Travaux personnels axés sur les réseaux de neurones, l'apprentissage automatique,
la modélisation scientifique et la résolution de problèmes complexes.
Travail appliqué à la cybersécurité visant à détecter automatiquement des comportements anormaux dans des logs de sécurité. À partir de données simulées représentant des tentatives de connexion et des volumes de trafic réseau, un modèle de machine learning non supervisé est utilisé afin d'identifier des événements suspects sans règles prédéfinies.
DécouvrirL'objectif de ce travail est de concevoir un modèle de machine learning capable de distinguer des messages légitimes de tentatives de phishing à partir de leur contenu textuel, sans recourir à des règles statiques.
DécouvrirL'objectif de ce projet est de détecter des comportements utilisateurs anormaux à partir de données simulées, en s'inspirant des approches UEBA (User & Entity Behavior Analytics) utilisées dans les centres opérationnels de sécurité.
DécouvrirÉtude de l'oscillateur harmonique comme système test pour comprendre comment les réseaux de neurones peuvent approximer la solution d'équations différentielles ordinaires. Comparaison entre approche Neural ODE et PINN (Physics-Informed Neural Networks).
DécouvrirExploration du système de Lorenz à travers la simulation numérique. Ce projet montre trois types de comportements dynamiques et prépare le terrain pour des analyses avancées en apprentissage automatique et en modélisation de systèmes chaotiques.
DécouvrirSimulation du mouvement de deux masses en interaction selon la loi de la gravitation universelle de Newton. Ce projet illustre la dynamique du problème à deux corps, la conservation de l'énergie et du moment cinétique.
Découvrir