Mon domaine principal. Je travaille actuellement sur la prévision de séries environnementales multi-sites (données de capteurs horaires) dans le cadre d'un stage de recherche à l'INRS.

• Méthodologie Box–Jenkins : SARIMA, SARIMAX avec variables exogènes
• Modèles à mémoire longue et cycles complexes (GARMA, FARIMA)
• Hétéroscédasticité conditionnelle (ARCH/GARCH)
• Backtesting rigoureux : validation hors échantillon, comparaison de modèles
• Analyse de l'incertitude, diagnostics des résidus, interprétation

Des pipelines complets, reproductibles et honnêtes : un modèle profond ne mérite sa place que s'il bat une baseline statistique solide.

• Pipelines de bout en bout : données, features, entraînement, évaluation
• Réseaux de neurones pour séries chronologiques (TCN, architectures convolutives)
• Recherche d'hyperparamètres et entraînement sur serveur de calcul (HPC, Linux)
• Comparaison systématique baselines statistiques vs deep learning
• Analyse d'erreurs, limites des modèles, démos déployables (Streamlit)

Des outils mathématiques pour comprendre la structure des données : dépendance, fréquence, variance.

• Structures de dépendance : copules (théorie et implémentation interactive)
• Analyse temps-fréquence : ondelettes
• Régression, analyse exploratoire, réduction de dimension
• Simulation Monte Carlo

Une base théorique solide pour des implémentations correctes et efficaces.

• Conception et analyse d'algorithmes, structures de données
• Optimisation continue et combinatoire
• Méthodes numériques : algèbre linéaire numérique, résolution d'EDO/EDP
• Analyse de complexité, raisonnement formel

Ma signature : rendre les mathématiques visibles. J'écris des articles interactifs bilingues avec animations de style Manim — copules, ondelettes, GARCH, apprentissage par renforcement.

• Articles pédagogiques animés (HTML/canvas, FR/EN)
• Laboratoires interactifs (ex. exploration de copules en direct)
• Vulgarisation rigoureuse de concepts mathématiques avancés
• Rapports LaTeX et présentations techniques soignés

• Python (NumPy, pandas, statsmodels, PyTorch, Streamlit)
• R (statistiques, séries chronologiques)
• MATLAB (méthodes numériques), C++ (performance)
• Git, Linux, calcul à distance (SSH, serveurs HPC), LaTeX

Ce que je peux livrer, avec un périmètre clair et des résultats vérifiables :

• Analyse et prévision de vos données chronologiques (rapport + code documenté)
• Prototype ML démontrable : baseline modèle validé démo
• Visualisations interactives pour expliquer un concept ou des résultats
• Tutorat en mathématiques, probabilités et statistique (niveau universitaire)