Vincent Boisbourdain

data scientist - expert python

Paris, France

  • 48.8569
  • 2.32
Proposer un projet

Vérifications

Rejoignez la communauté Malt pour découvrir le profil complet de Vincent Boisbourdain
Rejoignez la communauté Malt pour découvrir le profil complet de Vincent Boisbourdain

Découvrez ce que recherche Vincent

Déplacement
Travaille en partie dans vos locaux et en partie en télétravail
Zone d'activité
Recherche des missions à Paris 7e Arrondissement et 100km autour, Trouville-sur-Mer et 50km autour
Compétences
Recherche des missions en Python, Data science, statistiques, Machine learning, Business intelligence
Durée de mission
Recherche des missions ≤ 1 mois, entre 1 et 3 mois, entre 3 et 6 mois
Secteur d'activité
Recherche des missions dans les secteurs Banque & assurances, Centres de recherche, Conseil & audit, E-commerce, Edition de logiciels et 3 autres
Taille d'entreprise
Recherche des entreprises de 1 personne, 2 - 10 personnes, 11 - 49 personnes, 50 - 249 personnes, 250 - 999 personnes et 2 autres

Vincent en quelques mots

Docteur en Physique, avec une importante expérience de programmation (15 ans) et de conseils (10 ans) sur des sujets scientifiques avancés, avec une certification de Centrale Supelec de data scientist en cours, je suis déjà intervenu suis plusieurs projets stratégiques:
1°) Développement d'un algorithme de machine learning pour la prédiction des cours financiers,
2°) Tarification dynamique pour une grande surface,
3°) Audit des algorithmes de pricing d'une grande banque,
4°) Analyse d'un réseau de consommateurs à des fins de marketing ciblé.

Dans le cadre d'une certification Centrale Supelec, j'ai mené les projets de data sciences suivants:
5°) Développement d'un moteur de détection de données erronées avancées,
6°) Développement application web de sélection de films selon les goûts des utilisateurs, par apprentissage non supervisé.

A l'aide des outils des data sciences, je peux vous aider à extraire et visualiser des données pertinentes, à repérer des failles ou des anomalies et finalement à définir des actions ciblées pour améliorer votre business.

En mathématisant vos objectifs et vos contraintes, je peux formaliser rationnellement vos problèmes de stratégies et rechercher les meilleures solutions accessibles en fonction des données disponibles. Vous disposerez alors de solutions optimales en profitant des dernières avancées des méthodes d'apprentissage automatique et de l'intelligence artificielle.

Mon expérience, ma formation initiale en physique théorique et les calculs intensifs sur les supercalculateurs du CNRS, me permettent de vous accompagner pour auditer, rationaliser, refondre ou accélérer vos algorithmes (en Python ou dans d'autres langages).

Mes services de Freelance seront particulièrement intéressants pour des dirigeants de petites et moyennes entreprises afin de vous permettre d'accéder aux nouvelles technologies des data sciences. Je reste bien sûr aussi disponible pour les grands comptes.

Expériences

avril 2019 - novembre 2019 | Le Bourget-du-Lac, France

Energie

CMDL - MANASLU Ing

Data scientist

Afin de réaliser des bilans énergétiques du fonctionnement d'entreprises et de bâtiments, CMDL réalise des millions de mesures physiques de toutes sortes à l'aide de capteurs sur site. Ces capteurs peuvent fournir des erreurs de toutes sortes (aberration, absence, variations brutales...), qu'il est nécessaire de détecter et de corriger afin de réaliser des bilans énergétiques fiables. CMDL disposait d'un code Python de détection statistique des anomalies devenu trop complexe au fil du temps et qui nécessitait une refonte complète et des améliorations. Le projet a été décomposé en 4 phases (audit de l'algorithme, nettoyage, refonte et amélioration)

Phase d’Audit: Les travaux de nettoyage, refonte et amélioration du code ont été précédés d’une phase d’audit, ayant pour objet de catégoriser les éléments perfectibles.

Phase de nettoyage: La factorisation du code, sa documentation et la réorganisation des fichiers ont été réalisés durant une première phase de nettoyage et de prise en main. Les algorithmes n'ont pas été modifiés dans leurs fonctionnements.

