Ismail I.
Étudiant en 4e année Big Data et IA à l'UIR, en recherche de stage technique en data et intelligence artificielle
Présentation
Je suis en 4e année d'informatique, spécialité Big Data et Intelligence Artificielle, à l'Université Internationale de Rabat (UIR), avec un master en cours (diplôme prévu en 2027).
En projet académique, j'ai conçu un pipeline Big Data complet avec Docker, Hadoop, Hive et Spark pour prévoir la charge énergétique (R² de 0,71 sur plus de 20 millions de lignes). J'ai aussi entraîné un modèle ResNet18 sous PyTorch qui classe 5 types de documents scannés avec 81 % de précision, et comparé des modèles NLP (régression logistique, SVM, BERT) sur 159 000 commentaires, avec un F1 micro de 0,84.
Je recherche un stage technique en data, Big Data ou IA, à Casablanca, Rabat ou Kénitra, disponible immédiatement.
Formation
Master Big Data & Intelligence Artificielle · Université Internationale de Rabat (UIR)
2024 – 2027
Licence en Informatique, Big Data & IA · Université Internationale de Rabat (UIR)
2021 – 2024
Expérience
Stagiaire (stage ouvrier) · CBI
07/2025 – 07/2025
Participé aux activités techniques et opérationnelles de l'entreprise. Familiarisé avec un environnement professionnel industriel.
Stagiaire d'observation · Poste Maroc
06/2024 – 07/2024
Observé le fonctionnement des systèmes informatiques et des réseaux internes. Découvert les processus métiers liés à la logistique et aux services postaux numériques.
Projets
Architecture Big Data distribuée: prévision de charge énergétique
Conçu un pipeline Big Data sous contrainte de 8 Go de RAM (Docker, Hadoop HDFS, Hive, Spark). Entraîné des Gradient-Boosted Trees par type d'énergie (R² de 0,71) et résolu une jointure météo/télémétrie de plus de 20 millions de lignes.
Smart Document Analyst: système multi-agents IA
Développé un système multi-agents (CrewAI, Ollama/Llama 3.1) pour classer et analyser des documents scannés. Entraîné un CNN ResNet18 (PyTorch) à 81 % de précision sur 5 classes, avec validation humaine avant le rapport final.
Classification de commentaires toxiques (Jigsaw, Kaggle)
Comparé régression logistique, SVM et BERT sur 159 000 commentaires déséquilibrés. Obtenu un F1 micro de 0,84 avec TF-IDF et régression logistique.
Scanner de QR codes et codes-barres
Développé un pipeline OpenCV (seuillage d'Otsu, contours, pyzbar) et une interface Tkinter avec export PNG/CSV/TXT.