Celine Beji
     
Bienvenue sur mon site internet !
En savoir plus

"I am a person who lives my life based on intention. I don't do anything without intention because intention determines the outcome of your life. It's like cause and effect."

Oprah Winfrey

author

Celine Beji

-Doctorante en apprentissage automatique-

Science des Données

À propos de moi


Je suis doctorante au laboratoire d'informatique LAMSADE affilié CNRS, de l'Université Dauphine-PSL. Au sein du groupe de Science des Données et d'Intelligence Artificielle MILES, je travaille sur l'Inférence Causale, revisitée à la lumière des dernières avancées en apprentissage automatique. À la suite de l'obtention de mon diplôme d'ingénieur en électronique de l'ENSEA, j'ai effectué un master, co-habilité avec l'ENSAE ParisTech, en Traitement Statistique de l'Information (TSI), du département MIDO, de l'Université Dauphine-PSL.

J'aspire aujourd’hui à participer à la recherche et à l’innovation technologique à travers des projets DeepTech de R&D, visant le développement d’une innovation de rupture à fort contenu technologique.

Pour plus d'informations: Consulter mon CV en ligne.

Travaux de recherche

Supervisée par Ph. Jamal ATIF et Florian YGER maître de conférences, mes travaux de recherches portent sur l’estimation de l’Inférence Causale, estimée à partir d’algorithmes utilisant des modèles mathématiques traditionnels, mais également des méthodes de Deep Learning.
L’Inférence Causale, qui détermine le lien de causalité entre une cause et un effet, se développe dans de nombreuses disciplines, telles que la médecine, le marketing et l’économie. L’objectif n’est pas seulement de prédire un comportement, mais de le comprendre. Par exemple, en traduction de langue, au-delà des méthodes d’apprentissages automatiques classiques qui utilisent une traduction basée sur un dictionnaire, la causalité permettrait d’identifier le lien causal entre les mots, afin de comprendre un langage inconnu pour lequel nous n'aurions pas de dictionnaire.

img02

Projet de recherche

Ouvrir

PUBLICATIONS

Beji C., Benhamou E., Bon M., Yger F., Atif J.: Estimating individual treatment effects through causal populations identification. In: Esann (2020) PDF . Lien Git .
Beji C., Yger F., Atif J.: Non parametric estimation of causal populationsin via a auto-encoder. (Inprocessing)

Projet Deep Tech



Le cancer est l’une des premières causes de mortalité dans le monde, et 19,3 millions nouveaux cas ont été diagnostiqués en 2020, dont 4,4 millions en Europei. De multiples traitements existent aujourd’hui, mais ont l’inconvénient d’être lourds et financièrement très coûteux. L’objectif est donc de prédire le traitement le plus approprié, selon les caractéristiques propres des patients et de leur pathologie.
MyTreatment est un projet DeepTech qui propose de mettre au service de la médecine personnalisée les avancées en intelligence artificielle, par le biais d’algorithmes de Deep Learning, aidant à la prescription des traitements du cancer.

author

Enseignement

Université Paris Dauphine-PSL

Programmation Python

L1 LSO & L2 MIDO

Analyse de Données

L3 info MIDO

Machine Learning

L3 IM2D MIDO

Outils de l'internet

L1 MIDO

Contact

Si vous avez des questions ou des remarques, n'hesitez pas à me contacter !

Université Paris-Dauphine

Place du Maréchal de Lattre de Tassigny
75016 Paris

Bureau C602

celine.beji@dauphine.psl.eu


img01