Ranujan

o Restitution des résultats sur les demandes pour les Filières de maladies rares (FSMR), les laboratoires et la Direction générale de l'offre et de soin (DGOS)
· Comprendre les besoins des clients (médecin, service hospitalier ou plateforme de maladie rare, laboratoire)
· Harmonisation et analyse des données de l'entrepôt (R, Python, SQL)
· Taux de complétion des saisies de données (selon les variables demandées)
· Reporting des résultats (Excel, Word)

o Extraction des données de la BNDMR
· Extraction des données et dépôt des données dans le bucket pour mettre à disposition aux externes (ex: INSERM)

o Documentation des travaux et des méthodologies et élaboration des outils internes
· Rédaction des méthodologies et usage des outils internes dans le Wiki interne de la BNDMR pour capitaliser sur les connaissances et accélérer l'intégration des futurs collaborateurs
· Création des outils internes (fonctions en Python) pour faciliter l'analyser les données

Mission: Réaliser des prévisions probabilistes de l’irradiation solaire afin d’anticiper la production d’énergie solaire dans le cadre de la transition énergétique

o Prévisions probabilistes de l’irradiation solaire afin d’anticiper la production d’énergie solaire dans le cadre de la transition énergétique (Python, Azure Databricks, R)
· Recherche bibliographiques sur les notions de prévisions probabilistes
· Collecte et nettoyage des données internes
· Étude descriptive (corrélation, variation saisonnière et journalière de l'irradiation solaire)
· Prévisions probabilistes journalières

o Assister à des séminaires sur le thème de l’énergie renouvelable et de la Data Science et réaliser un compte-rendu sous forme de présentation (Smart4RES)
Environnement fonctionnel : Méthode d’Agile (Scrum), Combinaison des prévisions, Régression linéaire, Prévision probabiliste, Data Visualisation, Statistiques descriptives, Machine Learning, Méthode d’optimisation, Régularisation (norme L1), métrique (MAE, RMSE, skill score, CRPS, NRMSE)

Environnement technique : Azure Databricks, R, Python

Contexte: Étude de l’impact de la multicolinéarité sur le surajustement des données dans des problèmes de survie et automatisation des sorties SAS sous format Word

o Étude de l’impact de la multicolinéarité sur le surajustement des données dans des problèmes de survie (R & Python)
· Simuler des jeux de données en faisant varier des paramètres comme l’importance d’une certaine dans les données 5 fois afin de créer de la multicolinéarité
· Étude statistiques (corrélation)
· Modélisation (Modèle de Cox, Régularisation : Lasso et Elastic-net) et évaluation des performances

o Automatisation des sorties SAS sous format Word
· Utilisation des MACRO initialement implémentés et en les améliorant

Environnement fonctionnel : Modèle de Cox, Régularisation, Statistique descriptive, Data visualisation

Environnement technique : Python, R, SAS, Google Colab