Je construis des systèmes d'IA de bout en bout : vision par ordinateur, biosignaux (EEG), embeddings multimodaux. Du prototype au déploiement, avec les équipes métier et IT.
Dernière année du cycle ingénieur en télécommunications à l'ENIT, spécialisée en data science et deep learning : traitement d'images, biosignaux et embeddings multimodaux.
Mon fil conducteur : livrer des pipelines qui tiennent en production, du PoC au déploiement. Pipelines de données, vision par ordinateur, tableaux de bord BI, en travaillant avec des équipes métier et IT. Membre IEEE (2024-2025), bilingue français / anglais.
Application FastAPI / React, moteur d'optimisation OR-Tools, clustering, tableau de bord KPIs et cartographie interactive.
Pipeline NLP multilingue d'analyse d'e-réputation, full-stack, avec tableau de bord BI en temps réel.
Pipeline bitemporel Sentinel-2 et descriptions OSM filtrées par CLIP (embeddings multimodaux), classification ViT-Small.
Pipeline complet sur le corpus TUSZ : prétraitement, features STFT, modèles CNN-LSTM et TCN pour la détection pré-ictale.
Motor Imagery sur BCI Competition IV-2a : pipeline EEG de bout en bout, prétraitement, extraction de features, classification.
Pipeline NLP multilingue d'analyse d'e-réputation, full-stack, avec tableau de bord BI en temps réel.
Extraction de caractéristiques acoustiques et classification pour le dépistage de la maladie de Parkinson.
Application full-stack FastAPI / React / SQLAlchemy, moteur OR-Tools, clustering k-means / CAH, dashboard KPIs et cartographie.
Émulation d'un réseau IIoT basé sur le protocole Sparkplug B, pilotée par une application full-stack.
STM32 + FreeRTOS : acquisition DHT22, synchronisation par sémaphore, publication JSON sur UART et dashboard React temps réel (Web Serial, alertes email).
Plateforme de streaming en microservices, architecture distribuée et conteneurisée.
Conception et déploiement du site officiel de la première édition de l'événement, de la maquette à la mise en ligne.
Agent d'endgame entraîné via une modélisation du problème en processus de décision markovien (MDP).
Modélisation du débit d'absorption spécifique (SAR) via l'équation de Pennes, optimisation par PSO et algorithmes génétiques.
Lab de pentesting : exploitation de failles web (injections SQL, XSS), analyse de risques et mécanismes de défense.
Détection temps réel couplant traitement d'image et matériel embarqué (OpenCV + Arduino).
Simulation numérique haute performance sur grille, implémentée en C++.
Admise par le concours national d'entrée aux écoles d'ingénieurs, classée 132ᵉ sur ≈ 1100.
Disponible pour un stage de fin d'études de six mois en data science / machine learning, dès le début 2027.