Smbat Shakhpazyan

Je suis chercheur en apprentissage automatique et deep learning avec plus de 3 ans d’expérience dans la création et l’optimisation de modèles haute performance. Je me spécialise dans le dépassement des implémentations « boîte noire » en appliquant une intuition mathématique rigoureuse pour résoudre des tâches complexes. Mon travail fait le pont entre la recherche académique de haut niveau et les applications prêtes à la production.

Expertise principale
Recherche en apprentissage profond : implémentation avancée des CNN, Transformers et réseaux neuronaux graphiques (GNN).

Modélisation mathématique : Expertise en algèbre linéaire, calcul différentiel et probabilités utilisées pour optimiser la convergence des modèles (par exemple, algorithme EM, rétropropagation).

Apprentissage supervisé et non supervisé : développement personnalisé de SVM, méthodes d’ensemble, régression Softmax et modèles de clustering.

Déploiement complet de l’IA : Développement de systèmes de bout en bout avec Django et Next.js pour donner vie aux modèles d’IA.

Formation académique
Ma base technique repose sur le programme rigoureux de l’université de Stanford et de mon programme actuel :

Stanford CS229 (Apprentissage automatique) : Maîtrise complète de la reconnaissance statistique de formes, de l’apprentissage génératif et de l’apprentissage par renforcement.

Stanford CS109 (Probability for Computer Scientists) : Expertise approfondie des modèles probabilistes, estimation des paramètres et théorie de l’incertitude.

Université d’État d’Erevan : Actuellement en formation à la Faculté d’informatique et de mathématiques appliquées, avec un focus en théorie des graphes et mathématiques discrètes.

Projets à la une
Next Academy : Concevoir et construire un système hybride de gestion en ligne des juges et de l’apprentissage en utilisant Next.js et Django.

Analyse spatiotemporelle : recherche sur la propagation du sentiment sur des graphiques de chaîne d’approvisionnement mondiale en utilisant les couches GCN et la logique matricielle d’adjacence.

Systèmes d’optimisation : Création et perfectionnement d’outils personnalisés alimentés par l’IA, y compris la reconnaissance manuscrite et les applications de remix vidéo.