Fayssal Sabri

Afin d'enrichir mon parcours professionnel, je suis ouvert à des opportunités de stage de fin d'études en intelligence artificielle, data science et digitalisation industrielle . Rigoureux et organisé, je m'investis pleinement dans chaque mission en faisant preuve de sérieux et d'implication. Doté d'un excellent relationnel, j'apprécie le travail en équipe et favorise une collaboration efficace.

• Statistics Machine learning with python
• Python for data science, AI & Development
• Machine Learning Specialization
• Databases and SQL for Data Science with Python
• Introduction to Deep Learning & Neural Networks with Keras
• Advanced SQL
• Git and GitHub
• Certified Lean Management Professional: Comprehensive Guide

• Technologies & Innovation
• Activités associatives
• Football — Ex-membre de l'équipe officielle de l'ENSAM Meknès : Leadership, esprit d'équipe

• Optimisation des modèles numériques NVH des véhicules électrifiés avec l’IA et le Machine Learning – Stellantis

Objectif : Améliorer la précision des simulations acoustiques et vibratoires (NVH) des véhicules électriques en intégrant des modèles d’IA et de machine learning.

• Vision Transformer (ViT) pour la classification d’images

Développer un modèle ViT pour classifier les images du dataset CIFAR-10 en exploitant des patchs et blocs transformateurs.
Approche : Comparaison avec des architectures CNN classiques et optimisation des hyperparamètres.
Résultat : +5 % d’amélioration de la précision par rapport aux CNN traditionnels.

• Apprentissage par imitation dans des équipes multi-agents

Objectif : Optimiser la coordination d’agents dans un environnement footballistique en réduisant l’erreur comportementale.
Approche : Implémentation d’un modèle d’apprentissage par imitation pour renforcer la prise de décision collective.
Résultat : 15 % de réduction des erreurs comportementales, améliorant la fluidité du jeu.

• Création d’une interface SMARTCANCER DETECTOR pour la prédiction des cancers

Objectif : Concevoir une plateforme intelligente capable de prédire divers types de cancers (sein, peau, poumon).
Approche : Développement d’un modèle de machine learning avancé et intégration d’une interface interactive.
Résultat : +90 % de précision dans la prédiction des cancers.

• Sûreté de fonctionnement des actionneurs électriques

Objectif : Détecter et classifier les défauts dans des actionneurs électriques.
Approche : Analyse fréquentielle des signaux et classification avec KNN.
Impact : Amélioration de la détection des anomalies pour une maintenance prédictive plus efficace.