Un U-Net recodé de zéro en PyTorch (≈ 7,8 M de paramètres) pour segmenter chiens et chats pixel par pixel sur Oxford-IIIT Pet, avec une ablation qui mesure ce qu'apportent vraiment les skip connections.

mIoU 0,719 · skip connections : +0,096 IoU sur les contours

Un laboratoire d'apprentissage par renforcement où chaque algorithme est codé à la main avant d'être comparé à Stable-Baselines3 : Q-Learning (FrozenLake, Taxi), DQN (MountainCar), PPO Actor-Critic (LunarLander), et un Flappy Bird recodé de zéro comme environnement Gymnasium.

Flappy Bird : 80 tuyaux par partie, 20 parties sur 20 sans chute

Système complet associant base de données d'embeddings et recherche vectorielle optimisée avec FAISS : le visage est détecté avec MTCNN, encodé en vecteur par InceptionResNetV1 (FaceNet), et stocké dans une BDD. Les individus les plus proches d'une requête sont retrouvés en quelques millisecondes.

Recherche vectorielle en temps réel

La suite de Deep Scan : distinguer un vrai visage d'une attaque (photo imprimée, écran). Fine-tuning d'un ResNet18 pré-entraîné sur ImageNet en classification spoof / non-spoof, avec une interface Streamlit pour tester.

Compétition Kaggle en équipe : identifier les espèces animales présentes dans des enregistrements sonores de terrain, en fine-tunant un ResNet pré-entraîné. Une évaluation exigeante : la ROC-AUC macro, qui pèse autant les espèces rares que les plus courantes.

ROC-AUC macro : 0,87 (équipe)

Un chatbot intelligent capable de répondre aux questions bibliques grâce à une architecture RAG (Retrieval-Augmented Generation). Les versets sont indexés en embeddings sémantiques et un LLM open-source répond avec du contexte.

Réponses sourcées, 100% open-source