Projet Big Data & Machine Learning analysant les données OHLCV du Bitcoin pour détecter les régimes de marché et prédire les mouvements de prix. Utilisation de K-Means pour la segmentation du marché (4 régimes identifiés) et d'un Decision Tree pour prédire la direction des prix avec une précision de 51.7% sur données réelles (180,000+ lignes).
Voir sur GitHubImplémentation d'agents autonomes pour des problèmes de navigation avec Q-Learning (Model-Free) et Policy Iteration (Model-Based). Inclut un Taxi Autonome (environnement Taxi-v3) utilisant Epsilon-Greedy et un solveur Grid World 4x4 avec itération de politique jusqu'à convergence.
Voir sur GitHubImplémentation complète d'un classifieur d'images multi-classes sans frameworks ML. Construction manuelle avec NumPy : Softmax, Cross-Entropy, régularisation L2, et descente de gradient par batch. Testé sur Digits (97.5%) et MNIST (89.9%), performances comparables à Scikit-Learn.
Voir sur GitHubSystème de contrôle qualité automatisé par Computer Vision (Sprint 5 jours, équipe de 4). Approche double : Supervised Learning avec YOLOv11 (99.7% accuracy) pour défauts connus, et Unsupervised Learning avec ResNet50 + K-Means/DBSCAN pour anomalies inconnues via extraction de features.
Voir sur GitHubApplication mobile cross-platform éco-conçue pour la gestion des présences à l'ENSISA (équipe de 7). Architecture multi-rôles (Étudiant/Professeur/Scolarité/Admin) avec Flutter/Dart, base SQLite locale et transfert SFTP sécurisé vers Raspberry Pi. Focus éco-design : Dark Mode natif, requêtes optimisées, UI minimaliste.
Voir sur GitHubIA compétitive pour le jeu Puissance 4 implémentée from scratch. Algorithme Minimax optimisé avec élagage Alpha-Beta et priorité centrale pour réduire le temps de calcul. Fonction heuristique défensive (fenêtre glissante 4 cellules) privilégiant le blocage de l'adversaire (-120 points) sur l'attaque (+100 points).
Voir sur GitHub