Welcome to Arthur's freelance profile!
Location and workplace preferences
- Location
- Paris, France
- Can work onsite in your office in
-
- around Paris and 10km
Preferences
- Project length
-
- ≤ 1 week
- ≤ 1 month
- Business sector
-
- Aviation & Aerospace
- Architecture & Urban Planning
- Automobile
- Biotech
- Research
+8 autres
Verifications
Freelancer code of conduct signed
Read the Malt code of conduct
Reputation
Loading...
Languages
Categories
Skills (50)
- Data Science
-
Beginner Intermediate Advanced
-
Beginner Intermediate Advanced
-
Beginner Intermediate Advanced
-
Beginner Intermediate Advanced
-
Beginner Intermediate Advanced
-
Beginner Intermediate Advanced
-
Beginner Intermediate Advanced
- All
-
Beginner Intermediate Advanced
Arthur in a few words
Bonjour,
Je m'appelle Arthur et je suis Data-Scientist spécialisé dans l'analyse des séries temporelles, le deep learning et la vision par ordinateur.
J'ai fait mes études à l' ENS et aux Mines de Paris, j'ai notamment suivi le master MVA (Mathématiques, Vision, Apprentissage).
J'ai eu plusieurs expériences en tant que Data Scientist notamment chez Arep pour l'optimisation des Gares SNCF et chez Kayrros pour le développement d'un modèle de deep-learning de segmentation sémantique sur les images satellites de Sentinel-2 (ESA) et Landsat-8 (NASA). Je suis aujourd'hui doctorant en informatique à l'INRIA et je travaille sur la détection des perturbations des forêts par images satellites.
Je serai heureux d'apporter mon expertise et mes connaissances à votre projet de data-science. Je peux répondre à plusieurs missions dont :
- 💽 La gestion des données : web scrapping, nettoyage, traitement et analyse de données pour extraire des caractéristiques qui vous intéressent.
- 📈 L'analyse de séries temporelles : segmentation, classification, prédiction, détection d'anomalies.
- 🖼️ Traitement d'images : segmentation, classification, etc.
- 📖 L'analyse de texte : sentiments, geosparcing.
- 🗺️ La visualisation : tableau interactif, graphique, etc.
- 🧭 L'Aide au pilotage du projet de data-science ou machine learning : orientation sur le meilleur algorithme à utiliser, veille, recherches dans la littérature, etc.
Je suis disponible jusqu'à 3 jours par semaine. Je peux me déplacer sur Paris. Je préfère des missions de 1 à 2 semaines.
Je m'appelle Arthur et je suis Data-Scientist spécialisé dans l'analyse des séries temporelles, le deep learning et la vision par ordinateur.
J'ai fait mes études à l' ENS et aux Mines de Paris, j'ai notamment suivi le master MVA (Mathématiques, Vision, Apprentissage).
J'ai eu plusieurs expériences en tant que Data Scientist notamment chez Arep pour l'optimisation des Gares SNCF et chez Kayrros pour le développement d'un modèle de deep-learning de segmentation sémantique sur les images satellites de Sentinel-2 (ESA) et Landsat-8 (NASA). Je suis aujourd'hui doctorant en informatique à l'INRIA et je travaille sur la détection des perturbations des forêts par images satellites.
Je serai heureux d'apporter mon expertise et mes connaissances à votre projet de data-science. Je peux répondre à plusieurs missions dont :
- 💽 La gestion des données : web scrapping, nettoyage, traitement et analyse de données pour extraire des caractéristiques qui vous intéressent.
- 📈 L'analyse de séries temporelles : segmentation, classification, prédiction, détection d'anomalies.
- 🖼️ Traitement d'images : segmentation, classification, etc.
- 📖 L'analyse de texte : sentiments, geosparcing.
- 🗺️ La visualisation : tableau interactif, graphique, etc.
- 🧭 L'Aide au pilotage du projet de data-science ou machine learning : orientation sur le meilleur algorithme à utiliser, veille, recherches dans la littérature, etc.
Je suis disponible jusqu'à 3 jours par semaine. Je peux me déplacer sur Paris. Je préfère des missions de 1 à 2 semaines.
Portfolio
Experience
Inria - INSTITUT NATIONAL DE RECHERCHE EN INFORMATIQUE ET EN AUTOMATIQUE (INRIA)
Research
PhD Candidate
Detection and classification of non stand-replacing vegetation disturbances to understand and qualify forests resilience to climate change in Europe.
Europe, as a union of nations, is focused on achieving its climate goals to protect the biosphere. European forests, which cover more than 40% of the land, play several roles in climate change mitigation, a) they remain a natural and safe habitat for many species and therefore help to maintain biodiversity and b) they represent the largest terrestrial greenhouse gas emissions (GHG) sink absorbing the equivalent of 7% of the EU's total GHG every year. Nevertheless, those forests are threathened by human activities (tourism, limbering, etc.) and natural hazards (droughts, fire, insect attack, etc.). Those events can considerably alter biomass and play an important role in the forests' evolution. Indeed, the forest resilience to non-stand replacing events (droughts, insects attacks) is not completely understood due to a lack of accurate monitoring data on biomass before and after the events. The aim of this thesis is then to leverage the powers of satellite imagery and machine learning to accurately study these events and their impact on biomass evolution.
