Bienvenue sur le profil Malt de Ilyas !

Malt vous permet d'accéder aux meilleurs consultants freelances pour vos projets. Contactez Ilyas pour échanger sur votre besoin ou recherchez d'autres profils sur Malt.

Ilyas Aroui

computer vision and machine learning engineer

Peut se déplacer à Paris

  • 48.8546
  • 2.34771
Proposer un projet La mission ne démarrera que si vous acceptez le devis de Ilyas.
Proposer un projet La mission ne démarrera que si vous acceptez le devis de Ilyas.

Localisation et déplacement

Localisation
Paris, France
Peut travailler dans vos locaux à
  • Paris et 50km autour

Préférences

Durée de mission
  • ≤ 1 semaine
  • ≤ 1 mois
  • entre 1 et 3 mois
  • entre 3 et 6 mois

Vérifications

Influence

Github

Github : ily-R ily-R
  • 16 Followers
  • 12 Repos
  • 0 Gists

Langues

Catégories

Compétences (12)

Ilyas en quelques mots

Je suis en M2 computer vision à l'université de Pierre et marie curie ( UPMC, aussi connu comme Paris 6), avec une licence en électronique et traitement de signal. Mes intérêts de recherche et de travail sont dans la mise en œuvre de modèles machine learning / deep learning/ techniques de traitement de signal numérique pour les tâches de reconnaissance visuelle et de traitement du signal.

J'ai une bonne formation en théorie de l'apprentissage automatique acquise à l'université et des cours / projets en ligne que j'ai poursuivis, tels que tous les cours Andrew Ng( sur coursera), CS229( stanford lecture notes)...

De quoi suis-je capable:

- Traitement d'images et de vidéos (utilisation de techniques anciennes et modernes d'analyse d'images).

- Construire, implémenter / analyser et déployer des modèles de machine/ deep learning (à partir d'articles publiés récents ou anciens) pour une application de traitement visuel et du signal. incluant mais non limité à la détection d'objet, la segmentation d'image/vidéo, la classification vidéo, le suivi d'objet, la reconnaissance audio / signal et l'extraction de caractéristiques en utilisant différents auto-encodeurs.

- Apprentissage supervisé / non supervisé pour des données structurées générales.

les outils que j'utilise:

Pytorch ou Keras functional API (Je ne suis pas un expert en Tensorflow, mais si c'est un long projet, je peux changer et m'adapter si nécessaire).

Python (OOP / notebook): Opencv, librosa, pandas, seaborn, numpy, scikit learn, SciPy, matplotlib.

MATLAB.

J'ai travaillé sur plusieurs projets et effectué des recherches dans les domaines susmentionnés, que ce soit pour l'université ou pendant les stages.

Expériences

Institut de la vision

Biotechnologies

Machine learning Intern

Paris, France

juillet 2019 - Aujourd'hui

La mission consiste à aider mon équipe à prendre des décisions et à tirer des conclusions sur les patients en examinant les données brutes, générées par l'institut de la vision et Hospital Center National D'ophtalmologie Des Quinze-Vingts, en utilisant un apprentissage supervisé et non supervisé.

Données: EEG 32 channels , FMRI, données vidéo.

Rôle:
-Implémentation de modèles récents d'apprentissage en profondeur pour la classification, et les auto-encodeurs liés aux données spécifiques.
-Investigation, analyse et itération rapide sur une grande grille de modèles d'apprentissage automatique (xgboost, extratrees, QDA, svm ...)
-déployer des modèles pour le laboratoire à utiliser pour des travaux futurs.
- extraction de features (MFCC, STFT, CWT, FFT...) pour étudier les données de EEG et aider nos modèles à mieux généraliser.
Pytorch Scikit-learn Data science Cloud computing Matlab image processing signal processing Python

Institut Pasteur Paris - Institut Pasteur

Biotechnologies

Graduate student researcher

Paris, France

janvier 2019 - juin 2019

Ce projet de recherche fait partie de mon cursus universitaire à la Sorbonne pendant tout le second semestre.Je travaille sur la détection multi-classes d'épines dendritiques basée sur l'apprentissage end-to-end.
Les chercheurs dans ce domaine sont fortement dépendants du traitement des images microscopic et de l'extraction manuelle de features. Nous étudions donc les performances récentes des modèles deep learning .
Rôle:
Benchmark les performances de yolov2/3, de Mask R-CNN et Faster-RCNN, avec different backbones, sur la détection d’objets sur notre ensemble de données de neurones d’images microscopiques à fluorescence.
Construisez un modèle personnalisé en utilisant des a priori morphologiques des trois types d'épines dendritiques (mince, champignon et trapu) .
Pytorch Image processing Keras Tensorflow Python Matlab Scikit-learn GitHub

Recommandations externes

Consultez les recommandations qu'a reçues Ilyas

Formations

Certifications