Breakfast in America

Byteworks

PassePartout Services

LICTER

Glance data

Fyce Tech

ISquare

adalab

Fada Collectif

Tyrscale

Hyperstack

Sypher

LumosAI

Aix Ynov Campus

Formateur en data science, machine learning et deep learning dans les Masters Data Science &amp; IA depuis 2018.J'ai formé et accompagné, au fil des années, plusieurs promotions sur des modules de 70h minimum. J'ai enseigné les sujets suivants:<ul><li>ecosystème python orienté pour la data science</li><li>mathématiques pour la data science le machine learning</li><li>traitement de données</li><li>structures de données</li><li>préparation de données</li><li>fouille et exploration de données</li><li>IA : machine learning et deep learning avancé</li><li>deep learning et vision par ordinateur</li><li>deep learning et traitement du langage</li><li>management de projet data</li><li>IA responsable </li></ul>

Formateur en data science, machine learning et deep learning 

Data science

Formateur Data science et IA

Le Wagon Marseille

Le wagon est une entreprise spécialisée dans la formation des nouveaux métiers de la tech, sous forme de bootcamp professionnalisants. Différents membres du collectif sont intervenus sur leur campus de Marseille pour diriger des modules de formation dans tous les domaines de la data science et de l'IA, ainsi qu'a l'encadrement des projets de fin de batch des étudiants.

Formateur principal sur des modules liée à l'analyse de donnée, la data science, le machine learning, le deep learning  le data engineering et sur l'encadrement de projets 

Data Engineering

Data analysis

Formateur parcours Data Analytics et Data Science & IA

Neurodys PACA

Contexte : Accompagnement et développement d'algorithmes pour l'extraction d'information médicales de compte rendus de patient dans différents types de documents en respectant une démarche éthique (protection de la vie privée et de frugalité des ressources utilisées) Données: Analyse et extraction préliminaire de différents types de documents (doc, pdf, tableurs,) de données de patients d'un volume d'environ 30GoMethodologie : Mise en place d'un cadre de travail respectant une approche éthique (hébergement des données dans un cloud chiffré de bout en bout, anoymisation des données, utilisation d'algorithmes uniquement en local)<ul><li>Exploration préalable des données</li><li>Veille et développement d'algorithmes spécialisés pour l'extraction d'information d'information de patients</li><li>Stucturation préliminaire des résultats extraits</li></ul>

Extraction et structuration de données médicales

Data Mining

Extraction de données de santé multi-document

Haute Autorité de Santé

Problématique Certaines situations nécessitent de pouvoir remplacer un médicament par un autre : rupture d’approvisionnement, constitution d’un livret thérapeutique, conciliation, prescription transfrontalière, etc.Les informations nécessaires, qu’elles soient relatives aux indications thérapeutiques, aux contre-indications, aux modalités d’utilisation ou encore aux effets indésirables, ne sont pas structurées et donc difficilement mobilisables par les professionnels de santé.Cas d’usage “Je suis un pharmacien d’officine. Notre pharmacie est en rupture d’approvisionnement pour un médicament, et un patient vient avec une prescription pour celui-ci. Je dois trouver un médicament équivalent qui tienne compte de la situation clinique de ce patient et des médicaments qu’il prend déjà.”DonnéesBase de données publique des médicaments (BDPM) (en particulier Résumés des caractéristiques des produits)Avis de la commission de la transparenceSolution proposée Rassembler et structurer les données pertinentes. Regrouper les médicaments similaires via l'estimation d'un degré de substituabilité. Intégrer les informations patient afin de prendre en compte le contexte clinique dans le choix du meilleur substitut.<ul><li>Webscrapping pour la récupération des résumés des caractéristiques des produits (formats html et pdf)</li><li>Extraction (via expressions régulières) des informations pertinentes pour l’analyse du texte (code ATM, indications thérapeutiques, contre indications, etc.)</li><li>Développement d'algorithmes de NLP pour la structuration du texte et l’extraction de features (Nettoyage du texte, bag of words, word count)</li><li>Développement d'algorithmes de Machine learning pour la classification des médicaments (annotation et modèles d’apprentissage)</li></ul>Durée : 4 mois

