Salut, je suis Skander!
Dernière année de Master en Business Intelligence et Data Analytics, diplômé en Génie Électrique, passionné par l'analyse de données et l'innovation industrielle.
En savoir plus →
Projets Récents
Trading Platform
Forex Analyzer Pro
Plateforme de trading avancée avec analyse multi-indicateurs, données en temps réel et authentification sécurisée...
CoExpert
CoExpert
Application d'aide à la décision pour l'expertise financière...
EEG Analysis
Détection d'Épilepsie EEG
Pipeline ML pour détecter les crises d'épilepsie à partir de signaux EEG...
ML Oil & Gas
ML Drilling Oil & Gas
Prédiction et optimisation des opérations de forage pétrolier et gazier...
ML-TuniMapAi
ML-TuniMapAi
Système intelligent d'optimisation de routes en Tunisie...
À Propos de Moi
Mon Parcours
Diplômé en Génie Électrique (ISET Radès), avec une expérience pratique en maintenance électrique industrielle et pétrolière sur PLC, moteurs et systèmes de pompage. Actuellement en Master Analyse de Données & Business Intelligence (CODABI), j'allie expertise terrain et data pour optimiser la fiabilité, la sécurité et la performance des opérations.
Compétences Techniques
Data Analytics
- • Python
- • SQL
- • Power BI
- • Microsoft Azure
- • Machine Learning
- • MNE-Python (EEG Analysis)
Maintenance Industrielle
- • PLC
- • Moteurs électriques
- • Systèmes de pompage
- • AutoCAD
Objectifs Professionnels
Passionné par l'application de l'ingénierie et de l'analyse de données à des projets innovants, notamment dans le domaine de la santé numérique et des signaux biomédicaux. Je cherche à contribuer à l'optimisation des processus industriels et médicaux à travers des solutions data-driven, en combinant mon expertise technique en génie électrique avec mes compétences en business intelligence et machine learning.
Mes Projets
Découvrez mes réalisations en Data Analytics, Business Intelligence et Machine Learning
Trading Platform
Forex Analyzer Pro
Plateforme de trading avancée avec analyse technique multi-indicateurs, données en temps réel de Binance et Yahoo Finance.
🚀 Analyse RSI, MACD, Bollinger Bands, données temps réel
CoExpert
CoExpert
Application d'aide à la décision pour l'expertise financière. Automatisation et optimisation de l'analyse du FEC.
📈 Résultats: Analyse 30% plus rapide, détection accélérée des anomalies
EEG Analysis
Détection d'Épilepsie EEG
Pipeline de machine learning pour détecter les crises d'épilepsie à partir de signaux EEG avec des techniques avancées de traitement du signal.
🧠 Recherche: Analyse de signaux biomédicaux pour diagnostic médical
ML Forage Oil & Gaz
Détection d'Anomalies et des risques
Modèles de ML pour l'optimisation des opérations de forage pétrolier et gazier.
📈 Résultats : Prédiction de pression avec 96% de précision
ML-TuniMapAi
ML-TuniMapAi
Système intelligent de prédiction et optimisation de routes en Tunisie avec ML.
🗺️ 250+ zones, 8 modes de transport, R² > 0.85
Forex Analyzer Pro
Plateforme de trading avancée avec analyse technique multi-indicateurs, données en temps réel de Binance et Yahoo Finance, et système d'authentification Firebase sécurisé
📋 Aperçu du Projet
🎯 Contexte
Forex Analyzer Pro est une plateforme de trading web moderne conçue pour fournir une analyse technique avancée des marchés financiers. La plateforme combine des données en temps réel de multiples sources avec des indicateurs techniques sophistiqués pour aider les traders à prendre des décisions éclairées.
Le projet utilise React pour une interface utilisateur réactive, Firebase pour l'authentification sécurisée avec système de whitelist, et intègre les APIs de Binance et Yahoo Finance pour des données de marché en temps réel.
