Guillaume Junca

Transformation de modèles XGBoost entraînés en Python en une version optimisée en C/C++ afin qu'ils soient exécutables sur un microprocesseur ESP32 dans un environnement FreeRTOS, tout en respectant les contraintes de mémoire et de calcul.

- Traitement et utilisation des données provenant d'études instrumentales, analytiques et cliniques.

- Sélection des données pertinentes et optimisation des paramètres et du temps de calcul.

- Développement de modèles mathématiques pour obtenir le maximum d'informations ou la meilleure corrélation possible entre les données collectées et les analyses médicales conventionnelles.

- Développement et intégration d'algorithmes permettant au dispositif médical de fournir des informations utiles aux patients. Les langages et environnements techniques utilisés sont Python (Jupyter), R (RStudio) et Git.

Les technologies utilisées sont Python (TensorFlow, Scikit-learn, XGBoost, Pandas, NumPy, Matplotlib, Seaborn), R (Caret, Glmnet, Ggplot2) et Bitbucket.

- Mission d'apprentissage automatique en Python pour le département R&D où il était nécessaire de déterminer si une image de visage était prise de face, de profil gauche ou de profil droit (utilisation de Scikit-Learn, OpenCV).

- Mission de reconnaissance optique de caractères (OCR) en Python pour le département R&D. À partir d'une image, retourner dans un fichier texte toutes les informations écrites sur cette image après l'avoir correctement traitée (utilisation de Scikit-Learn, Tesseract, OpenCV).

-Automatisation des tests fonctionnels des logiciels / serveurs de l'entreprise (Écriture d'un automate et de bots simulant des tests utilisateurs en Python / AutoIt / Selenium). Écriture d'une interface Python pour automatiser la validation des tests (utilisation de OpenCV, Tkinter).