🎯 À propos de moi
Développeur Full-Stack Python avec plus de 8 ans d'expérience, spécialisé dans :

• Développement d'APIs REST : (Flask, FastAPI, Django) sécurisées et performantes.
• Big Data et Analyse : Traitement et manipulation de données massives avec des outils comme PySpark et Pandas.
• DevOps et CI/CD : Intégration et déploiement continu avec Docker, Kubernetes, GitLab CI/CD.
• Modélisation Machine Learning : Développement et déploiement de modèles pour la prédiction et l'analyse.
• Mise en place d'architectures robustes et scalables pour des applications web et Big Data
• Cloud & Azure : Maîtrise des services Azure Key Vault, Azure Databricks, Azure Storage.
• Scrum Master certifié : Gestion Agile et optimisation des processus de développement

• Objectif : Ce projet est une API RESTful permettant de gérer une bibliothèque avec :
  • 📖 Gestion des auteurs : Ajouter, lister et supprimer des auteurs.
  • 📚 Gestion des livres : Ajouter, lister et supprimer des livres.
  • 🔄 Gestion des emprunts : Permet aux utilisateurs d'emprunter des livres et de gérer le stock en temps réel.
  • 🔐 Authentification JWT : Sécurisation des accès avec JSON Web Token.
  • 🔍 Recherche de livres : Endpoint permettant de retrouver un livre par son titre.
  • 🏗 Déploiement avec Docker & MongoDB : Conteneurisation pour une exécution facile et rapide.
  • 📊 Gestion des logs : Supervision avancée des performances avec des logs et un suivi des requêtes.
• 🏗 Déploiement avec Docker & MongoDB..
• Détails Techniques :
  • Python (Flask, MongoEngine, PyJWT, Pandas)
  • Base de données : MongoDB.
  • Gestion des Logs : logging pour suivre les opérations de l'API.
  • Tests Unitaires : Pytest pour la validation des endpoints.
  • Conteneurisation & Déploiement : Docker, Docker Compose.
• Challenges Résolus :
  • 📌 Stockage optimisé avec MongoDB pour gérer efficacement les relations entre les livres, auteurs et emprunts.
  • 🔐 Sécurisation des accès avec JWT pour protéger les endpoints sensibles.
  • 📊 Monitoring des performances via des logs structurés.
  • 🛠️ Automatisation des tests avec Pytest pour garantir la fiabilité des endpoints API.
  • 🏗 Déploiement facile avec Docker, permettant une mise en production rapide et reproductible
• Tech Stack :
  • Langage : Python
  • Framework Web : Flask (Flask-RESTful, Flask-JWT-Extended)
  • Base de données : MongoDB avec MongoEngine
  • Outils de Conteneurisation : Docker, Docker Compose
  • Gestion des logs et monitoring : Logging Python
  • Tests : Pytest pour les tests unitaires

• Objectif : Ce projet est une API RESTful permettant de gérer un système de coupons avec :

  • 🎟️ Gestion des coupons : Ajouter, lister et supprimer des coupons.
  • 🔢 Vérification d’éligibilité : Vérifie si un produit peut bénéficier d’un coupon.
  • 📊 Calcul des réductions : Applique automatiquement le bon de réduction au produit.
  • 🔐 Authentification JWT : Sécurisation des accès avec JSON Web Token.
  • 🔄 Conditions avancées : Applique des règles complexes (AND, OR, NOT) sur les coupons.
  • 📌 Gestion des logs : Suivi des requêtes et des performances.
  • 🏗 Déploiement avec Docker & MongoDB : Conteneurisation pour une exécution facile et rapide.

• Langage : Python
• Framework Web : Flask (Flask-RESTful, Flask-JWT-Extended)
• Base de données : MongoDB avec MongoEngine
• Gestion des logs : Logging Python (logging)
• Tests unitaires : pytest pour la validation des endpoints
• Conteneurisation & Déploiement : Docker, Docker Compose

• 📌 Optimisation du stockage avec MongoDB, en structurant efficacement les conditions des coupons.
• 🔐 Sécurisation des accès avec JWT pour protéger les endpoints sensibles.
• 📊 Monitoring avancé via des logs structurés et traçabilité des actions API.
• 🛠️ Tests automatisés avec pytest pour garantir la fiabilité des fonctionnalités critiques.
• 🏗 Déploiement facile avec Docker, permettant une mise en production rapide et reproductible.

• Objectif : Mise en place d'un pipeline ETL pour extraire, transformer et charger des données brutes vers une base de données optimisée.
• Détails Techniques :
  • Airflow : Orchestration et planification des tâches.
  • Pandas : Nettoyage et transformation des données.
  • Monitoring : Prometheus pour la collecte des métriques, Grafana pour la visualisation.
  • Docker : Conteneurisation du pipeline.
• Challenges Résolus :
  • Supervision avancée des performances grâce à des tableaux de bord en temps réel.
  • Gestion des tâches longues avec récupération automatique en cas d’échec.
• Tech Stack : Python, Apache Airflow, Pandas, Prometheus, Grafana, Docker.

• Objectif : Analyser des fichiers de logs volumineux pour détecter des anomalies et des tendances.
• Détails Techniques :
  • PySpark : Traitement distribué des données pour gérer des volumes massifs.
  • Visualisation : Utilisation de Matplotlib pour représenter les résultats.
• Features :
  • Filtrage et agrégation des données pour obtenir des insights utiles.
  • Exportation des résultats sous forme de rapports prêts à l'emploi.
• Tech Stack : Python, PySpark, Matplotlib.

• Objectif : Développement d’une application pour planifier et optimiser les visites de drones sur des sites spécifiques.
• Détails Techniques :
  • Backend :
    • API REST en Python Flask.
  • Base de Données :
    • PostgreSQL/PostGIS pour les calculs géospatiaux avancés.
  • DevOps :
    • Dockerisation complète.
    • CI/CD avec GitLab.
  • Tests :
    • Tests backend avec Pytest.
• Tech Stack : Python Flask, sqlalchemy, PostgreSQL, Docker, Pytest.

• Objectif : Modélisation de la propagation d'épidémies avec des agents intelligents et du deep learning.
• Détails Techniques :
  • Deep Learning : Utilisation de RNN (Recurrent Neural Networks) pour la prédiction.
  • Simulation Multi-Agents : Modélisation des interactions entre agents (populations, lieux).
  • Graph Neural Networks : Analyse des relations spatio-temporelles des données.
• Tech Stack : Python, TensorFlow, Matplotlib, Quantum.

• Application CRUD avec Django et Docker : Création d'une API sécurisée pour la gestion des utilisateurs.
• Automatisation avec Apache Airflow : Développement d’un pipeline ETL complexe intégrant des sources de données multiples.
• Analyse Financière avec Polars : Utilisation de Polars pour traiter et analyser rapidement des datasets financiers.

1. Expertise en Python et frameworks associés.
2. Maîtrise des environnements cloud et DevOps.
3. Passion pour les systèmes distribués et l'optimisation des pipelines de données.
4. Capacité à livrer des solutions robustes et scalables adaptées aux besoins clients.

🌍 N'hésitez pas à explorer mes dépôts et à me contacter pour toute collaboration ou opportunité !