Modibo DIABATÉ

Détenteur d'un doctorat de Mathématiques Appliquées de l'Université Grenoble Alpes, je suis ingénieur R&D (recherche et développement) et consultant en Data Science (Statistique, Intelligence Artificielle (IA), Big Data). 

Auparavant, j'ai été, de septembre 2021 à décembre 2022, R&D et Enseignant Chercheur en Intelligence Artificielle à l'Institut Supérieur de l'Electronique et du Numérique (ISEN Yncréa) Méditerranée. J'évoluais au sein de l'équipe pluridisciplinaire Software Development de l'ISEN en tant que spécialiste de l'IA (analyse de données, conception/implémentation/validation/industrialisation de modèles de Machine/Deep Learning). J'y travaillais principalement sur des projets de recherche et développement (R&D) à destination des industriels dans les domaines de la smart energy, de l'internet des objets (IoT), de la microélectronique & systèmes embarqués ou encore de la e-santé. Je ménais également des activités de recherche fondamentale et appliquée (en science des données en général et en statistique computationnelle en particulier) en collaboration avec des chercheurs de l'ISEN et/ou d'autres établissements en France et à l'étranger.  En parallèle de ces activités de R&D, j'assurais également des missions d'enseignement (principalement des cours d'IA/Science des données et de programmation informatique) dans les trois dernières années du cycle ingénieur de l'ISEN mais aussi à l'endroit des industriels (notamment dans le domaine de la microélectronique) qui veulent monter en compétences en analyse des données et 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). J'ai soutenu ma thèse de doctorat en décembre 2019. 

Aperçu général de mes activités

Recherche et Développement (R&D)

• Mots clés : 

  • Data Science/Intelligence Artificielle (Machine Learning/Deep Learning) : classification (signaux sonores, images, etc.), détection d'anomalies, détection d'objets (images), maintenance prédictive, analyse de séries temporelles, industrialisation de solutions IA, IA embarquée

  • Data analyse/Statistique inférentielle & computationnelle : Data processing, Data visualization, statistique descriptive, réduction de dimension, calcul de segmentation, Data mining, modèles de régression non linéaires à effets mixtes, algorithme EM et variantes (SAEM, maxEM, ...), Expectation Propagation, Forward Backward, analyse de survie

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

  • Développement Back-end : Web sémantique (graphes RDF, requêtage SPARQL, ontologies, etc.), applications Java (Spring boot), requêtage API (Postman)

  • Autres : optimisation numérique, analyse numérique, simulation numérique, cryptographie

• Domaines d'application : Smart Energy, microélectronique, économie/social, IoT, e-santé, santé publique, cancer, génétique, épidémiologie

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), 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++