Aller au contenu
Saad B.

Saad B.

Élève ingénieur ENSA Berrechid en Data Science et Big Data, en recherche de stage PFA en IA et data engineering

ENSA Berrechid · Bac+5Informatique Cherche un stage dès maintenant · 1 à 3 mois Mobilité : Casablanca Recherche : Stage opérationnel

Présentation

Je suis élève ingénieur à l'ENSA de Berrechid, en ingénierie des systèmes d'information et Big Data, après un cycle préparatoire intégré.

En stage de data scientist chez Silent Believers Distribution, j'ai conçu une solution analytique de bout en bout, de l'ingénierie des données à une API prédictive (FastAPI) alimentant un tableau de bord en temps réel pour anticiper les charges serveurs, avec un modèle LSTM. À côté, j'ai développé une plateforme de données de marché en streaming (RabbitMQ, WebSockets, PostgreSQL, Docker) avec un module RAG basé sur des LLM, un pipeline Airflow sur AWS S3 avec stockage Parquet, et un modèle de vision par ordinateur sous PyTorch. Je suis certifié AWS Cloud Practitioner.

Je cherche un stage PFA de 2 mois en data science, IA ou data engineering, disponible immédiatement.

Formation

  1. Cycle d'ingénieur en ingénierie des systèmes d'information et Big Data · ENSA Berrechid

  2. Cycle préparatoire intégré · ENSA Berrechid

  3. Baccalauréat Sciences mathématiques A, mention Très Bien · Jean Ferry Academy

Expérience

  1. Stagiaire data scientist · Silent Believers Distribution

    Conçu et déployé une solution analytique de bout en bout, de l'ingénierie des données à une API prédictive. Exposé un modèle prédictif via FastAPI vers un tableau de bord en temps réel. Entraîné un modèle LSTM pour anticiper les surcharges serveurs, avec extraction de caractéristiques temporelles et normalisation des indicateurs.

Projets

  1. Plateforme de trading en temps réel avec RAG

    Architecture asynchrone (FastAPI, Docker, RabbitMQ) ingérant plus de 1 000 événements par seconde via WebSockets Binance. Stockage PostgreSQL avec migrations Alembic, données d'actualités multisources, simulation AWS S3 avec LocalStack. Analyse de sentiment en temps réel, indicateurs TA-Lib, suivi des expériences avec MLflow et module RAG à base de LLM.

  2. Pipeline Big Data et data warehouse

    Pipeline orchestré avec Airflow sur AWS S3, traitement distribué de gros volumes de données au format Parquet pour accélérer les requêtes.

  3. Classification d'images médicales (deep learning)

    CNN personnalisé sous PyTorch, écosystème Hugging Face, augmentation de données par GAN et validation avec Pydantic.

Certifications

  1. AWS Certified Cloud Practitioner · Amazon Web Services