Aziz

Diabetes Detection System Developer | Data ScienceTech Institute

As part of my MSc in Data Science & AI at Data ScienceTech Institute, I developed a robust Diabetes Detection System using advanced machine learning algorithms, including K-Nearest Neighbors (KNN), Random Forest, and Logistic Regression, applied to a healthcare dataset. The project focused on improving detection accuracy by identifying key risk factors associated with diabetes, such as lifestyle, medical history, and biometric data.

The system was designed to classify patients into diabetic and non-diabetic categories, contributing to early diagnosis and better healthcare decision-making. Through this project, I gained hands-on experience in data preprocessing, feature engineering, model evaluation, and optimization, ensuring the system's scalability and effectiveness. This work not only sharpened my technical skills but also reinforced the value of data-driven solutions in healthcare.

• Intégration de modèles d'IA agentiques combinés à des techniques de génération augmentée par récupération (RAG) et à l'utilisation de graphes de connaissances, permettant de fournir des insights contextuels riches et précis. Cette approche a considérablement renforcé les capacités d'analyse et de prise de décision, notamment dans des environnements complexes et dynamiques.

• Développement d'un système innovant et robuste en exploitant les méthodologies CRISP-DM (Cross Industry Standard Process for Data Mining), le traitement du langage naturel (NLP) et les réseaux neuronaux de graphes (Graph Neural Networks). Cette solution a permis d'optimiser les processus de gestion des risques en rationalisant les étapes critiques, en facilitant la compréhension des données complexes et en offrant une interface utilisateur intuitive adaptée aux besoins opérationnels.

Lors de mon stage à la BIAT, j'ai utilisé des techniques avancées d'analyse de données pour traiter et segmenter des informations relatives aux clients dans le cadre d’un projet stratégique visant à améliorer la gestion de la relation client. Mes principales contributions incluent :

- Analyse des données clients : Utilisation de Python et de bibliothèques telles que Pandas, NumPy et Matplotlib pour nettoyer, traiter et analyser de grandes quantités de données clients afin d'identifier des tendances et des segments significatifs.
- Segmentation de la clientèle : Développement d'un modèle de segmentation basé sur des techniques de clustering (K-means, DBSCAN) et d'apprentissage supervisé pour catégoriser les clients en groupes homogènes, facilitant ainsi des actions marketing ciblées et une gestion optimale de la clientèle.
- Optimisation des processus internes : Collaboration avec l'équipe pour intégrer les résultats de l'analyse dans une application de segmentation des clients, visant à automatiser et améliorer l’efficacité des processus de gestion des relations clients.
- Modernisation des outils de gestion : Participation à l'amélioration des outils de BIAT, en contribuant à la mise en place d’une solution moderne d’analyse des données permettant de prendre des décisions plus informées et stratégiques.
- Technologies utilisées : SQL pour l'extraction des données à partir de bases de données relationnelles, Tableau pour la création de tableaux de bord interactifs permettant de visualiser les résultats des analyses et de faciliter leur interprétation par les équipes.
Ce stage m’a permis d’approfondir mes compétences techniques en data science tout en ayant un impact direct sur l'amélioration des processus internes et la gestion de la relation client à la BIAT

Dans le cadre de ce projet, j'ai travaillé sur l'implémentation de la détection d'objets à l'aide de Mask-RCNN, en personnalisant l'architecture avec un ResNet50 pré-entraîné comme base pour l'extraction de caractéristiques. Mes principales responsabilités ont inclus :

- Personnalisation du modèle Mask-RCNN : J'ai utilisé l'architecture Mask-RCNN pour la segmentation d'objets dans des images satellite à haute résolution, en affinant le modèle avec un ResNet50 pré-entraîné afin de bénéficier de son pouvoir de généralisation sur des jeux de données complexes.
- Fine-tuning du modèle : J'ai affiné les poids de ResNet50 sur les données spécifiques du projet, notamment des images VHR (Very High Resolution) issues de Google Earth et du jeu de données Vaihingen, pour améliorer la précision de la détection d'objets.
- Augmentation de données : Pour renforcer la robustesse du modèle, j'ai appliqué diverses techniques d'augmentation de données, telles que la rotation, le zoom, le retournement et l'ajustement de la luminosité sur des sections recadrées d'images satellite, ce qui a permis d'augmenter la diversité des données d'entraînement et d'éviter le surapprentissage.
- Détection d'objets sur des images satellite : L'objectif principal était de développer un modèle capable de détecter et segmenter avec précision des objets dans des images à haute résolution, ce qui est crucial pour des applications telles que l'observation de la Terre et l'analyse géospatiale.

Ce projet m'a permis de perfectionner mes compétences en vision par ordinateur, en deep learning, et en augmentation de données, tout en travaillant avec des données de haute qualité pour résoudre des problèmes complexes de détection d'objets dans des images satellite.

Au cours de mon stage chez Digital Value, j'ai contribué de manière significative au développement d'une plateforme de trading basée sur l'IA, en concevant et mettant en œuvre un modèle prédictif hybride utilisant des techniques avancées de Deep Learning. Mes principales responsabilités comprenaient :

- Développement d'un modèle prédictif hybride : Conception d'un modèle combinant plusieurs techniques de Deep Learning pour analyser les données du marché boursier tunisien, ce qui a amélioré la précision prédictive et optimisé les décisions stratégiques de la plateforme.
- Traitement et analyse des données : Gestion du traitement des données et analyse de sentiment des informations en temps réel, issues des actualités et médias, afin d'extraire des informations pertinentes pour les décisions d'investissement.
- Stratégies d’investissement : Développement et mise en œuvre de stratégies d'investissement sophistiquées, y compris l'optimisation de portefeuille à l'aide de la théorie de Markowitz, maximisant ainsi les rendements ajustés au risque pour la clientèle de Digital Value.
- Analyse quantitative et qualitative : Création d'un système capable de traiter à la fois des données quantitatives et qualitatives du marché boursier pour en extraire des insights actionnables via des modèles d'analyse de sentiment.
- Technologies utilisées : Python (TensorFlow, Keras, Pandas), SQL, NLP pour l'analyse de sentiment, et utilisation de Tableau pour la visualisation des performances du portefeuille et des tendances de marché.

Ce stage m'a permis d'approfondir mes compétences en modélisation prédictive, analyse de données financières et conception de stratégies d'investissement basées sur des approches quantitatives et qualitatives.