À propos Bahae-eddine Mouloud
Education
-
2020 - Present
Université de Lille, France
Doctorat en sciences de la matière
Intitulé de la thèse: NanoAnalyse d’astromatériaux par 4D-STEM effectuée au sein de l'unité Matériaux et Transformations à l'univeristé de Lille
-
2017 - 2019
Université Mohamed Premier, Maroc
Master en physique de la matière et des rayonnements
Master en Physique de la matière et des rayonnements effectué à l'université Mohamed Premier.
-
2014 - 2017
Université Mohammed Premier
Licence en Physique
Licence de physique effectuée à l'univeristé Mohammed Premier.
Experience
-
2020 - Present
Unité Matériaux et Transformations - Université de Lille
Recherche doctorale
• Analyser différents types de données expérimentales en utilisant des méthodes statistiques classiques.
• Définir des règles de gestion de nettoyage des données.
• Analyser les données par des méthodes non triviales dépendantes de la nature et la qualité des données.
• Créer et tester des algorithmes d’apprentissage automatique (Machine learning, Deep learning).
• Construire les données d’entraînement des modèles et améliorer continuellement ses modèles.
• Étendu le logiciel d’acquisition de données de microscopie électronique avec des routines spécifiques d’analyse en temps réel et des fonctionnalités de visualisation via de nombreux plug-ins
écrits sous Python.
• Comprendre précisément différents problématiques et les traduire de manière analytique.
• Communiquer les résultats et solutions avec les équipes concernées.
• Diriger des ateliers d’analyse de données dans une conférence animée par la société française des microscopies (SFMU) spécialement conçus pour les chercheurs.
• Communication des travaux réalisés via 7 publications (4 déja disponibles en ligne) et 10 présentations dans des conférences internationales.
• Effectuer une veille sur les nouvelles approches Data Science pour la microscopie électronique. -
2020 - 2024
Freelance
Trading algorithmique via Python
Automatiser le trading des cryptomonnaies sous différentes plateformes via Python.
• Extraire les données nécessaires à l’analyse via les APIs dédiés des plateformes d’échange ou le Web scraping selon le besoin.
• Implémenter des routines d’analyse statistique novatrices et sophistiquées pour la prise de décision d’achat/vente en temps réel.
• Application des approches d’apprentissage profond (LSTM, GRU) pour obtenir des prédictions efficaces du cours des cryptomonnaies.
• Obtention d’un taux d’analyse (de l’analyse à la prédiction) d’environ 300 marchés de cryptomonnaies analysés par minute.