ndiaga DIENG

Travail sur la détection de fraude sur Mobile Money en utilisant GNN (Graph Neural Networks): • Contribuer au développement et à l'implémentation d'algorithmes de détection de fraude en utilisant des techniques de GNN (Graph Neural Networks). • Analyser les données de transaction et de paiement pour identifier les comportements de fraude et créer des modèles prédictifs pour détecter les activités frauduleuses. • Participer à la conception et à la mise en place de processus de détection de fraude en utilisant des méthodes statistiques et d'apprentissage automatique. • Effectuer des tests et des validations des algorithmes de détection de fraude pour assurer leur précision et leur fiabilité. • Participer à des réunions d'équipe et des présentations pour communiquer les résultats de l'analyse de fraude et discuter des progrès et des défis du projet. • Comparer la puissance GNN et KHIOPS (outil orange innovation End-to-end AutoML) sur les données graphes

Analyse et exploitation des bases de données nationales du PMSI (Programme de Médicalisation des Systèmes d'Information) . Comparaison de la mortalité à long terme des patients atteints de Rétrécissement aortique calcifié, traités par chirurgie et par Transcatheter Aortic Valve Implantation (TAVI) : Requêtes pour définir le périmètre d’étude, lancement automatique de l’analyse, export des résultats et analyse statistiques des données en vue d’une publication scientifique. statistique : Test statistique, interpréter les résultats ( sous forme tableau, graphe...) pour les collègues de travaille non statisticien/nes. machine Learning: régression logistique, Random Forest modèle de survie (modèle COX, Kaplan Meier, Fine and Gray): Prédiction et interprétation. Outils: SAS, Sql, R, Excel, VBA

Projet de nettoyage de données brutes et d'évaluation des modèles envisagés (modèle linéaire, modèle logistique, GLM, modèle ARMA, ANOVA...) avec visualisation : • Nettoyage des données brutes pour préparer les données en vue de l'analyse. • Utilisation de visualisations pour explorer et présenter les tendances et les relations dans les données. • Évaluation des performances des différents modèles, incluant le modèle linéaire, le modèle logistique, le GLM, le modèle ARMA et l'ANOVA. • Interprétation des résultats des modèles et des visualisations pour fournir des informations exploitables. • Contributions à l'amélioration des processus d'analyse de données au sein de l'organisation.

aide aux devoirs les élèves de niveau seconde jusqu'àu Terminale en mathématiques ,sciences physiques, mais aussi les expliqués de certains points du cours