Aller au contenu
Aymane B.

Aymane B.

Étudiant-ingénieur en 2e année Data & Software Sciences à l'ENSIAS, en recherche de stage en IA et développement

ENSIAS · Bac+4Informatique Disponible immédiatement Mobilité : Casablanca, Rabat, Marrakech, Tanger, Fès, Tétouan Recherche : Stage opérationnel · 1 à 3 mois

Présentation

En deuxième année du cycle ingénieur Data & Software Sciences à l'ENSIAS, après deux années de classes préparatoires MP, je travaille sur le Machine Learning, le Big Data et le développement full-stack.

Lors de mon stage chez Modis Maroc (juin 2025), j'ai conçu une application web de gestion de stock avec Laravel et MariaDB, complétée par un module de prévision de la demande en Python/Scikit-learn. À l'ENSIAS, j'ai construit un pipeline de détection de fraude bancaire en temps réel (XGBoost sur 590 000 transactions, Kafka, Spark, Snowflake, AUC 0,82), un modèle de classification de tumeurs avec PyTorch intégré à une application React et Spring Boot, et un pipeline CI/CD supervisé avec Prometheus et Grafana.

Je cherche un stage opérationnel en data science, IA ou développement logiciel, à Casablanca, Rabat ou dans une autre grande ville.

Formation

  1. Cycle ingénieur Data & Software Sciences · ENSIAS, Rabat

    2024 – 2026

  2. Classes préparatoires MP (Mathématiques et Physique) · CPGE Al-Cachy, Fès

    2021 – 2023

Expérience

  1. Stagiaire en génie logiciel · Modis Maroc

    06/2025 – 07/2025

    Concevoir une application web full-stack d'automatisation de la gestion de stock. Développer des API REST avec Laravel et une base MariaDB/MySQL. Intégrer un module de prévision de la demande en Python/Scikit-learn. Digitaliser les flux d'inventaire et réduire le suivi manuel.

Projets

  1. Détection de fraude bancaire en temps réel

    Pipeline Big Data: XGBoost entraîné sur 590 000 transactions (AUC 0,82, rappel 0,68), suivi MLflow, flux Kafka, Spark et Snowflake, dashboard Metabase. Stack: Python, PySpark, Docker.

  2. Application web de détection de tumeurs médicales

    Modèle de Deep Learning (PyTorch/Keras) de classification de tumeurs et système de recommandation SVD, exposés via API REST dans une application React et Spring Boot.

  3. Pipeline DevOps pour application médicale

    Pipeline CI/CD sur DigitalOcean avec supervision Prometheus et Grafana et suivi de disponibilité Uptime Kuma (SLA supérieur à 99 %).

  4. OffersCatalogueApp (Android, Kotlin)

    Application de catalogue d'offres avec authentification Firebase, Firestore, recherche en temps réel, gestion des commandes et contact WhatsApp.