Full Stack Developer

Intégration dans une équipe de développement pour construire une plateforme de marketplace spécialisée dans la vente de téléphones.

• Conception et implémentation d'une architecture NoSQL avec MongoDB pour la persistance des données.
• Développement de fonctionnalités de chat en temps réel avec Socket.io pour faciliter la communication instantanée entre acheteurs et vendeurs.
• Mise en place d'API backend robustes pour soutenir les opérations de la plateforme.

Développement d'un tableau de bord en temps réel pour la gestion complète des rendez-vous.

• Conception d'une interface utilisateur interactive avec mise à jour en direct.
• Intégration de Socket.io pour les mises à jour en temps réel et synchronisation des données.
• Mise en place de GSAP pour des animations sophistiquées et fluides améliorant l'expérience utilisateur.
• Création d'une expérience utilisateur transparente et dynamique pour la gestion des rendez-vous.

Conception d'une plateforme alimentée par l'IA pour l'automatisation de la génération et de la programmation de contenu LinkedIn professionnel.

• Développement d'un moteur de synthèse textuelle pour générer du contenu LinkedIn original et engageant.
• Intégration de capacités de création d'images automatisée pour enrichir les publications.
• Mise en place d'un système de programmation pour l'automatisation de la publication sur LinkedIn.
• Création d'une solution complète d'automatisation réduisant le temps de création et de programmation du contenu.

Développement d'une solution logicielle alimentée par le machine learning pour le diagnostic des cancers de l'oncologie en utilisant les datasets TCGA-KIRC (rein) et TCGA-COAD (côlon).

• Conception et entraînement de modèles de machine learning pour la détection du type de diagnostic primaire et la classification pathologique AJCC M.
• Mise en place d'un pipeline de prétraitement et d'augmentation des données médicales.
• Optimisation des modèles pour atteindre une précision de 85-98% sur les scénarios de cancer rénal et colorectal.
• Développement d'une interface logicielle permettant aux professionnels de santé d'utiliser le modèle en production.
• Documentation et présentation des résultats de recherche pour contribution académique.

Développement d'une extension Chrome avancée pour la gestion automatisée de comptes Instagram avec un tableau de bord en temps réel.

• Conception et implémentation d'un système de scraping pour l'extraction de données des abonnés.
• Développement de fonctionnalités automatisées de follow/unfollow avec des délais aléatoires pour simuler un comportement humain et éviter la détection.
• Mise en place de fonctionnalités de blocage et suppression de followers avec randomisation des actions.
• Intégration d'un tableau de bord en temps réel permettant la surveillance et le contrôle des opérations.
• Assurance du respect des délais aléatoires pour maintenir un profil de comportement naturel.

Conception et implémentation d'un système d'optimisation pour la planification des trajets ambulanciers lors des consultations médicales.

• Modélisation du problème de routage comme un Traveling Salesman Problem (TSP).
• Développement et application d'algorithmes d'optimisation pour minimiser les temps de réponse.
• Mise en place de techniques de recherche opérationnelle pour optimiser le routage des véhicules d'urgence.
• Évaluation de l'impact de l'optimisation sur les délais et les résultats pour les patients.

Développement d'une application multiplateforme pour la détection des incohérences dans les phrases écrites en Arabizi ayant remporté la première place à une compétition NLP.

• Conception et implémentation de l'interface utilisateur en Avalonia C# pour une expérience multiplateforme.
• Développement du backend en Python avec une architecture modulaire.
• Fine-tuning du modèle DarijaBERT-arabizi pour l'analyse spécialisée du texte dialectal.
• Intégration du modèle fine-tuné dans l'application pour la détection d'incohérences.
• Remport de la première place dans une compétition NLP grâce à la précision et la robustesse de la solution.

Conception et développement d'un nouvel algorithme KNN avec extension géométrique utilisant des techniques de projection pour améliorer la performance de classification.

• Formalisation des fondations mathématiques de l'extension géométrique du KNN classique.
• Implémentation d'une première version avec NumPy pour le prototypage et la validation de concept.
• Optimisation de l'algorithme en migrant vers PyTorch pour une efficacité computationnelle significative.
• Réalisation de benchmarks comparatifs démontrant l'amélioration de performance sur plusieurs datasets.
• Préparation des résultats pour présentation et publication académique.