Hamza Z.
Master Big Data et Cloud Computing à la FS Aïn Chock, en recherche de stage PFE en data engineering
Présentation
Je prépare un Master Big Data et Cloud Computing à la Faculté des Sciences Aïn Chock de Casablanca (2024-2026), après un DUT en Génie Informatique à l'EST Safi et une licence en génie logiciel.
J'ai conçu un pipeline de données temps réel avec Apache Kafka, Spark Structured Streaming, Airflow et Cassandra, supervisé avec Prometheus et Grafana. En projet académique, j'ai déployé une application web conteneurisée sur Kubernetes (Minikube, Docker, Nginx) avec autoscaling, et automatisé un pipeline de collecte et d'analyse de données météo avec Airflow, Python et PostgreSQL. Côté développement, j'ai réalisé une plateforme comptable en Laravel lors de mon stage de fin d'études.
Je cherche un stage de fin d'études en data engineering ou big data, disponible immédiatement, à Casablanca ou Agadir.
Formation
Master en Big Data et Cloud Computing · Faculté des Sciences Aïn Chock, Casablanca
2024 – 2026
Licence en Génie Logiciel · Faculté des Sciences, Agadir
2023 – 2024
DUT en Génie Informatique · École Supérieure de Technologie de Safi
2021 – 2023
Expérience
Stage de fin d'études (développeur web) · Devosoft
03/2023 – 06/2023
Concevoir une fonctionnalité de glisser-déposer pour une plateforme LMS avec JavaScript et Laravel. Simplifier la gestion du contenu des cours pour les utilisateurs administratifs.
Projet de fin d'études (développeur web) · SOSIPO
01/2023 – 07/2023
Concevoir une plateforme administrative et comptable avec Laravel, Bootstrap et JavaScript. Automatiser la facturation et la gestion des dépenses.
Projets
Pipeline de données en temps réel
Ingestion et transformation de données avec Kafka, Spark Structured Streaming et Cassandra, ETL orchestrés par Airflow. Contrôles qualité et monitoring avec Prometheus et Grafana.
Orchestration d'une application web avec Kubernetes
Déploiement avec Kubernetes, Docker et Minikube, test de l'autoscaling et de la haute disponibilité. Équilibrage de charge avec Nginx.
Pipeline de données météo
Collecte via API, ETL avec Airflow, analyse avec Pandas, NumPy et Scikit-learn. Stockage dans PostgreSQL et GCS, visualisation avec Seaborn.