Aymane E.
Étudiant en Master Machine Learning et IA à la FS Tétouan, en recherche d'un stage PFE en data science
Présentation
Je prépare un Master d'Excellence en Machine Learning et Intelligence Artificielle à la Faculté des sciences de Tétouan. J'ai effectué un stage de développeur machine learning chez Alf Sahel: modèle prédictif de l'état des entrepôts (stocks et capacité) et application RAG pour automatiser les workflows logistiques.
Côté projets, j'ai déployé un pipeline ML complet de prédiction de prix immobiliers (XGBoost, FastAPI, Docker, AWS, GitHub Actions) et mené une détection de fraude bancaire avec LightGBM (ROC-AUC de 0,94) ainsi qu'un modèle de vision par ordinateur à 93 % d'accuracy.
Je cherche un stage PFE en machine learning et IA, disponible à partir du 1er février 2027, à Casablanca ou Tétouan.
Formation
Master d'Excellence en Machine Learning et Intelligence Artificielle · Faculté des sciences Abdelmalek Essaâdi, Tétouan
2025
Licence d'Excellence en Machine Learning et Intelligence Artificielle · Faculté des sciences Abdelmalek Essaâdi, Tétouan
2024 – 2025
Diplôme en développement digital, option Full Stack · ISTA NTIC Béni Mellal
2022 – 2024
CPGE MPSI · Classes préparatoires, Béni Mellal
2019 – 2022
Expérience
Stagiaire développeur Machine Learning · Alf Sahel
08/2025 – 09/2025
Développer un modèle prédictif de machine learning pour prévoir l'état des entrepôts (stocks et capacité). Concevoir une application RAG pour exploiter les données prévisionnelles et automatiser les workflows de gestion logistique.
Stagiaire développeur web · Cour d'appel
03/2024 – 04/2024
Concevoir une application de gestion du courrier physique avec Laravel, TailwindCSS et MySQL. Analyser les besoins métier pour optimiser le traitement du courrier.
Projets
Prédiction des prix immobiliers: pipeline ML de bout en bout
Pipeline complet (XGBoost, Optuna, MLflow), API FastAPI et dashboard Streamlit, conteneurisés avec Docker et déployés sur AWS (ECS Fargate, S3) via GitHub Actions.
Détection de fraude bancaire
Pipeline LightGBM et Isolation Forest sur 590 000 transactions, PR-AUC de 0,73 et ROC-AUC de 0,94, interprétabilité avec SHAP.
Détection de fruits et légumes sains ou pourris
Modèle ResNet50V2 (transfer learning) à environ 93 % d'accuracy sur 28 classes, application React et Flask avec détection par webcam.
Prédiction des maladies cardiaques
Comparaison de XGBoost, SVM et ANN, meilleur résultat avec l'ANN (accuracy 85,86 %, précision 90 %).
Certifications
Machine Learning using Python · Simplilearn
2026
Python Essentials 1 · Cisco
2024
Introduction to Cybersecurity · Cisco
2024
Computer Hardware Basics · Cisco
2024