Python

Machine learning

Recherche d'équivalence entre médicaments

Laboratoire de Neurosciences Cognitives

ContexteParticipation à différents travaux de recherches au sein du Laboratoire de Neurosciences CognitivesDonnéesDonnées physiologiques multimodales: électroencéphalographie, électromyographie, comportement chez un grand nombre de sujetsMéthodologie<ul><li>Veille scientifique et technique</li><li>Participation à la constitution de protocoles expérimentaux et à la mise en place matériel d'acquisition</li><li>Acquisition de données à haute fréquence d'échantillonnage</li><li>Pré traitement de données : rejet d'artefact, et exploration des données</li><li>Application de méthodes de traitement du signal pour le débruitage des données:<ul><li>Analyses temps-fréquence, Analyse de Canonique de Corrélation, Analyse en Composante Indépendantes, ...</li></ul></li><li>Modélisation statistiques et analyse de résultats</li></ul>

Analyse de données physiologiques multimodales

Data vizualization

Analyse de données électro-physiologiques multivariées

SATT PACA Corse

Travaux de recherche préliminaires sur la segmentation des nodules pulmonaires en CT.<ul><li>État de l'art sur les réseaux de neurones 3D adaptés à la segmentation des nodules</li><li>Évaluation d'un modèle pré-entraîné open-source sur la base de données LIDC-LUNA16</li><li>Implémentation d'une architecture 3DResUNet</li><li>Essais préliminaires d'hyper-paramétrisation pour l'apprentissage</li></ul>Durée : 11 jours

Deep Learning

Segmentation des nodules pulmonaires en CT

Ana Healthcare

Étape 3 du développement d'un outil de contrôle qualité des images IRM et scannerL'objectif était de quantifier la qualité d'une image IRM en estimant son niveau de bruit (SNR, CNR). La difficulté est de fournir une métrique objective d'une perception visuelle du bruit qui varie selon l'objectif clinique. Pour cela, plusieurs méthodes d'estimation du SNR sont comparées et confrontées à une estimation visuelle du SNR.<ul><li>État de l'art sur les méthodes d'estimation du niveau de bruit en IRM</li><li>Constitution d'une base de données publiques de 616 cas</li><li>Implémentation de l'algorithme de non-local PCA avec adaptation aux volumes 3D</li><li>Évaluation sur données réelles avec différents niveaux de bruit Rician et comparaison avec la méthode manuelle de ROI.</li><li>Implémentation et comparaison de 4 méthodes d'extraction automatique du background</li><li>Implémentation de métriques d'évaluation (entropie et total variation) pour l'identification automatique de la meilleure extraction de background</li><li>Évaluation visuelle sur la base de données</li></ul>Durée : 29 jours (projet en cours)

Estimation automatique du SNR en IRM

Étape 2 du développement d'un outil de contrôle qualité des images IRM et scannerL'objectif était de vérifier que la zone anatomique couverte par le FOV incluait bien l'intégralité du foie. Pour cela, un algorithme open-source (et libre de droit) de segmentation du foie a été utilisé.<ul><li>Test et choix de modèles pré-entrainés</li><li>Adaptation du modèle aux format de données DICOM</li><li>Implémentation du pipeline complet de vérification du FOV avec un algorithme décisionnel</li><li>Validation sur la base de données fournie pour le projet</li></ul>Durée : 5 jours

Contrôle qualité de l'acquisition IRM foie

Étape 1 du développement d'un outil de contrôle qualité des images IRM et scannerL'objectif était de vérifier que la zone anatomique couverte par le FOV s'étendait bien de la base de la tête au bas du pelvis. Pour cela, un algorithme a été entraîné pour identifier la partie anatomique correspondant à chaque coupe de l'IRM.<ul><li>Développement d'un outil d'annotation des coupes</li><li>Annotation des données sur deux types de séquence IRM</li><li>Implémentation d'un modèle d'apprentissage en deep learning</li><li>Hyperparamétrisation et comparaison de deux modèles de classification (ResNet50 et Unet2D)</li><li>Implémentation d'un algorithme décisionnel sur la qualité de couverture à partir de l'identification des coupes.</li></ul>Durée : 16 jours

Analyse de la couverture anatomique tête/mi-cuisse

Contrôle qualité de l'acquisition IRM corps entier

Mobility care

Pré-traitement de données ECG enregistrées dans le cadre du développement d'un outil de monitoring pour la téléconsultation.<ul><li>Revue bibliographique sur les méthodes de pré-traitement habituellement appliquées en ECG dans la littérature scientifique et par les constructeurs. </li><li>Sélection des sets de paramètres les plus courants.</li><li>Implémentation en python via les librairire neurokit, et scipy.</li></ul>Durée : 4 jours

