Emeric Sibieude

Data Scientist |Mathématicien | Machine Learning

Moves to Paris

  • 48.8546
  • 2.34771
  • Indicative rate €250 / day
  • Experience 0-2 years
Propose a project The project will only begin when you accept Emeric's quote.

Availability not confirmed

Propose a project The project will only begin when you accept Emeric's quote.

Location and geographical scope

Location
Paris, France
Can work in your office at
  • Paris and 50km around

Preferences

Project length
  • ≤ 1 week
  • ≤ 1 month
  • Between 1-3 months
  • Between 3-6 months
  • ≥ 6 months
Business sector
Would prefer:
  • Food Industry
  • Culture
  • Software Publisher
  • Education & E-learning
  • Environment
+7 autres
Would prefer avoiding:
  • Aviation & Aerospace
  • Automobile
  • Defense & Military
  • Primary sector
Company size
  • 1 person
  • 2 - 10 people
  • 11 - 49 people
  • 50 - 249 people
  • 250 - 999 people
+2 autres

Verifications

Languages

  • Français

    Native or bilingual

  • Anglais

    Full professional proficiency

Skills (11)

  • IDE
  • Beginner Intermediate Advanced
  • Languages
  • Beginner Intermediate Advanced
  • SQL
    Beginner Intermediate Advanced

Emeric in a few words

Je suis actuellement un Master en d'ingénierie mathématique à l'EPFL avec une spécialisation en sciences computationnelles. Je cherche à appliquer mes connaissances théoriques et pratiques en statistiques, Machine Learning et data science. Je suis disponible en région parisienne.

Experience

Merck France - Merck KGaA

Pharmaceuticals

Intern Quantitative pharmacology

Lausanne, Suisse

September 2019 - Today

Contexte : La pharmacocinétique consiste à modéliser l’évolution de la concentration d’un médicament dans le sang après sa prise. Développer des modèles précis est une étape clef pour ajuster le dosage et limiter les effets secondaires. Le Machine Learning peut être un outil puissant pour accélérer ce processus.
Réalisation : Etude comparative de différent algorithmes de Machine Learning pour la sélection de variables et de modèles.
Simulation de profils virtuels (patients)
Implémentation des différentes approches (Machine Learning, algorithme génétique, approche pharmacologique)
Comparaison des performances (précision, coût computationnel)
Test des différents modèles sur des données réelles.
Rédaction de rapports scientifiques soumis pour publication

Résultats :
Articles soumis pour publication
« Package » Python déployé pour la sélection de variables
Shiny App (Interface utilisateur) déployé pour la sélection de modèles

Outils : R, python, Monolix, NONMEM

Education

charter modal image

Success is a team effort

Contribute to this success and the community's professionalism by signing the Freelancer Code of conduct

Sign the code