Diadie Sow - WIZBII Diadie Sow a publié son profil professionnel sur WIZBII. D S

Diadie Sow

Data scientist-machine learning

37 ans • Nimes

Résumé

Titulaire d’une maitrise en mathématiques appliquées et informatique à l’université Gaston berger (Sénégal), j’ai fait un master of science en Math pure à African university of science and technology (Abuja-Nigeria), un master 2 en math appliqué avec option « Optimisation, théorie des jeux et modélisation en économie » à l’école polytechnique X, puis un autre master en modélisation mathématique avec option « Optimisation et recherche opérationnelle » à l’université paris 1-Panthéon Sorbonne. J’ai enfin finalisé mon parcours par un doctorat en informatique-traitement de l'information .

Compétences

Compétences Solides En Mathématiques, Statistique Et AlgorithmeAnalyse Du Problème Posé Et Formalisation Sous Forme D'expression De Besoins MétierInterpréter Les Informations D'une Série D'ensembles De Données Pour Faire Des Prédictions Et Des RecommandationsModélisation Prédictive Et Explicative, Analyse Des RésultatsRecherchez Et Transformez L'information Disponible En Une Analyse Facilement CompréhensibleModéliser Et Représenter L’information Incertaine De Façon Qualitative Et QuantitativeAgréger Différents Modèles Et Différentes Informations Tenant En Compte Les Différentes Interactions PossiblesModélisation Mathématique Et Simulation : Aide à La Décision Multicritère, Optimisation, Recherche OpérationnelleMachine Learning : Machine Learning: Linear Regression, Logistic Regression, Convolutional And Recur-rent Neural Networks, Support Vector Machines, Decisions Trees, Random Forest, Gradien Boosting, Xgboost, Ensemble Learning, Clustering, Dimensionality Reduction, Anomaly Detection, Recommander Systems, Large Scales Machine Learning Outils : Scikit-learn, Pandas, Numpy, Matplotlib, TensorFlow, ScipyLangages Informatiques : Python, Matlab, C++, Java

Expériences

Doctorant-chercheur

- MaintenantDéveloppement informatique- Définir des modèles mathématiques d’aide à la décision multicritère dans un contexte d’incertitude, pour la conception et l’amélioration de systèmes complexes tenant en compte les interactions préférentielles entre critères à l’aide d’opérateurs d’agrégations non linéaires tels que les intégrales flous par rapport à une mesure floue modélisant les interactions préférentielles entre critères. - Un modèle agrégé dont les poids sont déterminés à partir d’un réseau de neurone. - Application pour la conception et l’amélioration d’un système complexe mécatronique - Articles : . Entre volonté et capacité : comment définir des objectifs atteignables (conférence LFA 2015, Poitiers, France) . A qualitative evaluation of mechatronic concepts (Conférence REM 2016, Compiègne, France) . A qualitative approach to set achievable goals during the design phase of complex systems, Eindhoven, Holland) . A Possibilistic Approach to Set Achievable and Feasible Goals while Designing Complex Systems (IFAC 2017, Toulouse) .A Possibilistic Framework for Identifying the Performance to be Improved in the Imprecise Context of Preliminary Design Stage, CIVEMSA 2017, Annecy France

Stagiaire

- Études / Statistiques / DataSujet : Optimisation robuste avec recours pour la gestion de production court terme Au court terme, le problème de planification de la production de chaque moyen (problème dit ”Unit- commitment”), vise à calculer le programme de production qui satisfait l´équilibre offre-demande à un cout minimal. Ces problèmes sont souvent considères dans un cadre déterministe, c’est-à-dire que la demande et la disponibilité des moyens de production sont vues de manière certaine. Cependant l’incertitude est bel et bien présente, on se place donc dans le cadre de l’optimisation robuste pour essayer de construire des programmes faisant face à l’aléa, tel que la température, la nébulosité, affectant la demande. La robustesse du programme de production est donc une question clé. Dans ce projet, j’ai proposé un modèle à deux étapes tenant compte des incertitudes sur la demande en puissance.

Formations

Doctorat- École des Mines d'Alès

2014 - 2017 Alès, GardConception / Génie civil / Génie industriel, Développement informatique, Études / Statistiques / Data

Master 2 modélisation mathématique appliqué en économie et à la finance- Université Panthéon Sorbonne Paris 1

2013 - 2014 Paris, FranceÉtudes / Statistiques / Dataoption: Optimisation et recherche opérationnelle

Master 2 mathématiques appliquées- Ecole Polytechnique

2012 - 2013 Paris, FranceÉtudes / Statistiques / DataOption: Optimisation, théorie des jeux et modélisation en économie

Master of science in pure and applied math- African University Of Science And Technology

2010 - 2011 FCT, NigeriaÉtudes / Statistiques / Data

Maitrise mathématique appliquées et informatique- Université Gaston Berger du Sénégal

2006 - 2010 Saint-Louis, Haut-RhinÉtudes / Statistiques / Data

Mes qualités

Rigoureux·se
Esprit d'analyse
Réactif·ve
Autonome

Langues parlées

  • Anglais

    Professionnel

  • Français

    Langue maternelle

Faire de chaque avenir une réussite.
  • Annuaire emplois
  • Annuaire entreprises
  • Événements
    •