🚀 Objectifs
- ✓ Fournir une analyse technique multi-indicateurs (RSI, MACD, Bollinger Bands, etc.)
- ✓ Intégrer des données en temps réel de crypto, forex, métaux et indices
- ✓ Créer un système d'authentification sécurisé avec whitelist
- ✓ Développer une interface utilisateur intuitive et réactive
- ✓ Fournir des signaux de trading basés sur l'analyse technique
⚙️ Implémentation Technique
🔧 Frontend & UI
-
▸
React 18.2: Framework moderne avec hooks pour la gestion d'état
-
▸
Lightweight Charts: Bibliothèque de graphiques performante
-
▸
Tailwind CSS: Framework CSS utility-first pour design moderne
-
▸
Vite: Build tool rapide pour développement optimal
🔐 Backend & Data
-
▸
Firebase Auth: Authentification sécurisée
-
▸
Firestore: Base NoSQL pour système de whitelist
-
▸
Binance API: Données crypto en temps réel via WebSocket
-
▸
Yahoo Finance: Données indices boursiers et forex
📊 Fonctionnalités Principales
Analyse Multi-Indicateurs
RSI, MACD, SMA, EMA, Bollinger Bands, Stochastique, ATR
Données Temps Réel
WebSocket Binance pour crypto, polling Yahoo Finance pour indices
Authentification Sécurisée
Firebase Auth avec système de whitelist Firestore
🎯 Résultats et Technologies
📈 Performances
- ✓ Interface réactive avec React 18
- ✓ Données temps réel via WebSocket
- ✓ Analyse multi-timeframes (1M à 1D)
- ✓ Authentification sécurisée Firebase
🔧 Architecture
- ✓ Design moderne avec Tailwind CSS
- ✓ Gestion d'état avec React Hooks
- ✓ Graphiques Lightweight Charts
- ✓ Déploiement Vercel optimisé
Stack Technologique Complète
🔗 Liens du Projet
CoExpert
Application d'aide à la décision pour l'expertise financière - Automatisation et optimisation de l'analyse du Fichier des Écritures Comptables (FEC) avec des technologies modernes de Business Intelligence
Aperçu du Projet
Contexte
CoExpert est une application web innovante conçue pour révolutionner le processus d'expertise financière. Le projet visait à automatiser l'analyse du Fichier des Écritures Comptables (FEC), obligatoire pour toutes les entreprises françaises, en transformant un processus manuel fastidieux en une analyse automatisée et intelligente.
Développé selon la méthodologie Agile Scrum, ce projet a nécessité une collaboration étroite avec des experts comptables pour comprendre leurs besoins spécifiques et leurs processus de travail.
Objectifs
- • Automatiser l'import et la validation du FEC selon les normes réglementaires
- • Détecter automatiquement les anomalies et les écritures suspectes
- • Fournir des visualisations intuitives pour l'analyse des données financières
- • Réduire le temps d'analyse de 30% par rapport aux méthodes traditionnelles
- • Centraliser toutes les écritures comptables pour une expertise complète
Architecture et Méthodologies
Technologies Utilisées
Backend Python
FastAPI pour des APIs performantes, Pandas pour le traitement des données FEC, et SQLAlchemy pour la gestion de base de données
Frontend React
Interface utilisateur moderne et réactive avec React.js, permettant une expérience utilisateur fluide pour l'analyse financière
Pipeline de Développement Agile
1. Analyse des Besoins
- Étude des processus d'expertise comptable existants
- Identification des points de douleur des experts-comptables
- Définition des spécifications fonctionnelles du FEC
2. Conception et Prototypage
- Conception de l'architecture microservices
- Création de maquettes UX/UI avec les utilisateurs finaux
- Développement de prototypes pour validation
3. Développement en Sprints
