Je suis Garry Terii, enseignant-chercheur en mathématiques, spécialisé dans l’approximation de flots géométriques, l’analyse numérique et l’apprentissage machine. J’ai obtenu mon doctorat en mathématiques en 2022 à l’Université Claude Bernard Lyon 1, où j’ai développé une expertise en théorie géométrique de la mesure, calcul des variations et optimisation appliquée à l’apprentissage profond.
Passionné par la transmission, j’ai enseigné à différents niveaux universitaires en tant qu’Attaché Temporaire d’Enseignement et de Recherche (ATER) et chargé de travaux dirigés (TD), notamment en Polynésie française et en métropole. J’ai également participé à des actions de diffusion et de vulgarisation des mathématiques à travers des ateliers interactifs et des interventions auprès du grand public.
Mes travaux de recherche portent sur des modèles variationnels, l’utilisation des réseaux de neurones pour l’apprentissage de flots géométriques et le transport optimal appliqué à l’analyse de données. Maîtrisant plusieurs outils informatiques et langages de programmation, j’allie théorie et application dans mes recherches, avec un intérêt particulier pour la résolution numérique d’équations aux dérivées partielles et le traitement d’images.
Je travaille à l’intersection de l’analyse mathématique, de l’optimisation et de l’apprentissage automatique, avec un focus particulier sur les structures géométriques et les modèles d’évolution. Mes recherches portent sur la théorie géométrique de la mesure, le calcul des variations et les flots de gradient, ainsi que sur leurs applications en modélisation numérique. J’explore également les liens entre transport optimal, géométrie de l’information et apprentissage statistique, avec des implications en intelligence artificielle, traitement d’images et résolution numérique d’équations aux dérivées partielles. Mon approche combine analyse théorique et développement d’algorithmes pour résoudre des problèmes complexes en sciences des données et en modélisation mathématique.