Portfolio

Mes Projets

Pipelines de données, dashboards, IA et applications web.

Automatisation de la vérification des permis de construire
Voir les détails
2 visuels
SeveUp et A26 Architecture Pro

Automatisation de la vérification des permis de construire

  • Les vérifications réglementaires des permis de construire mobilisaient jusqu'à 10 mois de travail manuel.
  • J'ai conçu un workflow automatisé combinant SeveUp, une plateforme sur mesure et Power BI pour traiter les dossiers.
  • Résultat : le délai de vérification est passé de 10 mois à quelques minutes, avec une traçabilité complète des critères analysés.
Power BI SeveUp Python Automatisation Données SIG IFC KML
Voir le projet
Pipeline Data Logistique sur GCP
Voir les détails
2 visuels
Personnel

Pipeline Data Logistique sur GCP

  • Conception et déploiement d'un pipeline de données logistiques bout en bout sur Google Cloud Platform.
  • Les données brutes (CSV) sont ingérées dans Cloud Storage, transformées et chargées dans BigQuery selon une architecture médaillon (bronze → silver → gold), puis modélisées en tables dimensionnelles.
  • Les KPIs métier (volumes de commandes, délais de livraison, meilleurs clients) sont restitués dans un dashboard Looker sécurisé avec gestion IAM.
Python GCP Cloud Storage BigQuery SQL Data Modeling Looker IAM Logistique
Plateforme Data d'analyse de la réputation en ligne
Voir les détails
5 visuels
Université de Lorraine – Projet de synthèse Académique

Plateforme Data d'analyse de la réputation en ligne

  • Conception d'une plateforme data permettant d'analyser la perception en ligne d'une entreprise à partir d'avis clients (Trustpilot, ConsumerAffairs).
  • J'ai développé les pipelines ETL en Python : extraction automatisée, contrôles qualité, enrichissement sémantique via LLM, et chargement dans un modèle analytique PostgreSQL.
  • Les résultats sont restitués dans des dashboards interactifs, pensés pour des utilisateurs non techniques.
Python PostgreSQL ETL Data Modeling LLM Dashboard Git Jira
Analyse Big Data des comportements routiers avec Spark
Voir les détails
5 visuels
Université de Lorraine Académique

Analyse Big Data des comportements routiers avec Spark

  • Reproduction et extension d'une étude académique sur le traitement Big Data en logistique.
  • Utilisation de Spark pour traiter le dataset public des vitesses relevées par les voitures-radars en France (2023), en appliquant des transformations distribuées pour identifier des patterns de comportements routiers.
  • Les résultats ont été visualisés dans un dashboard Power BI interactif.
Big Data Spark Power BI
Voir le projet
Optimisation des tournées logistiques multi-compartiments
Voir les détails
8 visuels
Université de Lorraine Académique

Optimisation des tournées logistiques multi-compartiments

  • Optimisation des tournées d'un prestataire logistique (3PL) livrant des produits à températures multiples (surgelés, frais, ambiants) en une journée.
  • Le problème a été formalisé en programmation linéaire (PLNE) et résolu sous IBM CPLEX pour les petites instances, puis une heuristique ALNS a été développée pour les instances trop volumineuses.
  • Les solutions obtenues sont proches de l'optimum théorique tout en respectant toutes les contraintes opérationnelles.
Logistique Optimisation Python ALNS IBM CPLEX
AgriData Explorer
Voir les détails
3 visuels
Projet personnel (Données FAO) Personnel

AgriData Explorer

  • Application web de data visualisation permettant d'explorer les données agricoles mondiales de la FAO (FAOSTAT).
  • J'ai modélisé la base de données SQLite, développé une API Flask et construit une interface interactive avec filtres dynamiques (pays, culture, période) et graphiques Chart.js mis à jour en AJAX sans rechargement de page.
  • L'outil permet de comparer la production agricole et les rendements par pays sur plusieurs décennies.
Data Modeling Python SQLite FAOSTAT Data Visualisation API AJAX Chart.js
Voir le projet
Classification d'accents anglais par machine learning
Voir les détails
5 visuels
Personnel

Classification d'accents anglais par machine learning

  • Collecte et traitement de fichiers audio issus de YouTube (podcasts, conférences) pour entraîner un modèle de classification d'accents anglophones.
  • J'ai extrait des caractéristiques audio (MFCC, Chroma, Spectral Contrast, Tonnetz) puis comparé plusieurs algorithmes supervisés (Random Forest, CART, AdaBoost, XGBoost).
  • Le meilleur modèle atteint 78% de précision pour distinguer les accents américain, britannique et indien.
Python Scikit-learn Librosa Machine Learning
Analyse de sentiments avec apprentissage incrémental
Voir les détails
4 visuels
Université de Lorraine – LCOMS Académique

Analyse de sentiments avec apprentissage incrémental

  • Développement d'un système d'analyse de sentiments capable de se mettre à jour en continu sans réentraînement complet.
  • J'ai implémenté et comparé plusieurs modèles NLP (SVM, Naive Bayes), puis conçu un mécanisme d'apprentissage incrémental permettant d'intégrer de nouvelles données au fil de l'eau.
  • Le système a été déployé dans une interface tactile (AIRxTOUCH) où l'utilisateur corrige les prédictions en temps réel, alimentant directement le modèle.
Python NLP SVM Scikit-learn Apprentissage incrémental Interfaces tactiles
Dashboard Power BI – Secteur Santé
Voir les détails
Projet personnel Personnel

Dashboard Power BI – Secteur Santé

  • Conception d'un tableau de bord de suivi de la performance financière d'un centre de santé et de ses prestataires.
  • J'ai modélisé les données avec Power Query, créé les mesures DAX nécessaires et soigné la mise en page pour un rendu professionnel.
  • Ce projet m'a permis de consolider mes compétences en modélisation sémantique et en storytelling visuel avec Power BI.
Power BI DAX Power Query Reporting
Voir le projet
Suivi intelligent des ressources en eau au Sénégal
Voir les détails
7 visuels
ProSE SARL / DGPRE Pro

Suivi intelligent des ressources en eau au Sénégal

  • Développement d'un système de télémétrie pour remplacer les campagnes manuelles de relevé des niveaux d'eau dans les stations hydrologiques du Sénégal.
  • Architecture complète : collecte via LevelSender + Levelogger, stockage SQLite, API Flask, et interface web avec cartographie interactive (Leaflet.js) et graphiques temps réel (Highcharts).
  • Le système inclut un module d'alertes automatiques et un CRUD pour la gestion des stations, livré à la DGPRE.
Python Flask JavaScript Leaflet.js Highcharts SQLite UML Dashboard Télémétrie

Intéressé par mon profil ?

Me contacter →