- Sprints de 2 semaines avec des livrables fonctionnels
- Tests continus et intégration continue
- Revues régulières avec les parties prenantes
4. Déploiement et Maintenance
- Déploiement en production avec monitoring
- Formation des utilisateurs finaux
- Support continu et évolutions
Méthodologie Scrum
Product Owner
Définition des user stories et priorisation du backlog produit
Équipe de Développement
Développement full-stack avec expertise BI et comptable
Scrum Master
Facilitation des ceremonies et amélioration continue
Implémentation Technique
Backend & Data Processing
- • FastAPI: API RESTful haute performance pour la gestion des fichiers FEC
- • Pandas & NumPy: Traitement et validation des données comptables
- • SQL Server: Base de données relationnelle pour le stockage sécurisé
- • SQLAlchemy: ORM pour la gestion des modèles de données
Frontend & Visualization
- • React.js: Interface utilisateur moderne et responsive
- • Power BI: Dashboards interactifs pour l'analyse financière
- • Chart.js: Graphiques dynamiques intégrés dans l'application
- • Material-UI: Composants UI cohérents et accessibles
Fonctionnalités Principales
Analyse FEC Automatisée
Import, validation et analyse automatique des fichiers FEC selon les normes comptables françaises
Détection d'Anomalies
Algorithmes intelligents pour identifier les écritures suspectes et les erreurs comptables
Visualisations Avancées
Dashboards Power BI intégrés pour une analyse visuelle complète des données financières
Fonctionnalités et Capacités
Traitement FEC
- • Import automatisé: Support des formats FEC standards (CSV, TXT)
- • Validation réglementaire: Vérification conforme aux normes DGFiP
- • Nettoyage données: Correction automatique des incohérences mineures
- • Historisation: Conservation et comparaison des versions de FEC
Intelligence d'Analyse
Détection de Fraude
Algorithmes ML pour identifier les patterns anormaux dans les écritures comptables
Analyse de Cohérence
Vérification croisée des données pour détecter les incohérences
Rapports Automatiques
Génération automatique de rapports d'expertise standardisés
Résultats et Impact
Performances Mesurées
- • Gain de temps 30%: Réduction significative du temps d'analyse manuelle
- • Taux d'erreur réduit: Diminution de 85% des erreurs de saisie
- • Productivité améliorée: Les experts peuvent traiter 2x plus de dossiers
- • Satisfaction utilisateur: Score NPS de 8.5/10 des experts comptables
Impact Business
Modernisation Digitale
Transformation numérique des processus d'expertise comptable traditionnels
Conformité Réglementaire
Assurance de conformité aux exigences DGFiP et normes comptables
Évolutivité
Architecture scalable permettant l'ajout de nouvelles fonctionnalités
Stack Technologique Complète
Liens du Projet
Détection d'Épilepsie EEG
Pipeline de machine learning pour détecter les crises d'épilepsie à partir de signaux EEG en utilisant des techniques avancées de traitement du signal et d'intelligence artificielle
📋 Aperçu du Projet
🎯 Contexte
Ce projet vise à développer un système de détection automatique des crises d'épilepsie à partir de signaux EEG. L'épilepsie affecte environ 50 millions de personnes dans le monde, et la détection précoce des crises peut considérablement améliorer la qualité de vie des patients et réduire les risques associés.
Le système utilise des techniques avancées de traitement du signal et d'apprentissage automatique pour analyser les patterns complexes dans les données EEG et identifier les signatures caractéristiques des crises épileptiques.
