Ingénieur en mathématiques appliquées, ce qui m’anime c’est le problem solving — partir d’un vrai problème métier, comprendre ce qu’il faut résoudre, puis mobiliser les bons outils pour livrer 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 règle métier simple — et c’est suffisant.
Dans mon périmètre — data, automatisation, outils sur mesure — l’objectif est toujours le même : réduire la friction, libérer du temps, aider une équipe ou une entreprise à passer à l’échelle sur ce qui compte vraiment.
Je suis à l’aise aussi bien dans la phase d’analyse que dans la phase de livraison (un dashboard qui tourne, un pipeline qui s’exécute, une app déployée). Pas juste un notebook, un vrai résultat.
GoldSignal, ForecastingLLM, Job Market Analyzer — ce ne sont pas des projets de cours. Ce sont des idées que j’avais, 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 LLM-powered — scraping d’offres d’emploi, analyse sémantique et insights personnalisés. LangChain + Groq + Streamlit.
App Streamlit interactive pour apprendre Streamlit — widgets, dataviz, déploiement. Ressource pédagogique open-source.
Plateforme data end-to-end de monitoring KPI manufacturing pour un réseau pharmaceutique multi-sites. Pipeline ETL + DuckDB + Streamlit 4 pages : Overview, Site Detail, Forecasting ML (OLS + intervalles 95%), 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 rigoureux anti-data-leakage, métriques Brier Score + MAE.
App Streamlit multi-pages pour métaux précieux physiques. 6 modèles ML (RF, XGBoost, LSTM, Stacking) en walk-forward strict — zéro data leakage. 40+ features engineerées, 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 + 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 & 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
UCBL1 — Université Claude Bernard Lyon 1
IAE Lyon — Université Jean Moulin
// profil
Coureur de fond (marathon 3h43 🏃), passionné de finance & investissement et de construction de micro-SaaS pour résoudre des problèmes concrets.
// stack technique
Toujours ouvert à des collaborations, missions freelance ou échanges autour de la data et du code.