Europe, as a union of nations, is focused on achieving its climate goals to protect the biosphere. European forests, which cover more than 40% of the land, play several roles in climate change mitigation, a) they remain a natural and safe habitat for many species and therefore help to maintain biodiversity and b) they represent the largest terrestrial greenhouse gas emissions (GHG) sink absorbing the equivalent of 7% of the EU's total GHG every year. Nevertheless, those forests are threathened by human activities (tourism, limbering, etc.) and natural hazards (droughts, fire, insect attack, etc.). Those events can considerably alter biomass and play an important role in the forests' evolution. Indeed, the forest resilience to non-stand replacing events (droughts, insects attacks) is not completely understood due to a lack of accurate monitoring data on biomass before and after the events. The aim of this thesis is then to leverage the powers of satellite imagery and machine learning to accurately study these events and their impact on biomass evolution.
Kayrros - Kayrros
Aviation & Aerospace
Data Scientist
Joined Kayrros as a data scientist in the Biomass Team.
I developed :
- several deep learning models able to segment forests on satellite imagery and this at several spatial resolutions and on all the region of the world. The training was also performed to provide spatio-temporal stability during the inference in order to produce accurate and stable time series of segmentation.
- several models of change points detection based on the Pelt algorithm to segment the cycle stages of plantation from RADAR signals.
I developed :
- several deep learning models able to segment forests on satellite imagery and this at several spatial resolutions and on all the region of the world. The training was also performed to provide spatio-temporal stability during the inference in order to produce accurate and stable time series of segmentation.
- several models of change points detection based on the Pelt algorithm to segment the cycle stages of plantation from RADAR signals.
AREP
Architecture & Urban Planning
Data Scientist Junior
Optimisation multi-objectif des émissions de CO2, confort et coût des bâtiments via un algorithme génétique :
- création d'un système d'encodage pour représenter les variables d'intérêt sous la forme d'une séquence d'entiers. Cette représentation a la particularité d'être multiploïde : comme dans l'ADN plusieurs allèles sont en compétition pour décrire le phénotype du bâtiment (systèmes de paroi et matériaux utilisés pour chaque couche).
- adaptation de l'algorithme NSGA-II proposé par Deb pour qu'il fonctionne dans le cas de la multiploïdie en utilisant une variable aléatoire discrète pour la sélection de l'allèle dominant.
- étude de convergence et réglage des paramètres de l'algorithme via la création de métriques.
- développement d'un métamodèle du confort via un processus Gaussien (Krigeage) pour accélérer par un facteur 10 le temps de calcul.
- validation des performances du métamodèle pour l'utiliser à la place de EnergyPlus.
- visualisation des meilleures versions du bâtiment (phénotype : systèmes de paroi et matériaux, objectifs : co2, confort, coût) avec les coordonnées parallèles.
- création d'un système d'encodage pour représenter les variables d'intérêt sous la forme d'une séquence d'entiers. Cette représentation a la particularité d'être multiploïde : comme dans l'ADN plusieurs allèles sont en compétition pour décrire le phénotype du bâtiment (systèmes de paroi et matériaux utilisés pour chaque couche).
- adaptation de l'algorithme NSGA-II proposé par Deb pour qu'il fonctionne dans le cas de la multiploïdie en utilisant une variable aléatoire discrète pour la sélection de l'allèle dominant.
- étude de convergence et réglage des paramètres de l'algorithme via la création de métriques.
- développement d'un métamodèle du confort via un processus Gaussien (Krigeage) pour accélérer par un facteur 10 le temps de calcul.
- validation des performances du métamodèle pour l'utiliser à la place de EnergyPlus.
- visualisation des meilleures versions du bâtiment (phénotype : systèmes de paroi et matériaux, objectifs : co2, confort, coût) avec les coordonnées parallèles.
Time for the Planet
Architecture & Urban Planning
Associate
Time for the Planet est une entreprise à mission qui souhaite rassembler 1 milliard d'euros pour déployer 100 innovations luttant contre le réchauffement climatique. Il est possible de devenir actionnaire à partir d'un euro investi. Nous sommes la dernière génération à pouvoir éviter un effondrement du climat. Agissons ensemble ! Si vous souhaitez savoir comment vous engager, c'est par ici : https:// www.time-planet.com/fr
ENSAPM - Paris-Malaquais School of Architecture
Architecture & Urban Planning
Machine Learning Engineer
Le contrôle de la qualité du bois est une tâche qui aujourd'hui peut être réalisée automatiquement de façon précise. Grâce à l'apprentissage automatique, les ordinateurs sont aujourd'hui capables de reconnaître les défauts du bois avec une assez bonne précision pour être exploitée par l'industrie. Dans cette étude, nous nous intéressons aux performances d'un réseau de neurones de type Perceptron pour filtrer les faux positifs d'une base de données. Dans notre cas, un faux positif fait référence à une zone de bois saine détectée comme étant un défaut par un algorithme de reconnaissance. Le but du filtre est de diminuer le taux de faux positifs et ainsi d'améliorer la fiabilité de l'algorithme de reconnaissance. Cette fiabilité est importante car elle détermine la justesse du contrôle de qualité du bois, un taux élevé de faux positifs amène à des erreurs de jugement de qualité et à des pertes matérielles.
1 recommendation
Check out Arthur's recommendations