Modibo DIABATÉ

Détenteur d'un doctorat de Mathématiques Appliquées - Statistique  de l'Université Grenoble Alpes, je suis ingénieur de recherche et développement (R&D) en Science des données (Statistique, Intelligence Artificielle (IA), Big Data) et ingénieur de données certifié sur Microsoft Azure dans un grand groupe industriel européen. 

Auparavant, j'ai été, de septembre 2021 à décembre 2022, Enseignant Chercheur et R&D en Intelligence Artificielle à l'Institut Supérieur de l'Electronique et du Numérique (ISEN Yncréa) Méditerranée au sein de l'équipe pluridisciplinaire Software Development de l'ISEN en tant que leader technique en IA. 

Avant l'ISEN, j'ai été Chercheur postdoctoral au Laboratoire MAP5-Université de Paris (de septembre 2020 à Août 2021) et Enseignant Chercheur contractuel (ATER) à Grenoble INP ENSIMAG (de septembre 2019 à Août 2020) à la suite de ma thèse de doctorat (soutenue en décembre 2019). 

Aperçu général de mes activités

Recherche et Développement (R&D)

• Domaines de compétences techniques : 

  • Data Science & Modélisation mathématique

    • Modélisation Probabiliste : modèles de Markov cachés (HMM), modèles de dynamique des populations (processus de naissance et de mort, systèmes prédateurs -proies, etc.), équations différentielles déterministes/stochastiques, simulation numérique

    • Statistique inférentielle & computationnelle : statistique descriptive numérique et graphique, modèles linéaires généralisés, modèles de régression non linéaires à effets mixtes, statistique bayésienne, algorithme EM et variantes (SAEM, maxEM, ...), calcul de segmentation (max-EM), Expectation Propagation, Forward Backward, analyse de survie, tests d'hypothèses, réduction de dimension (ACP, t-SNE, UMAP), optimisation numérique

    • Intelligence Artificielle (Machine Learning/Deep Learning) : classification (sons, images, etc.), détection d'anomalies, détection d'objets (images), maintenance prédictive, IA embarquée, traitement automatique du langage naturel (NLP) & analyse de données séquentielles (Transformers & modèles larges de langages), architectures avancées de Deep Learning d'analyse/traitement d'image, industrialisation de modèles d'IA (mlflow/Databricks) 

  • Data engineering & Data analyse : ETL/ELT from scratch en R et Python, Data Engineering sur Talend Open Studio et sur Microsoft Azure (Data Factory, Synapse Analytics, Databricks, Stream Analytics, PySpark, SQL), Data visualization & Analytics from scratch (R, Python) et avec Orange Data mining et Power BI

  • Autres : Web sémantique (graphes RDF, SPARQL, ontologies, etc.), applications Java (Spring boot & Postman), cryptographie, IVVQ (tests IHM et fonctionnels automatisés)

• Principaux domaines d'application : Smart Energy, microélectronique, IoT, santé & biologie (e-santé, santé publique, cancer, génétique, épidémiologie, etc.), économie/social, défense, aviation, ...

Enseignement 

• Probabilités appliquées 

• Statistique descriptive : construction théorique de graphiques statistiques, calcul d'indicateurs statistiques standards, analyse de corrélation, tests d'hypothèse statistique, analyse en composante principale (ACP) 

• Statistique inférentielle : méthode des moindres carrés, méthodes du maximum de vraisemblance & notion d'entropie croisée, méthode des moments, analyse d'un estimateur statistique

• Principaux algorithmes de Machine Learning/Deep Learning/Data Science : régression linéaire simple/multiple, régression logistique simple/multiple, Naive Bayes, analyse discriminante linéaire (LDA), k plus proches voisins (k-NN), k-means, arbre de décision & forêt aléatoire, SVM, Perceptron, Multilayer Perceptron (MLP) & Dense Neural Networks (DNN), Convolutional Neural Network (CNN), YOLO, Reccurent Neural Network (RNN, LSTM, GRU, BiLSTM), Mécanismes d'attention & Transformers, Natural Language Processing (NLP) & modèles larges de langages (LLM), Generative Adversarial Network (GAN), Recommender system   

• Optimisation mathématique & Optimisation pour le Machine Learning : théorie de l'optimisation numérique (lagrangien, conditions KKT, etc.), l'algorithme de descente de gradient et variantes stochastiques et pas adaptatifs)

• Langages de programmation enseignés : Python, Java, R, C++