Phase de refonte: Le code a ensuite été totalement refondu, avec des changement plus structurels. Cette refonte a eue pour objectif de faire mieux apparaitre la logique métier et de gommer au maximum les aspects purement techniques d'informatique. Pour cela, une réflexion approfondie a été menée pour:
- renommer les noms des variables et des fonctions.
- réfléchir aux structures de données les mieux adaptées aux traitements algorithmiques.
- rechercher les bibliothèques externes les mieux adaptées, soit pour reprendre des fonctionnalités implémentés dans le code, soit pour remplacer des bibliothèques externes actuellement utilisées.
- réfléchir à l'opportunité d'utiliser des classes, avec comme cible d'utiliser l'héritage pour factoriser les codes et de mieux faire apparaitre la logique métier.

Phase d'amélioration: Enfin le code a été amélioré, soit sur des aspects de vitesse de calcul, soit sur des aspects de détection d'erreur dans les données avec le but de tester de nouveaux algorithmes
1. Un algorithme de recherche d'anomalies statistiques, par calcul des distances en nombre d'écart-types par rapport à la moyenne de données jugées similaires (se fondant sur une méthode "six sigma" standard dans l'industrie)
2. Un algorithme d'intelligence artificielle

La mission a permis à l'équipe de reprendre en main le programme, avec un code simple à comprendre, d'améliorer les rapports d'erreurs rédigés en Latex et d'augmenter les vitesses de calculs.
mars 2015 - Aujourd'hui | Paris, France

Banque & assurances

Carmignac Gestion

R&D en mathématiques financières

Afin de montrer les possibilités offertes par des algorithmes statistiques ou d'apprentissage automatiques pour améliorer les stratégies de gestion de portefeuille de Carmignac Gestion, une librairie orientée objet a été développée en Python. Elle a, par la suite, été utilisée pour tester de nombreux modèles mathématiques de modélisation des cours et le moteur de calcul a été rendu accessible via un interface web.

Initialement, le projet a démarré par l'audit, la fiabilisation et l'accélération d'un algorithme écrit en R par un chercheur de l'école Polytechnique. Par la suite, une architecture object a été développée afin d'isoler les modèles statistiques, les stratégies financières, les calculs des indicateurs de risques, les tests sur de longues périodes passées, et la comparaison des modèles ou de stratégies entre elles.

Ce "banc d'essai" pour modèles financiers a ensuite servit pour évaluer la pertinence de nombreux modèles. En particulier:
1°) Modèle de student multi-variée à copule de Student
2°) Lois d'échelle temporelles statistiques pour réaliser des prédictions à long terme
3°) Un réseau de neurones LSTM
4°) Une optimisation rendements vs risques extrêmes (CvaR)
5°) L'intégration de contraintes de limitation des volumes de ventes et d'achat dans les stratégies

Ces travaux ont permis de challenger les traders par des propositions de réallocation des portefeuilles sous gestion, ainsi que de faire évoluer les méthodes utilisées par les ingénieurs quantitatifs.
septembre 2018 - novembre 2018 | Paris, France

Restauration

La Marmite

Détection d'anomalies dans une base de données

Etude de la base de données alimentaires publique "Open Food Facts" afin d'en évaluer l'intérêt pour le site de recettes en ligne "La Marmite".

L'exploration des données (Big Data) à été réalisé à l'aide d'outils de visualisation statistique et via la définition de nouvelles mesures. L'analyse a permis d'évaluer le potentiel de la base de données pour évaluer les bienfaits potentielles des recettes de "La Marmite" sur la santé.

Le challenge a consisté à construire un algorithme capable de détecter les anomalies sur un très grand nombre de données, par classification des aliments à l'aide d'un arbre orienté catégorielle (Network), puis à comparer chaque donnée aux caractéristiques de sa catégorie la plus représentative statistiquement. L'algorithme développé s'est montré à la fois très efficace et très rapide.

décembre 2017 - juin 2018 | Rennes, France

Grande distribution

Bois & Matériaux

Data scientist

3 recommandations externes

Formations

Langues

charter modal image

Notre succès est une oeuvre collective

Contribuez à cette réussite et au sérieux de la communauté en signant la charte du freelance Malt.

Signer la charte