Tous les projets

Prédit les salaires des développeurs à partir de l'enquête Stack Overflow. Un projet d'équipe de l'AI Lab de 42AI qui couvre tout le chemin, des données brutes à une application web publique ; le modèle est une baseline assumée, le vrai travail est le pipeline.

Classe les tumeurs du sein en bénignes ou malignes avec un réseau de neurones écrit en NumPy : couches, fonctions de perte et optimiseurs derrière une API façon Keras.

Répond aux questions sur la convention collective Syntec et refuse les questions hors sujet avant même d'appeler le LLM. 172 documents, 8 447 chunks, récupération dense sur Chroma.

Cartographie 79 099 entreprises d'Île-de-France à partir des données publiques de l'Insee, réparties sur 16 domaines technologiques. Une entreprise n'entre dans un domaine qu'avec une source citée et datée ; 23 en ont une à ce jour, en IA, cybersécurité et systèmes embarqués. Le code est privé.

Classe des photos de feuilles de pommier et de vigne en 8 classes (6 maladies, 2 saines) avec un CNN PyTorch ; l'augmentation équilibre les classes avant l'entraînement.

Répartit les élèves de Hogwarts dans l'une des quatre maisons à partir de leurs notes de cours, avec une régression logistique one-vs-all et une descente de gradient écrites de zéro — sans bibliothèque de ML.

Explorer une base SQLite en langage naturel : un modèle local écrit du SQL en lecture seule, un validateur le contrôle, et un second modèle formule la réponse. Réalisé pour un test technique de deux heures.

Un prototype d'OS nativement IA piloté à la voix : vous parlez, et Claude répond à voix haute tout en assemblant l'interface à l'écran en temps réel. Réalisé en solo en 24 heures au hackathon Anthropic × Y Combinator.

Une interface cerveau-machine qui classe des signaux EEG d'imagerie motrice : un filtre spatial CSP écrit de zéro alimente une régression logistique, câblés en pipeline scikit-learn.

Un serpent qui apprend à jouer par essai-erreur avec du Q-learning tabulaire — une Q-table sur la vision à quatre voisins de la tête, entraînée sur des milliers de sessions en auto-jeu.

Régression linéaire avec descente de gradient, écrite de zéro, pour prédire le prix d'une voiture à partir de son kilométrage.

Exploitation de binaires, à deux : 12 niveaux progressifs de rétro-ingénierie, des débordements de pile aux chaînes de format et à l'écrasement de la GOT.

Exploitation de binaires, à deux : 10 binaires setuid cassés avec ret2libc, ROP, chaînes de format, un off-by-one et l'abus de liens symboliques.

Réalisé à deux : des clusters K3s provisionnés avec Vagrant, puis un cluster K3d exécutant un déploiement GitOps avec Argo CD. Le bonus ajoute un GitLab auto-hébergé déployé avec Helm.

Des playbooks Ansible, écrits à deux, qui déploient une stack WordPress Docker Compose sur des serveurs distants.

Front end web de Weight Your Wage : un site statique Next.js sur Cloudflare Pages qui envoie le formulaire d'enquête au service FastAPI sous forme de tâche asynchrone et interroge celui-ci jusqu'à ce que le salaire prédit soit prêt.

Serveur HTTP en C++ sur sockets, testable avec un vrai navigateur.

Moteur de raycasting en C dans le style de Wolfenstein 3D, réalisé à deux : murs texturés, une minimap et la visée à la souris.

Jeu de tuiles 2D en C avec MiniLibX : sprites, textures et événements clavier ; chaque carte est vérifiée pour que chaque objet et la sortie soient atteignables.

Application web de Pong multijoueur en Django : chat en direct via WebSockets, comptes, un adversaire IA et des tournois.

Pong multijoueur reconstruit en microservices Node.js et Fastify avec un front end TypeScript. J'étais chef de projet dans une équipe de cinq, j'ai travaillé sur le jeu avec deux coéquipiers et mis en place la stack de journalisation ELK.