Aller au contenu
Japhet A.

Japhet A.

Élève ingénieur Data Science et IA (ENSA), spécialisé en data engineering, en recherche de stage

ENSA Marrakech · Bac+4Informatique Cherche un stage dès maintenant · 1 à 3 mois Mobilité : Marrakech, Tanger, Meknès, Kénitra, El Jadida, Béni Mellal, Dakhla, Berrechid, Bouznika Recherche : Stage opérationnel

Présentation

Je suis élève ingénieur en Data Science et Intelligence artificielle à l'ENSA, avec une spécialisation en machine learning, deep learning et big data.

J'ai fait un stage d'été 2025 en data analyse à l'ENSA Fès: web scraping de plus de 200 artisans de la médina de Fès (BeautifulSoup, Selenium) puis clustering KMeans en 3 groupes (silhouette de 0,67). Mes projets: un entrepôt de données e-commerce avec ETL Talend et PostgreSQL (17 000 clients, 3 700 produits), une détection de fraudes bancaires (précision 96 %, rappel 91 %) et un modèle de churn sur 7 000 clients (AUC 0,89).

Je cherche un stage opérationnel de 1 à 3 mois en data engineering ou data science, disponible dès maintenant, à Marrakech ou dans une autre ville du Maroc.

Formation

  1. Cycle ingénieur Data Science et Intelligence artificielle · École Nationale des Sciences Appliquées (ENSA)

    2024 – 2027

  2. Classes préparatoires intégrées · École Nationale des Sciences Appliquées (ENSA)

    2022 – 2024

Expérience

  1. Stagiaire Data Analyst · ENSA Fès, Département Génie électrique et informatique

    07/2025 – 08/2025

    Collecté par web scraping plus de 200 artisans de la médina (BeautifulSoup, Selenium). Structuré des données non structurées par feature engineering. Réalisé un clustering KMeans en 3 groupes (silhouette 0,67) pour la promotion touristique.

Projets

  1. Data warehouse e-commerce

    Schéma en étoile (dimensions client, produit, calendrier; faits de vente) et ETL Talend vers PostgreSQL avec SCD. 17 000+ clients et 3 700+ produits chargés.

  2. Credit scoring sous Apache Spark

    Pipeline ML avec sparklyr: Random Forest, batch scoring, monitoring et interface Shiny avec logs.

  3. Détection de fraudes bancaires

    Gestion du déséquilibre (99,8 % de transactions légitimes) avec SMOTE; Random Forest et XGBoost, précision 96 %, rappel 91 %.

  4. Prédiction du churn client

    Pipeline complet sur 7 000+ clients, comparaison de trois modèles, AUC de 0,89.