Version anglaise ↓ · English version ↓
Chargé d’enseignement en mathématiques et statistiques à l’Université Laval (Québec, Canada), je travaille à l’intersection de la science des données, de la modélisation statistique et des méthodes computationnelles en R.
Mes activités combinent recherche méthodologique, développement de logiciels open source et innovation pédagogique. Je m’intéresse particulièrement aux modèles probabilistes, aux structures hiérarchiques, aux méthodes basées sur la densité, aux données directionnelles et à la visualisation statistique.
Je m’inscris dans une démarche de science ouverte et de recherche reproductible : dépôts versionnés, pipelines documentés, transparence méthodologique et packages R réutilisables.
- Modélisation du mouvement animal et cadres multi-états
- Détection d’anomalies basée sur la densité
- Modèles hiérarchiques et modèles de Markov cachés
- Analyse de données circulaires et directionnelles
- Inférence visuelle et visualisation statistique
- Statistiques computationnelles
- CircularRegression — modèles de régression circulaire-linéaire pour l’analyse de données directionnelles.
- GLBFP — estimation de densité par General Linear Blend Frequency Polygon.
- GLBFP_OS — extension orientée détection d’anomalies (outlier scoring) basée sur GLBFP.
- tutorizeR — conversion de documents R Markdown / Quarto en tutoriels interactifs (learnr).
- contextR — interprétation contextuelle structurée d’analyses statistiques.
J’enseigne la science des données, la modélisation statistique et la programmation pour la science des données en R. Mes cours mettent l’accent sur la rigueur conceptuelle, l’interopérabilité des outils, la reproductibilité, et l’analyse de données réelles.
Lecturer in Mathematics and Statistics at Université Laval (Québec, Canada), working at the intersection of data science, statistical modeling, and computational methods in R.
My work combines methodological research, open-source software development, and pedagogical innovation. I am particularly interested in probabilistic modeling, hierarchical structures, density-based methods, directional data analysis, and statistical visualization.
I’m committed to open science and reproducible research: version-controlled repositories, documented pipelines, transparent methodology, and reusable R packages.
- Animal movement modeling and multi-state frameworks
- Density-based anomaly detection
- Hierarchical models and hidden Markov models
- Circular and directional data analysis
- Visual inference and statistical visualization
- Computational statistics
- CircularRegression — circular-linear regression models for directional data.
- GLBFP — density estimation via General Linear Blend Frequency Polygon.
- GLBFP_OS — anomaly detection / outlier scoring extension based on GLBFP.
- tutorizeR — converts R Markdown / Quarto into interactive learnr tutorials.
- contextR — structured contextual interpretation for statistical analyses.
I teach data science, statistical modeling, and programming for data science in R. My courses emphasize conceptual clarity, computational rigor, reproducible research practices, and real-world data applications.
Website : https://aureliennicosiaulaval.github.io/web_site/
LinkedIn : https://www.linkedin.com/in/aur%C3%A9lien-nicosia-6a52487b/
ORCID : https://orcid.org/0000-0002-0974-9988