Si vous souhaitez me contacter pour quelque chose ou simplement pour dire bonjour, envoyez-moi un courriel.
Mathématiques pour les sciences naturelles
Consultation en science des données et IA fondée sur la science pour l'agriculture, l'écologie, la géologie et la recherche environnementale
Services
Biostatistiques et apprentissage-machine
Modèles statistiques avancés et pipelines d'apprentissage automatique pour étudier les patterns et prédire les résultats dans les systèmes vivants. De l'investigation à l'aide de biostatistiques avancées à la prédiction par apprentissage-machine, nous développons des flux de travail computationnels qui transforment les données écologiques et agricoles complexes en processus décisionnels fondés sur la science.
Apprentissage automatique, modélisation dose-réponse, analyse de séries temporelles, réseaux neuronaux
Modélisation physique
Modèles mécanistes fondés sur les lois physiques pour les systèmes naturels tels que l'eau, le sol et le sous-sol. Lorsque les données le permettent, nous couplons ces modèles fondés sur les processus à des composantes pilotées par les données et à la programmation différentiable, afin de les calibrer sur les observations et d'en quantifier l'incertitude, tout en restant physiquement interprétables plutôt que des boîtes noires.
Modélisation par processus, simulation différentiable, problèmes inverses, assimilation de données, quantification de l'incertitude
Environnements de production reproductibles
Faire passer les modèles et analyses scientifiques du code de recherche à des environnements de production robustes et reproductibles. Le travail est centré sur la reproductibilité computationnelle : environnements contrôlés à dépendances figées, provenance complète des données et des résultats, exécution automatisée et maîtrisée en ressources, afin que les analyses s'exécutent de manière fiable et puissent être reproduites à l'identique plutôt que de rester des scripts ponctuels.
Reproductibilité computationnelle, provenance, maîtrise des dépendances, exécution automatisée, robustesse
Projets récents
Voir tous les projets
Modélisation de la réponse du maïs à la fertilisation azotée
Modélisation dose–réponse de la fertilisation azotée du maïs, alliant formes agronomiques canoniques, apprentissage automatique moderne et incertitude calibrée
PyTorch GPyTorch XGBoost scikit-learn
+2
Goblin
Modèle de prospectivité minérale fondé sur la physique : inversion géophysique, reconstruction 3D du sous-sol par diffusion et incertitude en profondeur (travail en cours)
PyTorch Modèles de diffusion Inversion géophysique Modélisation géologique
+1
`meandre` - Hydrologie différentiable
Modélisation hydrologique par processus avec différentiation automatique pour la calibration par gradient et des modèles hybrides physique-IA
PyTorch DuckDB Hydrologie