Aller au contenu
Essiddik K.

Essiddik K.

Étudiant en Master Data Science et Sécurité des SI à l'USMS, en recherche de stage PFE en data science et IA

FP · Bac+5Informatique Cherche un stage du 1 févr. 2027 · 3 à 6 mois Mobilité : Casablanca, Rabat, Marrakech, Tanger, Agadir, Kénitra, El Jadida, Mohammedia Recherche : Stage PFE

Présentation

Je prépare un Master d'excellence en Data Science et Sécurité des systèmes d'information à l'Université Sultan Moulay Slimane (Béni Mellal).

Lors d'un stage de six semaines chez Veltora, j'ai développé une application web full-stack d'analyse d'articles (résumés, analyse de sentiment, extraction d'entités avec un LLM et FastAPI), avec une recherche sémantique en Hugging Face MiniLM et une interface React. En projet académique, mon agent GNN-DQN de routage de véhicules a réduit les livraisons en retard de 43,1 % à 2,7 %, et un classifieur Random Forest de malwares atteint 99,6 % de précision.

Je cherche un stage PFE en data science, machine learning ou IA à partir de février 2027.

Formation

  1. Master d'excellence Data Science et Sécurité des SI · Université Sultan Moulay Slimane

    2025

  2. Licence d'excellence Data Science et Sécurité des SI · Université Sultan Moulay Slimane

    2024 – 2025

  3. DEUG Sciences Mathématiques et Informatique (SMI) · Université Sultan Moulay Slimane

    2021 – 2024

Expérience

  1. Stagiaire IA et développement full-stack · Veltora

    08/2025 – 09/2025

    Développer une application web d'analyse d'articles: extraction depuis une URL, résumés, analyse de sentiment et entités (DeepSeek LLM, FastAPI). Mettre en place une recherche sémantique et des recommandations (Hugging Face MiniLM, similarité cosinus). Réaliser l'interface en React/Vite avec API REST et SQLite/SQLAlchemy.

Projets

  1. Routage dynamique de véhicules sous trafic incertain

    Environnement de reinforcement learning sous Gymnasium avec encodeur GNN (PyTorch Geometric). Agents GNN-DQN et GNN-PPO: retour moyen +97 %, livraisons en retard de 43,1 % à 2,7 %.

  2. Classification de malwares par analyse statique

    Random Forest (Scikit-learn): 99,6 % de précision et F1 macro 0,974 sur 9 familles, plus de 1 800 caractéristiques. Application web Flask avec rapports PDF.

Certifications

  1. Crash Course on Python · Google (Coursera)

  2. Linux Commands and Shell Scripting · IBM

  3. Programming with JavaScript · Meta (Coursera)

  4. HTML and CSS in Depth · Meta (Coursera)