échantillon ;
  - reconstruction de distributions populationnelles à partir de mesures biaisées ;
  
   

• Conception & développement d’algorithmes robustes, rapides & automatisés :
  - conception & développement de 4 pipelines de bout en bout, validation sur ~6000 objets ;
  - génération de données synthétiques bruitées pour validation algorithmique ;
  - application d’algorithmes de machine learning supervisés à des problèmes d’inférence complexe ;
  
   

• Visualisation de données :
  - nuage de points (scatter plot) & ligne ;
  - barres d'erreur
  - diagrammes (en bâtons, à barres, circulaires) ;
  - histogrammes ;
  - tableaux.
  
  
  ------------------------------------------------------------------------------------------------------------------------------------------------
  
  
  TECHNIQUES
  
   

• Méthodes d’analyse statistique :
  - calcul de densités de probabilité & de fonctions de répartition ;
  - calcul & estimation d’incertitudes ;
  - calcul d'intervalles de confiance et de prédiction ;
  - test de Kolmogorov-Smirnov ;
  - test du rapport de vraisemblance ;
  - coefficient de corrélation de Pearson & valeur p ;
  - réjection de l’hypothèse nulle (H0) ;
  - méthode des moindres carrés.
  
   

• Méthodes numériques :
  - intégration ;
  - dérivation ;
  - interpolation ;
  - résolution d’équations implicites.
  
   

• Traitement du signal :
  - binning ;
  - lissage par convolution avec une gaussienne ;
  - corrélation croisée avec un modèle synthétique ;
  - sur-échantillonnage par zéro-padding;
  - fenêtrage par un filtre de Hanning ;
  - ajustement de modèles aux données & template-matching ;
  - transformée de Hough pour détecter des droites dans une image.
  
   

• Analyse de séries temporelles & détection de signaux périodiques :
  - transformée de Fourier & périodogramme de Lomb-Scargle ;
  - autocorrélation par transformée de Fourier de la transformée de Fourier.
  
   

• Apprentissage automatique (machine learning) supervisé :
  - algorithme de forêt aléatoire (random forest) appliqué à des tâches de régression ;
  - réseau de neurones convolutif (CNN) appliqué à des tâches de régression ;
  - contrôle des phénomènes de sous-apprentissage (underfitting) & de sur-apprentissage (overfitting) ;
  - sélection des échantillons d’entraînement (80%) et de test (20%) ;
  - identification des paramètres informatifs (features).
  
   

• Présentations techniques :
  - rédaction de 6 articles en première auteure publiés dans des revues scientifiques majeures (en anglais)
  & d'un manuscrit de thèse (en français) ;
  - co-rédaction de 18 articles publiés dans des revues scientifiques majeures dont Nature Astronomy ;
  - dispense de 43 présentations orales dans des conférences internationales (en anglais)
  & d'une soutenance de thèse (en français).