Je vais construire des modèles d'apprentissage automatique et des analyses statistiques en python

Data Scientist avec une expérience en machine learning de production, modélisation prédictive, analyse statistique et méthodes de survie/temps jusqu'à l'événement, conçues pour la prise de décision réelle, pas seulement pour des démos en notebook.

Contexte : développement de modèles NLME et de survie pour la recherche clinique, réduisant la taille des échantillons nécessaires de 30 à 40 %, modèles prédictifs pour le risque cardiovasculaire surpassant les échelles cliniques standard, et pipelines statistiques supportant la comparaison de l'efficacité des médicaments sur différents marchés. 2 publications évaluées par des pairs en analyse de données.

Ce que je peux aider à faire : construire et évaluer des modèles ML (Random Forest, XGBoost, régression) avec une validation appropriée, pas seulement un modèle ajusté sans diagnostics ; analyse de survie/temps jusqu'à l'événement (Cox PH, Kaplan-Meier) ; tests A/B et tests de signification statistique réalisés correctement ; nettoyage de données et ingénierie des caractéristiques ; expliquer la méthodologie de manière suffisamment claire pour que vous puissiez la défendre lors d'une soutenance ou d'une réunion avec des parties prenantes.

Stack : Python (Scikit-learn, Pandas, NumPy, SciPy, PyTorch), R, Statsmodels. Chaque livrable comprend une explication en langage simple de ce qui a été fait et pourquoi. Envoyez votre dataset ou décrivez-le, et je vous proposerai la meilleure approche