Thomas Grammatico

Pyronear - détection de feux de forêt - bénévole : - Pyronear est un projet de détection précoce de feux de forêt. j'ai construit une pipeline combinant SAM pour l'extraction de feux réels et DreamBooth pour le fine-tuning de Stable Diffusion. Les 1000 images générées ont amélioré les performances du modèle de 5% - Les caméras sont parfois installées à proximité de zones habitées. Afin de garantir la vie privée, j'ai fine tune un modèle de computer vision pour flouter visages et plaques d'immatriculation.

Aegir - quantification et prévention du risque d’inondation. - Automatisation de la collecte de données : Aegir accompagne les assurances afin qu'elles aient une estimation précise des risques et coûts liés aux inondations. Ces estimations doivent couvrir la France entière. Pour cela, j'ai conçu une pipeline ELT intégrant diverses sources et préparé les données pour les simulations. Résultat : temps de collecte et de transformation réduit de ~10h à 1h. - Analyse et data visualisation :Aegir génère des simulations d'inondation pour estimer les dégâts potentiels. J'ai créé des visualisations claires pour les dev python et le directeur R&D afin de mesurer la qualité et la précision des simulations. Mon travail a permis d’identifier 2 goulots d’étranglement qui faussaient les résultats.

Le CERN est un centre de recherche international rassemblant près de 18000 personnes. Il est à l'origine d'avancées technologiques majeures dont la plus notable est le World Wide Web. En tant que doctorant/data scientist, j'ai travaillé au sein de l’équipe de physique des particules LHCb de Sorbonne Université, avec pour mission d’optimiser les modèles de sélection de données. J'ai également dirigé des projets de création de datasets simulés et organisé des conférences pour les doctorants. J'avais pour responsabilités : - Créer des modèles optimisés pour améliorer le rejet du bruit de fond - Développement de modèles de régression - Développement et maintient de pipelines de données - Superviser la production de datasets simulés pour assurer leur exactitude - Coordonner des conférences internationales, gérant la logistique et les intervenants Liens des travaux de la collaboration LHCb : https://home.cern/fr/science/experiments/lhcb Contexte technique : Machine learning, decision trees, ETL/ELT pipelines, data visualisation, simulation de données, coordination de conférences, data engineering

Imperial College London est l'une des principales universités du Royaume-Uni, réputée pour ses recherches scientifiques de pointe. Elle compte plus de 19 000 étudiants et emploie environ 8 000 personnes. Reconnue mondialement, elle est classée parmi les 10 meilleures universités pour la recherche en sciences, ingénierie et médecine. J'ai rejoint l'équipe de recherche en physique des particules pour un stage de 4 mois, dans le cadre de l'expérience LHCb (Large Hadron Collider beauty experiment) au CERN. L’objectif du projet était d'analyser les données recueillies afin d'isoler les particules neutres dans les désintégrations des mésons B. L’équipe comprenait des physiciens, des ingénieurs de données et des spécialistes en machine learning. En tant que Data Scientist, j'avais pour responsabilités : - Analyser les données issues du LHCb pour identifier des patterns dans les désintégrations des mésons B - Développer des algorithmes de machine learning pour isoler les particules neutres dans des datasets complexes et bruités - Collaborer avec les chercheurs pour améliorer l’efficacité et la précision des modèles d’isolement de particules - Documenter et présenter les résultats de l’analyse auprès de l’équipe de recherche Les travaux du groupe LHCb de l'Imperial College: https://www.imperial.ac.uk/high-energy-physics/research/experiments/lhcb/ Contexte Technique : Machine Learning, data analysis, particle physics, algorithm development, scientific research