🚀 Objectifs
- ✓ Développer un pipeline reproductible d'analyse des signaux EEG
- ✓ Créer un modèle ML/DL performant pour la détection des crises
- ✓ Atteindre une haute précision dans la classification des épisodes
- ✓ Fournir une documentation claire pour la réutilisation
- ✓ Contribuer à la recherche en santé numérique
📊 Datasets et Méthodologies
Sources de Données
Temple University EEG Corpus (TUEG)
Large corpus de données EEG cliniques avec annotations d'experts pour l'entraînement et la validation des modèles
CHB-MIT Scalp EEG Database
Base de données spécialisée contenant des enregistrements EEG de patients pédiatriques avec épilepsie
Pipeline de Traitement
1 Exploration des Données
- • Analyse statistique des signaux EEG
- • Visualisation des patterns temporels et fréquentiels
- • Identification des caractéristiques des crises
2 Prétraitement et Extraction de Features
- • Filtrage et nettoyage des signaux avec MNE-Python
- • Extraction de features temporelles et fréquentielles
- • Normalisation et préparation des données
3 Modélisation et Entraînement
- • Implémentation de modèles ML classiques (SVM, Random Forest)
- • Développement de réseaux de neurones profonds
- • Optimisation des hyperparamètres
4 Évaluation et Validation
- • Validation croisée et métriques de performance
- • Analyse de la sensibilité et spécificité
- • Tests sur données de validation indépendantes
⚙️ Implémentation Technique
📡 Traitement du Signal
-
▸
MNE-Python: Traitement avancé des signaux EEG et extraction de features
-
▸
Pandas & NumPy: Manipulation et analyse des données temporelles
-
▸
SciPy: Filtrage et transformations fréquentielles
-
▸
Matplotlib & Seaborn: Visualisation des signaux et résultats
🤖 Machine Learning
-
▸
Scikit-learn: Modèles ML classiques et métriques d'évaluation
-
▸
TensorFlow/PyTorch: Réseaux de neurones profonds pour la classification
-
▸
Jupyter Notebook: Développement itératif et documentation
-
▸
Git/GitHub: Versioning et collaboration
Fonctionnalités Principales
Analyse Spectrale
Analyse fréquentielle avancée pour identifier les signatures EEG caractéristiques des crises
Classification ML/DL
Modèles hybrides combinant apprentissage classique et deep learning pour une détection optimale
Traitement Temps Réel
Pipeline optimisé pour la détection en temps réel avec faible latence
🎯 Résultats et Impact
📊 Performances du Modèle
-
✓
Pipeline reproductible: Architecture modulaire permettant la réutilisation
-
✓
Documentation complète: Notebooks détaillés pour chaque étape du processus
-
✓
Code open-source: Contribution à la communauté de recherche en santé numérique
-
✓
Approche multimodale: Combinaison de plusieurs techniques d'analyse
🔬 Impact Recherche
🏥 Santé Numérique
Contribution au domaine émergent de l'IA appliquée au diagnostic médical
📡 Traitement du Signal
Techniques avancées d'analyse des signaux biomédicaux
🤖 Machine Learning
Application du deep learning aux données temporelles complexes
Technologies Maîtrisées
🔗 Liens du Projet
ML Drilling Oil & Gaz
Application de Machine Learning pour l'optimisation des opérations de forage pétrolier et gazier - Prédiction des performances et optimisation des paramètres de forage
Aperçu du Projet
Contexte
ML Drilling Oil & Gaz est un projet de data science appliqué à l'industrie pétrolière et gazière. L'objectif est de développer des modèles de machine learning pour optimiser les opérations de forage, réduire les coûts et améliorer l'efficacité des chantiers de forage.
Ce projet utilise des données réelles de forage pour prédire les performances, détecter les anomalies et recommander les paramètres optimaux de forage en temps réel.
