Kaoutar M.
Master science des données et systèmes intelligents à la FST Fès, en recherche de stage PFE en machine learning
Présentation
En master science des données et systèmes intelligents à la FST Fès, je construis des modèles de machine learning de bout en bout. Mon projet de détection de spam compare Naïve Bayes et DistilBERT, stocke les données dans Apache Cassandra et expose les prédictions via une API Flask. J'ai aussi analysé le Stroke Prediction Dataset par règles d'association et prédit des ventes e-commerce par régression et ACP.
En stage chez Artificial & Business Intelligence Soft à Fès, j'ai développé en Java Spring Boot une application de gestion de cabinet médical pour les rendez-vous et les dossiers.
Je cherche un stage PFE en data science ou machine learning, de 3 à 6 mois, à Rabat ou Salé.
Formation
Master science des données et systèmes intelligents · Faculté des Sciences et Techniques de Fès
2024 – 2026
Licence sciences et techniques en génie informatique · Faculté des Sciences et Techniques de Fès
2023 – 2024
DEUST mathématiques, informatique et physique (MIP) · Faculté des Sciences et Techniques de Fès
2021 – 2023
Expérience
Développeur Java (stage) · Artificial & Business Intelligence Soft
04/2024 – 06/2024
Développé une application web de gestion de cabinet médical (Java, Spring Boot, MySQL, HTML/CSS/JS) pour les rendez-vous et les dossiers médicaux. Conçu les interfaces avec Spring MVC et Thymeleaf pour les professionnels de santé.
Projets
Détection de spam (Python et Cassandra)
Classification d'e-mails spam/ham avec prétraitement NLTK, spaCy et DistilBERT, comparaison Naïve Bayes et DistilBERT. Stockage distribué avec Apache Cassandra et API Flask de prédiction en temps réel.
Prédiction du risque d'AVC par règles d'association
Exploration du Stroke Prediction Dataset et extraction de règles (support, confiance, lift) en Python avec pandas, mlxtend, scikit-learn et streamlit.
Prédiction des ventes e-commerce
Préparation des données, régression et ACP pour optimiser les ventes.
Prédiction du groupe sanguin à partir d'empreintes digitales
Modèles KNN, SVM et Random Forest sur des images Kaggle, évalués par précision, rappel et F1-score.