Analyses de données ECG

Neurosteo

Analyse de données EEG enregistrées dans le cadre d'une étude pilote sur l'effet des manipulations ostéopathiques sur l'activité neuronale des patients.<ul><li>Revue bibliographique sur les analyses qualitatives et quantitatives pouvant être réalisées sur ce type d'EEG continu.</li><li>Contrôle qualité des données et identification des artefacts.</li><li>Prétraitement avec filtrage des signaux perturbateurs</li><li>Analyse des signaux : identification visuelle de patterns EEG, analyse spectrale</li><li>Visualisation des données : décours temporels, graphes temps-fréquence et cartes topographique de localisation des modulations du signal au court de la manipulation.</li><li>Participation à la rédaction de l'article.</li></ul>Durée : 10 jours

Analyse de données EEG

Olea Medical

Formation sur mesure pour une entreprise d'édition de logiciels en imagerie médicale.Définition du programme selon les besoins et les niveaux de l'équipe :<ul><li>Maîtrise de python (environnement virtuel, jupyter, pycharm, rédaction de scripts).</li></ul><ul><li>Gestion de données (textes, tableaux) et d'images médicales (formats Nifti, DICOM).</li></ul><ul><li>Découverte des outils de visualisation.</li></ul><ul><li>+ Travaux pratiques avec des exercices adaptés à leurs problématiques quotidiennes.</li></ul>La formation a été réalisée sur 2 jours (2 x 7h) en distanciel. Niveau débutant à intermédiaire.

Programme sur mesure - niveau débutant à intermédiaire

Formation python

Les projets à impact :Nous sommes un collectif de scientifiques indépendants, spécialisés dans le traitement des données et l'intelligence artificielle. Adalab s'est donné pour mission de contribuer positivement à l'usage des données dans la société en se focalisant sur les thématiques de la santé et de l'environnement.L'éthique :Nous souhaitons mettre en œuvre dans tous nos projets des principes d'ethic-by-design en minimisant l'impact négatif des technologies utilisées pour les rendre plus vertueuses.La co-construction :Adalab est aussi un espace de travail collaboratif, où nous construisons ensemble les outils et compétences pour développer le collectif. Nous mutualisation un maximum nos outils de travail pour réduire les coûts et augmenter notre efficacité.Le professionalisme :&nbsp;Le collectif a pour vocation d'inspirer la confiance, la souplesse et l'efficacité. Ces valeurs sont la base d'un travail commun, de partage et d'entraide. Nous proposons systématiquement un chef de projet qui se porte garant des délais et de la qualité en tant qu'intermédiaire avec le client.

Data Scientist Senior

Ingénieur data scientist

Data scientist Junior

Data Scientist

Data Scientist Junior

datascientist and Neurosciences, PhD

Conseil et accompagnement pour le montage de projets data & IA : Identification et définition du besoin puis proposition d'une solution algorithmique et analytique  adapatée


Conception de projet

Veille technique et scientifique.
Évaluation de l'état de l'art sur une thématique de recherche.

Veille & État de l'art

Audit des données disponibles et proposition d'une infrastructure pour la structuration des données adaptée au besoin

Audit & Structuration des données

Pré-traitement des données pour une exploitation ultérieure
Gestion et contrôle de la qualité des données
Annotation de données

Préparation de données

Développement et mise en service d'algorithmes de traitement de données  : statistiques,  machine learning & deep learning,  traitment du signal et de l'image, traitement du langage, IA générative

Analyse de données & Intelligence artificielle

Développement d'outils de présentation et visualisation des données : graphiques interactifs, rapports, panneau de bord, data story telling, ...



Visualisation de données

Développement de chaines de traitement automatisées pour le traitement de données et la mise en production de services utilisant la donnée et l'IA

Automatisation & Ingénieurie de données

Formation et accompagnement pédagogique tous niveaux sur la thématique de la data science.
Transmission : Accompagnement à l'installation et la prise en main des outils développés par le collectif.

Formation

Accompagnement à la mise conformité réglementaire (RGPD, IA Act) et à l'IA Responsable : prévention des biais, réduction de l'impact environnemental, interprétabilité des algorithmes 



32 collectifs