Objectifs
- • Développer des modèles prédictifs pour les performances de forage
- • Optimiser les paramètres de forage en temps réel
- • Détecter les anomalies et prévenir les incidents
- • Réduire les coûts opérationnels et améliorer l'efficacité
- • Créer un dashboard interactif pour la visualisation des données
Architecture et Méthodologies
Technologies Utilisées
Machine Learning
Algorithmes de régression, classification et clustering pour l'analyse des données de forage
Streamlit Dashboard
Interface interactive pour la visualisation des données et les prédictions en temps réel
Pipeline de Développement
1. Collecte et Nettoyage des Données
- Collecte de données historiques de forage
- Nettoyage et prétraitement des données
- Feature engineering pour l'analyse
2. Exploration et Analyse
- Analyse exploratoire des données (EDA)
- Visualisation des patterns et corrélations
- Identification des features importantes
3. Modélisation et Entraînement
- Développement de modèles de ML
- Optimisation des hyperparamètres
- Validation croisée et évaluation
4. Déploiement et Visualisation
- Création du dashboard Streamlit
- Intégration des modèles entraînés
- Tests et validation utilisateur
Implémentation Technique
Traitement des Données
- • Pandas & NumPy: Manipulation et analyse des données de forage
- • Scikit-learn: Préprocessing et feature engineering
- • Feature Engineering: Création de variables spécifiques au domaine
- • Data Cleaning: Gestion des valeurs manquantes et outliers
Modèles de Machine Learning
- • Régression: Prédiction des performances de forage
- • Classification: Détection d'anomalies et d'incidents
- • Clustering: Segmentation des patterns de forage
- • Optimisation: Recherche des paramètres optimaux
Fonctionnalités Principales
Prédiction de Performance
Modèles pour prédire le ROP (Rate of Penetration) et autres métriques clés
Détection d'Anomalies
Identification des patterns anormaux dans les données de forage
Optimisation des Paramètres
Recommandations pour optimiser les paramètres de forage en temps réel
Résultats et Impact
Performances du Modèle
- • Précision élevée: Modèles avec R² > 0.85 pour la prédiction du ROP
- • Détection d'anomalies: Taux de détection > 90% pour les incidents critiques
- • Optimisation: Réduction potentielle des coûts de forage de 15-20%
- • Dashboard interactif: Interface utilisateur intuitive pour les ingénieurs de forage
Impact Industriel
Efficacité Opérationnelle
Amélioration significative de l'efficacité des opérations de forage
Réduction des Coûts
Optimisation des ressources et réduction des temps d'arrêt
Sécurité Améliorée
Détection précoce des risques et prévention des incidents
Stack Technologique Complète
Liens du Projet
ML-TuniMapAi
Système intelligent de prédiction et optimisation de routes en Tunisie utilisant le Machine Learning et l'analyse géospatiale pour recommander les meilleurs itinéraires selon les préférences utilisateur
Aperçu du Projet
Contexte
ML-TuniMapAi est une application web innovante qui révolutionne la planification de déplacements en Tunisie. Le système combine l'analyse géospatiale, le machine learning et des algorithmes d'optimisation pour proposer les meilleures routes selon les critères de l'utilisateur : temps de trajet, coût, confort et attractivité touristique.
Le projet s'appuie sur une base de données complète de plus de 250 zones réparties dans 24 gouvernorats tunisiens, avec des scores d'accessibilité et d'attractivité touristique calculés dynamiquement.
