Mohamed A.

Conception et mise en œuvre d'une architecture évolutive pour un projet client sur Upwork, en utilisant AWS Lambda, SageMaker et FastAPI. Utilisation d'un Application Load Balancer pour gérer efficacement le trafic et garantir aucune perte de requête. Intégration de Google OAuth pour une identification sécurisée des utilisateurs. Réalisation d'une mise à l'échelle dynamique des fonctions Lambda en fonction du volume de requêtes. Assuré une connectivité fluide entre les fonctions Lambda et le point de terminaison SageMaker. Résultant en une gestion efficace du trafic, une évolutivité dynamique et une identification sécurisée des utilisateurs.

Conception et développement complet d'une application de recommandation innovante facilitant la collaboration entre startups et investisseurs.

​

● Utilisation d'Amazon EMR sur AWS avec PySpark pour le traitement des données.

● Stockage des données traitées dans Amazon S3.

● Développement des modèles sur des échantillons de données.

● Création des jobs sur Amazon SageMaker pour entraîner les modèles.

● Création de pipelines pour orchestrer le processus de développement des modèles.

● Utilisation de pipelines et de tests unitaires pour garantir la qualité du code.

● Commit du projet sur AWS CodeCommit.

● Déploiement du modèle enregistré sur Amazon SageMaker en utilisant des capacités d'auto-scaling et en ajoutant un endpoint autoscale, une fonction Lambda et une API Gateway pour le développement d'une API.

● Exécution de tests approfondis dans l'environnement de Test pour valider le bon fonctionnement de l'application.

● Approbation du déploiement après la validation des tests.

● Déploiement dans l'environnement de production en utilisant les bonnes pratiques en matière de sécurité et de scalabilité.

● Utilisation d'Amazon CloudWatch pour surveiller les performances du modèle et détecter les changements dans la distribution des données.

● Capture des données d'inférence pour suivre l'évolution des résultats du

Collecte et étiquetage des données audio : Constituer une base de

données d'enregistrements audio avec des annotations émotionnelles précises pour entraîner le modèle de reconnaissance des émotions.

● Transformation des signaux audio : Appliquer des transformations

sur les signaux audio, telles que le calcul de la fréquence fondamentale, les coefficients cepstraux de fréquence de Mel (MFCC), etc., pour extraire des caractéristiques pertinentes pour la reconnaissance des émotions.

● Entraînement de modèles de deep learning : Utiliser des réseaux de neurones profonds pour apprendre à classer les émotions à partir des caractéristiques extraites des signaux audio.