You're seeing this page as if you were . The main menu is still yours, though. Exit from immersion
Khalil GhanamKG

Khalil Ghanam

Développeur IA — ML · Computer Vision · Web

150 €/jour
Caen, FR
0-2 ans

Délai de réponse moyen : 1h

À propos de Khalil

Vous avez un projet IA, une analyse de données ou une application web à développer ? Je peux vous aider à le concrétiser rapidement.

Étudiant en Master IA à Caen, je travaille sur des projets concrets avec des résultats mesurables : modèle ML avec AUC 0.98 et Accuracy 93% sur données cliniques réelles, détection d'objets YOLOv8 avec mAP50 0.80, reconstruction de squelette 3D à partir de nuages de points LiDAR, et développement d'applications web full-stack.

Ce que je peux livrer concrètement :
— Modèle ML entraîné et évalué sur vos données
— Pipeline de détection d'objets ou d'anomalies (Computer Vision)
— Script Python d'automatisation ou de traitement de données
— Application web avec interface et API backend
— Analyse exploratoire et visualisation de vos données

Je m'adapte à vos outils, je communique régulièrement sur l'avancement, et je livre dans les délais convenus. Disponible immédiatement en remote.
  • Français

    Bilingue ou natif

  • Anglais

    Capacité professionnelle limitée

  • Arabe

    Capacité professionnelle complète

Accepte de travailler sur site
Caen (jusqu’à 50 km), Paris (jusqu’à 50 km), Rouen (jusqu’à 50 km), Lille (jusqu’à 50 km)

Expériences

  • Université de Caen Normandie — Master 1IA
    Projet de recherche — Reconstruction de squelette humain à partir de nuages de points LiDAR
    HEALTH AND WELLNESS
    novembre 2025 - juin 2026 (7 mois)
    Caen, France
    Projet annuel de recherche (équipe de 4) portant sur la reconstruction d'un squelette humain 3D à partir de données LiDAR, pour l'analyse du mouvement (rééducation, sport, animation 3D).

    Travail réalisé :
    • Acquisition et traitement de nuages de points LiDAR (capteur RS-Helios-16P, ~28 000 pts/frame)
    • Pipeline de nettoyage : filtrage, voxel downsampling, suppression d'outliers
    • Segmentation géométrique : RANSAC (suppression des plans) + DBSCAN (clustering)
    • Implémentation d'un algorithme de squelettisation 3D par contraction L1-médiale (extraction de 15 articulations anatomiques)
    • Intégration avec MediaPipe pour la fusion RGB/3D
    • Pipeline de lissage temporel (filtre Savitzky-Golay, interpolation)
    • Animation d'un avatar 3D dans Unity par Inverse Kinematics

    Résultat : système complet capable de transformer une séquence de nuages de points en squelette animé exploitable, avec interface de visualisation PyQt6 (4 vues synchronisées).

    Outils : Python, Open3D, NumPy, SciPy, MediaPipe, Unity, PyQt6, scikit-image.
    Python Computer Vision Scikit-learn Lidar Machine learning
  • Maison de l'Intelligence Artificielle de l'Université Mohamed Premier
    Compétition — Détection de déchets plastiques par Computer Vision (YOLOv8)
    ENVIRONMENTAL
    juin 2024 - juin 2024
    Oujda, Maroc
    Participation à une compétition de Computer Vision portant sur la détection automatique de déchets plastiques.

    Travail réalisé :
    • Constitution et annotation d'un dataset d'images
    • Entraînement d'un modèle YOLOv8 pour la détection d'objets en temps réel
    • Optimisation des hyperparamètres pour améliorer la précision du modèle
    • Évaluation des performances sur jeu de test

    Résultat obtenu : mAP50 de 0.80, permettant une détection fiable en conditions réelles.

    Outils : Python, YOLOv8 (Ultralytics), OpenCV, PyTorch.
    Github
    Python Computer Vision Scikit-learn YOLOv8 Deep Learning
  • École Supérieure de Technologie Oujda
    Stagiaire Machine Learning — Analyse prédictive
    HEALTH AND WELLNESS
    avril 2024 - juillet 2024 (3 mois)
    Oujda, Maroc
    Stage de fin d'année Licence Pro portant sur l'analyse prédictive de la dépression à partir d'un dataset réel de la population bangladaise.

    Missions réalisées :
    • Nettoyage et préparation des données (feature engineering, gestion des valeurs manquantes)
    • Traitement du déséquilibre de classes avec SMOTE
    • Comparaison de 12 modèles de Machine Learning (Logistic Regression, Random Forest, SVM, XGBoost, etc.)
    • Test de 7 méthodes de sélection de variables (dont Boruta)
    • Évaluation rigoureuse par validation croisée

    Résultat obtenu : meilleur modèle (Logistic Regression + Boruta) avec une Accuracy de 93%, un AUC de 0.98 et un F1-score de 92%.

    Outils : Python, scikit-learn, pandas, numpy, imbalanced-learn.
    Github :
    Python Machine learning Data science Scikit-learn Pandas

Recommandations

Soyez le premier à recommander Khalil

Contribuez à la réussite de ce freelance en partageant votre expérience de collaboration avec lui.

Ces profils de freelance correspondent également à vos critères

AgathaA

Agatha Frydrych

Backend Java Software Engineer

4.7

(3)

2

BaptisteB

Baptiste Duhen

Fullstack developer

4.6

(4)

5

AmedA

Amed Hamou

Senior Lead Developer

4

(2)

7

AudreyA

Audrey Champion

Web developer

4.3

(3)

4

Formations

  • Master informatique parcours IA et facteurs humains
    Université de Caen Normandie Caen
    Master informatique parcours IA et facteurs humains
  • Licence Professionnelle en Informatique décisionnelle
    École Supérieure de Technologie
    2024
    Licence Professionnelle en Informatique décisionnelle

Compétences

Catégories