$(GEO{'country_code'})
Menu

Vincent PISETTA

LYON

En résumé

Ingénieur de recherche en Data Mining depuis plus de 5 ans, j'ai acquis une expérience significative dans le domaine du traitement de données de tous types (numériques, textuelles, vidéo).

Je travaille actuellement pour une société spécialisée dans le traitement informatique des données (Data Mining, Statistiques) où j'ai pu mettre en application mon savoir-faire sur un éventail très large de domaines (industrie pharmaceutique, scoring d'entreprises, industrie cosmétique, secteur touristique).

J'ai également une bonne expérience dans le domaine de la recherche scientifique obtenue via mon doctorat en informatique (spécialité Data Mining et Machine Learning).

J'ajouterai enfin que je suis dynamique, optimiste, curieux et très motivé par le challenge intellectuel.

--------------------------------------------------------------

Mes compétences techniques sont les suivantes :

Data Mining : règles d'association, modèles prédictifs et interprétables type régression logistique, analyse discriminante, arbres de régression et de classification, travail sur de gros volumes de données (plusieurs millions d'instances)

Statistiques : Séries temporelles (modèles ARIMA, SARIMA, Dynamic Time Warping), Analyse de Survie (modèles de Cox, courbes de Kaplan-Meier), Classification non supervisée (K-means, CAH, Random projection Trees), Analyse croisée, Modèles de régression linéaires & non linéaires et leurs versions régularisées (PLS, Ridge, Lasso)

Machine Learning : Méthodes ensemblistes (Random Forests, Boosting, Bagging, Discrimination Stochastique), SVM, Réseaux de neurones, Manifold Learning.

Programmation : C, VBA, Java ; connaissance très approfondie du C++, C#

Bureautique : Office

SGBD : Oracle, MySQL, SQLServer

Logiciels statistiques : SAS, R, Statistica, Weka, Tanagra.

Management : Lean (formation durant mon doctorat)

Langues étrangères : Anglais (courant - j'ai rédigé ma thèse en anglais et publié plusieurs articles dans des conférences internationales), Italien (courant)

Mes compétences :
Statistiques
Data Mining
Machine Learning
Business Intelligence

Entreprises

  • Rithme - Ingénieur de recherche en Data Mining et Statistiques

    2008 - maintenant Data mining exploratoire et prédictif dans divers domaines :

    1) Pharmaceutique
    - étude "dose-effet" d'un chélateur de fer (analyse de données longitudinales, séries chronologiques, dynamic time warping) ;
    - effets secondaires de médications (analyse croisée, corrélations) ;
    - étude de l'efficacité d'antidépresseurs (agrégation des préférences, scoring)

    2) Analyse risque financier
    - Création de grilles de scoring, probabilité de défaillance (risque-crédit, discrétisation, modélisation prédictive : régression logistique, ensembles d'arbres de classification, calibration, Méthode de Platt, régression isotonique)

    3) Chimie/Cosmétique
    - création d'un laboratoire virtuel permettant de prédire la résistance microbiologique d'un mélange de composants cosmétiques (test de méthodes à fort pouvoir prédictif : SVM, Réseaux neuronaux, Random Forests, Boosting)

  • FENICS - Ingénieur de recherche en Data Mining

    2006 - 2008 - Développement d'un moteur de recherche dans une base de données de mammographies ;
    - Utilisation de techniques de text mining (IR, Ontologies) & machine learning.

  • Laboratoire ERIC & Bureau International du Travail - Stagiaire

    2005 - 2005 - Création d'un moteur d'inférence pour une navigation semi-automatisée dans une BD de textes juridiques

  • Etat Major de l'armée de Terre - Stagiaire

    2004 - 2004 - Identification des causes de départ prématurées des engagés volontaires de l'armée de terre (Sondages, Classification non supervisée, Analyse de données type ACP-AFC)

  • COPARLY - Stagiaire

    2003 - 2003 - Mise en place de modèles de décision (régression linéaire & linéaire par morceaux) pour la détection automatique d’anomalies liées aux capteurs d’agents polluants.

  • Hôpital Nord, Saint-Etienne - Stagiaire

    2002 - 2002 - Utilisation d’outils statistiques (modèles de survie : Cox, courbes Kaplan-Meier) pour évaluer le risque d’apparition de métastases pour des patients atteints de mélanomes en fonction de leurs caractéristiques biologiques.

Formations

Réseau

Annuaire des membres :