Florentin COEURDOUX (Coeurdoux) - Soutenance en cours de traitement


Adresse Professionnelle
2 Rue Charles Camichel 31000
TOULOUSE FRANCE
coeurdoux.florentin@gmail.com
Identifiant ORCID 0000000221001438
Identifiant Hal https://hal.archives-ouvertes.fr/search/index/?q=%2A&authIdHal_s=florentin-coeurdoux
Compte LinkedIn https://www.linkedin.com/in/florentin-coeurdoux/

Projet professionnel :
  • Enseignement et recherche, enseignement supérieur
  • Recherche en milieu académique
  • Recherche en entreprise, R&D du secteur privé
  • Entreprenariat des domaines innovants
  • chercheur en entreprise, R&D du secteur privé
  • métiers d’accompagnement et de support à la recherche, à l’innovation et à la valorisation, au développement des Spin Off et Start-up innovantes
  • expertise, études et conseils dans des organisations, cabinets ou sociétés fournissant des prestations intellectuelles, des expertises scientifiques, prospectives ou stratégiques
  • entrepreneur des domaines innovants

Techniques maîtrisées :
Machine learning, Deep Learning, Séries Temporelles, Développement Web
Compétences :
Ingénierie, Image satellite, Finance

Doctorat Informatique et Télécommunications


Thèse soutenue le 10 novembre 2023 - Institut National Polytechnique de Toulouse

Ecole doctorale : EDMITT - Ecole Doctorale Mathématiques, Informatique et Télécommunications de Toulouse

Sujet : Échantillonnage Monte Carlo et modèles génératifs profonds pour inférence Bayésienne

Mots-clés de la thèse : Machine learning,apprentissage profond,inférence bayésienne,algorithmes de Monte Carlo,

Direction de thèse : Nicolas DOBIGEON

Co-direction de thèse : Pierre CHAINAIS

Unité de recherche : IRIT : Institut de Recherche en Informatique de Toulouse UMR 5505 - Toulouse
Intitulé de l'équipe : SC - Signal et Communications

Diplôme national de master - Statistics for Smart Data

obtenu en septembre 2020 - ENSAI
Option : Mathématiques et Statistique appliquées

Production scientifique

- Florentin Coeurdoux, Nicolas Dobigeon, Pierre Chainais 2023. Méthode MCMC plug-and-play avec a priori génératif profond   , pp.à paraître, https://hal.science/hal-04154783/document
- F. Coeurdoux, N. Dobigeon, P. Chainais 2023. Normalizing flow sampling with Langevin dynamics in the latent space   Machine Learning, 18 pages, https://arxiv.org/pdf/2305.12149.pdf
- F. Coeurdoux, N. Dobigeon, P. Chainais. 2023. Plug-and-Play split Gibbs sampler: embedding deep generative priors in Bayesian inference   IEEE Transactions on Image Processing, 15, https://arxiv.org/pdf/2304.11134.pdf
- Florentin Coeurdoux, Nicolas Dobigeon, Pierre Chainais 2022. Approximation du transport optimal entre distributions empiriques par flux de normalisation   , , https://hal.archives-ouvertes.fr/hal-03704666/document
- Florentin Coeurdoux, Nicolas Dobigeon, Pierre Chainais 2022. Learning optimal transport between two empirical distributions with normalizing flows   , , https://hal.archives-ouvertes.fr/hal-03713840/document
- Florentin Coeurdoux, Nicolas Dobigeon, Pierre Chainais 2022. Sliced-Wasserstein normalizing flows: beyond maximum likelihood training   , , https://hal.archives-ouvertes.fr/hal-03720995/document

Langues Vivantes : Allemand B1 - Intermédiaire - Français C2 - Maternel - Anglais C2 - Maternel
Dernière mise à jour le 21 septembre 2023