Morsia Guitdam Hinimdou

SmartHub est une plateforme éducative conçue pour moderniser l’enseignement et fluidifier les échanges entre étudiants, enseignants et administrateurs.

La solution intègre des assistants chatbot multi-agents, la génération automatique de quiz par IA, l’analyse intelligente de documents pédagogiques et l’automatisation de processus académiques.

🎯 Objectifs du projet

Centraliser les activités pédagogiques (cours, quiz, projets, stages, ressources)

Automatiser la génération et l’évaluation de quiz grâce à l’IA

Proposer un assistant pédagogique intelligent basé sur LLM + RAG

Développer une plateforme web moderne, sécurisée et évolutive

🚀 Fonctionnalités principales

Gestion des utilisateurs (STUDENT, TEACHER, ADMIN)

Authentification et gestion des profils

Gestion des cours, annonces et ressources

Gestion des projets et stages

Création, édition et passage de quiz

Quiz adaptatifs avec statistiques détaillées

Génération automatique de quiz par IA

Tableau de bord personnalisé par rôle

Chatbot éducatif multi-agents

RAG basé sur documents (PDF, supports de cours, ressources pédagogiques)

Agents collaboratifs et agents de supervision

Architecture technique

Frontend

React + TypeScript

Backend

API REST développée avec Spring Boot

Base de données

PostgreSQL

Couche IA

LLM · RAG · Systèmes multi-agents

Backend – SmartHub API REST

Stack technique :

Java 21, Spring Boot 3.4.11, Spring Data JPA, PostgreSQL 13, Maven, Lombok

Architecture en couches :

Controller → Service → Repository → PostgreSQL

Utilisation de DTOs pour isoler le contrat API

Entités JPA avec contraintes

Transactions via @Transactional

Enum Role persisté en STRING

Logging via Lombok @Slf4j

🔗 Liens

Plateforme déployée :

Documentation complète du projet :

Ce projet a pour objectif principal de prédire le succès ou l’échec de startups à partir de données historiques issues de Crunchbase (levées de fonds, acquisitions, IPO, secteur d’activité, localisation, et autres indicateurs clés).

Le travail inclut l’ensemble du pipeline Data Science :

✔ Nettoyage et prétraitement des données

✔ Feature engineering

✔ Gestion du déséquilibre des classes (SMOTE, Borderline-SMOTE, SMOTEENN, TomekLinks)

✔ Entraînement et comparaison de plusieurs modèles de Machine Learning

✔ Évaluation des performances

✔ Déploiement du modèle via une API Flask hébergée sur Render

🔹 Technologies utilisées

✔ Python 3.12

✔ Pandas

✔ NumPy

✔ Scikit-learn

✔ LightGBM

✔ XGBoost

✔ ExtraTreesClassifier

✔ SVM

✔ Matplotlib

✔ Seaborn

✔ Jupyter Notebook

✔ VS Code

✔ Google Colab

✔ Flask

✔ Gunicorn

✔ Render

✔ Vous trouverez tous les éléments nécessaires du projet ici :

Dans le cadre de ce projet, nous avons développé un système de surveillance intelligent pour surveiller les comportements des personnes en utilisant le traitement d'images et de vidéos. Plusieurs jeux de données ont été collectés, provenant de sites spécialisés en détection de chutes et de Kaggle, afin d’entraîner nos modèles.

Modèles Implémentés

CNN : analyse l’évolution spatiale des images.

LSTM : capture l’évolution temporelle pour la prédiction de chutes.

YOLOv8 : détection en temps réel des chutes.

SVM & Random Forest : détection de la fatigue et de la somnolence.

Application

Une application interactive a été créée avec Streamlit, offrant une surveillance en temps réel basée sur la vision par ordinateur, pour détecter les chutes, la somnolence, et prévoir les chutes imminentes, dans le but d’améliorer la sécurité et la qualité de vie des personnes.