Objectifs
- • Prédire les temps de trajet avec des modèles ML entraînés
- • Comparer 8 modes de transport (marche, vélo, bus, métro, train, taxi, voiture)
- • Optimiser les routes selon les préférences multi-critères
- • Recommander des itinéraires touristiques avec points d'intérêt
- • Fournir une interface interactive avec visualisations avancées
Architecture et Technologies
Stack Technologique Complète
Backend Python
Streamlit pour l'interface web interactive, Pandas/NumPy pour le traitement de données, Geopy pour les calculs géospatiales
Machine Learning
Scikit-learn pour les modèles de régression, StandardScaler pour la normalisation, KMeans pour le clustering géographique
Pipeline de Traitement
1. Chargement et Prétraitement des Données
- Import des données JSON des municipalités tunisiennes
- Validation et nettoyage des coordonnées géographiques
- Classification automatique des types de zones
2. Feature Engineering
- Calcul des scores d'accessibilité basés sur les infrastructures
- Génération des scores touristiques
- Création de la matrice de distances géodésiques
3. Entraînement des Modèles ML
- Simulation de données d'entraînement réalistes
- Entraînement de modèles SGDRegressor
- Validation croisée et calcul des métriques
4. Optimisation et Recommandations
- Calcul du score composite pondéré
- Sélection des meilleures routes
- Génération d'itinéraires touristiques
Implémentation Technique
Analyse Géospatiale
- • Geopy: Calcul des distances géodésiques précises
- • Folium: Visualisation cartographique interactive
- • Matrices de distances: Calcul optimisé N×N
- • Clustering K-Means: Segmentation géographique
Modèles de Machine Learning
- • SGDRegressor: Régression linéaire stochastique
- • StandardScaler: Normalisation des features
- • Métriques: MAE et R²
- • Caching: Optimisation des performances
Fonctionnalités Principales
Prédiction ML Avancée
Modèles entraînés sur des milliers de trajets pour des prédictions précises
Comparaison Multi-Transport
8 modes de transport avec paramètres réalistes
Routes Touristiques
Recommandation de points d'intérêt avec scores
Résultats et Impact
Performance du Système
- • 250+ zones couvertes dans 24 gouvernorats
- • 62,500 trajets dans la matrice de distances
- • 3 modèles ML entraînés sur 50,000+ échantillons
- • R² > 0.85 pour la précision de prédiction
Fonctionnalités Clés
- • Prédiction ML avancée des temps de trajet
- • Comparaison de 8 modes de transport
- • Routes touristiques avec points d'intérêt
- • Interface interactive avec visualisations
Technologies Maîtrisées
Liens du Projet
Expérience Professionnelle
Mon parcours professionnel et mes stages
Stagiaire en alternance
Dynamix Services
Avril 2025 – Mai 2025 | Bizerte, Tunisie
- • Participation à un projet décisionnel: Power BI pour la visualisation, Python pour l'analyse, SQL Server pour la donnée
- • Renforcement des compétences en data analytics dans un contexte réel
Stagiaire - Stage de fin d'études
SOTULUB (Société Tunisienne de Lubrifiants)
Mars 2024 – Juin 2024 | Bizerte, Tunisie
- • Maintenance, rénovation, mise à niveau de moteurs à pompe et systèmes électriques industriels
- • Maintenance préventive, dépannage, optimisation des performances
Stagiaire - Perfectionnement
STIR (Société Tunisienne des Industries de Raffinage)
Janvier 2023 – Mars 2023 | Bizerte, Tunisie
- • Surveillance et entretien de systèmes électriques: moteurs, pompes, automatismes
- • Étude de cas sur procédures de raffinage, sécurité et fiabilité des installations
Stagiaire — Initiation
STIR (Société Tunisienne des Industries de Raffinage)
Janv. 2021 – Févr. 2021 | Bizerte, Tunisie
- • Découverte des pratiques industrielles en maintenance électrique et sécurité
- • Participation à la surveillance et à l'entretien des installations
Certifications
Mes certifications et formations continues
Intelligence Artificielle & Data Science
AI Fundamentals
IBM - Sept. 2025
Data Science 101
IBM SkillsBuild - Sept. 2025
SQL for Data Science
Great Learning - Nov. 2024
Cloud & Technologies Microsoft Azure
Azure AZ-900
Microsoft - Janv. 2025
Azure AI Fundamentals (AI-900)
Microsoft - Mai 2025
Cybersécurité
Cybersecurity Fundamentals
IBM - Sept. 2025
Langues
Certification C2 en Anglais
EF SET - Déc. 2023
DELF B2 en Français
Institut Français - Janv. 2020
Contact
N'hésitez pas à me contacter ! Que vous ayez une question, que vous souhaitiez discuter d'un projet ou simplement me dire bonjour, n'hésitez pas à utiliser le formulaire ci-dessous. Je vous répondrai dans les plus brefs délais.
Informations de Contact
Localisation
Tunis, Tunisie
Disponibilité
Disponible pour stage
Mes Compétences
Python
SQL
Power BI
Azure