Miloud MIHOUBI - Projets

PROJET 1 : E-SANTÉ ET SYSTÈME D’AIDE À LA DÉCISION 2016 - 2019

Présentation du projet

Il s’agit de surveiller les signaux biomédicaux de plusieurs patients (Temp, ECG, EMG, ...) à l’aide de boucliers matériels Mysignal avec un microcontrôleur Arduino. Une plateforme IoT (comme Libelium) est utilisée pour collecter des données de n’importe où (à tout moment), analyser ces données pour certains patients en temps réel. Le but de ce projet est de développer des outils d’IA pour effectuer un pré-diagnostic approprié et des alarmes précoces dans des situations critiques

PROJET 2 : ANALYSEZ DES DONNÉES DE SYSTÈMES ÉDUCATIFS

Présentation du projet

Effectuer une analyse exploratoire des données

Environnement technique: Pandas, Numpy, Matplotlib, Seaborn, Anaconda,JupyterLab,python.

PROJET 3 : CONCEPTION D’UNE APPLICATION POUR LA SANTÉ PUBLIQUE

Présentation du projet

- Effectuer une analyse exploratoire des données

- Implémenter des algorithmes pour obtenir un Feature reduction

Environnement technique: Scikit-Learn, Pandas, Numpy, Matplotlib, Seaborn, Anaconda, JupyterLab.

PROJET 4 : PRÉVISION DE LA CONSOMMATION ÉLECTRIQUE DES BÂTIMENTS

Présentation du projet

- Implémenter un modèle de regression a base de l’apprentissage supervisé en prenant en compte : de l’essai de divers modèles

d’apprentissage automatique.

Environnement technique: Scikit-Learn, Pandas, Numpy, Matplotlib, Seaborn, Anaconda, JupyterLab.

PROJET 5 : SEGMENTATION CLIENT D’UN SITE E-COMMERCE

Présentation du projet

-Mettre en œuvre des algorithmes de clustering pour réaliser la segmentation de la clientèle

Environnement technique: Scikit-Learn, Pandas, Numpy, Matplotlib, Seaborn, Anaconda, JupyterLab.

PROJET 6 : CLASSIFICATION AUTOMATIQUE DES BIENS DE CONSOMMATION

Présentation du projet

- Réaliser des traitements d’images et de descriptions de produits.

- Mettre en œuvre le Transfering Learning et le NLP.

Environnement technique: Scikit-Learn, Tensorflow, NLTK, Pandas, Numpy, Matplotlib, Seaborn, Anaconda, JupyterLab.

PROJET 7 : CREDIT SCORE PREDICTION

Présentation du projet

- Implémenter un supervised learning classification model en tenant compte : de l’essai de divers modèles d’apprentissage automatique, des classes déséquilibrées, PCA, de la mise en œuvre du pipeline.

- Développer et déployer un tableau de bord sur Streamlit et Heroku.

Environnement technique: Scikit-Learn, LightGBM, Imbalanced-learn, SHAP, Lime, Pandas, Numpy, Matplotlib, Seaborn, Plotly, Streamli,t Flask.

PROJET 8 : DÉPLOYEZ UN MODÈLE DANS LE CLOUD

Présentation du projet

- Architecture Big Data de preuve de concept (PoC) sur AWS

- Configurer un environnement Spark sur AWS

- Prétraitement d’images et réduction de dimension avec Spark.

Environnement technique: Python, Spark, Hadoop, AWS (EC2 S3 IAM), Anaconda, JupyterLab, Ubuntu.

PROJET 9 : PRÉVOIR LES PROFILS DES APPRENANTS POUR RÉSOUDRE LE PROBLÈME DU DÉCROCHAGE SCOLAIRE

Présentation du projet

- Raccrochage scolaire : il s’agit d’aider les élèves qui ont décroché ou qui risquent de décrocher à retourner aux études en appliquant des techniques de apprentissage automatiques et de apprentissage profond. - Architecture Big Data de preuve de concept.

Environnement technique: Scikit-Learn, LightGBM, Imbalanced-learn, SHAP, Lime, Pandas, Numpy, Matplotlib, Seaborn, Plotly.