Ingénieur en mathématiques appliquées. Je pars d’un problème métier concret, je définis ce qu’il faut résoudre, puis je livre une solution qui fonctionne.
// approche
Je ne pars pas d’une techno. Je pars d’un problème.
Ma formation en maths appliquées m’a appris une chose : avant de choisir un outil, il faut comprendre ce qu’on cherche vraiment à résoudre. Un problème métier mal défini donne un modèle ML inutile. Un bon cadrage donne parfois une simple règle métier, et c’est suffisant.
Sur mon périmètre (data, automatisation, outils sur mesure), l’objectif reste le même : réduire la friction, libérer du temps, aider une équipe à se concentrer sur ce qui compte.
Je suis à l’aise dans la phase d’analyse comme dans la phase de livraison : un dashboard qui tourne, un pipeline qui s’exécute, une app déployée. Pas juste un notebook, un résultat utilisable.
GoldSignal, ForecastingLLM et Job Market Analyzer ne sont pas des projets de cours. Ce sont des idées que j’avais et des problèmes que j’ai voulu résoudre, architecturés et livrés seul.
// projets
Applications déployées, outils data et produits construits pour résoudre de vrais problèmes.
Analyseur de marché de l’emploi propulsé par LLM : scraping d’offres, analyse sémantique et insights personnalisés. LangChain, Groq et Streamlit.
App Streamlit interactive pour apprendre Streamlit : widgets, dataviz et déploiement. Ressource pédagogique open-source.
Plateforme data end-to-end de monitoring KPI manufacturing pour un réseau pharmaceutique multi-sites. Pipeline ETL, DuckDB et Streamlit sur 4 pages : Overview, Site Detail, Forecasting ML (OLS avec intervalles 95%) et Alerts. CI/CD GitHub Actions.
Laboratoire d’évaluation probabiliste d’un LLM (GPT-5.2) sur 3 domaines : météo (35 prédictions, 5 villes), marchés financiers européens (10 actifs) et performance sportive (marathon). Protocole anti-data-leakage, métriques Brier Score et MAE.
App Streamlit multi-pages pour métaux précieux physiques. 6 modèles ML (RF, XGBoost, LSTM, Stacking) en walk-forward strict, sans data leakage. 40+ features, backtesting P&L (Sharpe, alpha vs B&H), simulateur Monte-Carlo, PWA installable.
Chatbot IA intégré à un portfolio Next.js. Répond aux questions sur le profil et les projets via un LLM. Stack TypeScript et API LLM, déployé sur Vercel.
Collection de dashboards data viz sur mesure : exploration visuelle et reporting avancé pour différents contextes métier, avec Streamlit et Plotly.
Travaux et explorations académiques
Classification ML de précipitations sur données météo historiques. Comparaison de classifieurs (RF, SVM, KNN), feature engineering, cross-validation.
CNN PyTorch pour classification d’images Pokémon. Transfer learning, data augmentation, évaluation hold-out.
Modélisation ARIMA/SARIMA de la série UKgas. Tests ADF/KPSS, identification, prévisions et intervalles de confiance.
// expériences
Mission client : Boehringer Ingelheim, Lyon LPA · CDI
Lyon, France · Stage PFE
Tanger, Maroc · Stage 4A
Tous niveaux jusqu’au Terminale
// formation
Polytech Lyon, Université Claude Bernard
Université Claude Bernard Lyon 1
IAE Lyon, Université Jean Moulin
// profil
Coureur de fond (marathon en 3h43), intéressé par la finance et l’investissement. Je construis aussi des micro-SaaS pour résoudre des problèmes concrets.
// stack technique
Ouvert aux collaborations, missions freelance et échanges autour de la data et du code.