Jérôme Spielmann
Je m'intéresse aux probabilités, à la techno et à la théorie politique.
Je m'intéresse aux probabilités, à la techno et à la théorie politique.
(Papier scientifique co-écrit avec Lioudmila Vostrikova et publié dans "Theory of Probability and its Applications", août 2020)
Dans ce travail, nous avons obtenu de nouveaux résultats concernant des modèles de risque de ruine pour des assureurs soumis au risque de marché. Le preprint est disponible sur HAL.
(Papier scientifique co-écrit avec Yuchao Dong et publié dans "Insurance: Mathematics and Economics", mars 2020)
Dans ce travail, nous avons prouvé un nouveau théorème limite similaire au théorème de Donsker et à l'approximation CRR qui montre que les processus d'Ornstein-Uhlenbeck généralisés apparaissent naturellement dans de nombreux problèmes en probabilités appliquées. Le preprint est disponible sur arXiv.
(Thèse de doctorat, défendue le 13 décembre 2019 et supervisée par Lioudmila Vostrikova)
Dans ma thèse, j'ai étudié les processus d'Ornstein-Uhlenbeck généralisés dans le contexte des probabilités appliqueés, et plus particulièrement en théorie de la ruine. Les slides de ma soutenance (PDF en anglais) sont disponibles en suivant ce lien. La thèse complète (PDF en anglais) est disponible en suivant ce lien.
(Article de vulgarisation, novembre 2020)
En novembre, j'ai écrit un article de vulgarisation à propos des mathématiques des tests A/B. Après avoir expliqué les concepts derrières les tests statistiques, je démontre le test du chi-deux de Pearson en utilisant uniquement le théorème central limite. L'article a été publié par le blog influent "Towards Data Science".
(Code Python, depuis septembre 2020)
Dans ce projet, j'ai implémenté en Python quelques fonctions utiles pour les applications en science des données. Dans la partie concerant l'analyse exploratoire et basée sur mdUtils, Sklearn et XGBoost, j'ai créé un script pour générer un résumé "Markdown" à partir d'un DataFrame Pandas et j'ai implémenté la méthode du "gradient boosting" pour des modèles linéaires. Le code est disponible sur GitHub. Dans la deuxième partie concernant des problèmes de classification et basée sur Sklearn et Keras, j'utilise les adapteurs Keras-Sklearn, pour paramétrer un réseau de neurones à l'aide de la fonction "GridSearchCV" de Sklearn. Le code est disponible sur GitHub.
(Application Python, depuis mai 2020)
Note Binder est un outil pour organiser des fichers textes. L'application créé une base de données qui est accessible à travers une interface graphique simple. À long terme, le but est de pouvoir avoir un bloc-notes supportant différents types de fichiers et permettant le chiffrement. Créé avec Python, PyQt5 et sqlite3. Le code et une application macOS sont disponible sur GitHub.
(Billets de blog et code Python, depuis mars 2020)
Le but de ce projet est de développer un cadre simple et un tutoriel pour créer un "wallet" fonctionel et sécurisé pour la crypto-monnaie Ethereum. La première partie du tutoriel a été publiée en "top story" sur hackernoon.com.
(Projet musical, depuis 2018)
Depuis 2018, je me suis intéressé à la création et la diffusion de la techno. Certains de mes mixs sont disponibles sur Soundcloud et Mixcloud.