A

AI

AI-powered API that instantly predicts UP/DOWN sentiment from financial news.

Practical tasks on Deep Learning (DL) and Neural Networks (NN). 🤖

🤖 Construye tu primer agente de IA con Strands Agents y Amazon Bedrock AWS Student Builder Group de la Universidad Panamericana 6 de Mayo de 2026 https://www.meetup.com/aws-sbg-at-panamerican-univ/events/314446033/

AWS Student Community Day México 2026 Utilizando los servicios de IA de AWS con Python y Boto3 David Sol https://studentday.awscommunity.mx

Projet de détection de fake news utilisant une architecture Retrieval-Augmented Generation (RAG).

Le système compare un article avec une base de données vectorielle d’articles de référence afin de prédire un verdict (TRUE / FAKE / UNCERTAIN) et générer une justification avec un LLM local.

Pipeline :

Prétraitement et découpage du texte Génération d’embeddings (Ollama) Stockage dans ChromaDB Recherche des passages similaires Vote majoritaire pour le verdict Génération d’explication avec un LLM

Technologies : Python, Ollama, ChromaDB, scikit-learn, pytest.

Projet réalisé dans le cadre de la formation Développeur en Intelligence Artificielle (Simplon).

Projet d’analyse du comportement des utilisateurs Instagram à partir d’un large dataset synthétique (plus d’un million d’utilisateurs).

Le projet explore :

Analyse exploratoire des données (EDA) Prédictions de variables comportementales (stress, âge, clics publicitaires, revenu) Identification de profils utilisateurs avec clustering (KMeans) Interprétation des résultats statistiques en lien avec la vie réelle

Méthodologie : visualisation, corrélations, sélection de modèles, entraînement, évaluation et interprétation.

Technologies : Python, Pandas, NumPy, Matplotlib, Scikit-learn, Jupyter.

Projet réalisé dans le cadre de la formation Développeur en Intelligence Artificielle (Simplon).

API FastAPI permettant d’identifier des espèces de pingouins à partir de données tabulaires optionnelles et/ou d’une image.

L’API renvoie une liste d’espèces probables avec leurs probabilités et inclut :

Classification Machine Learning (RF, KNN, LR) Fusion multimodale (tabulaire + image) Journalisation des requêtes/réponses (SQLite) Interface web pour consulter les logs Interface web pour tester les prédictions Notebooks pour exploration et entraînement

Projet réalisé dans le cadre de la formation Développeur en Intelligence Artificielle (Simplon).

Meetup PyMX Septiembre 2023 Usando Servicios Administrados de AI de AWS con Python y Boto3

Taller "Utilizando los servicios de IA de AWS con Python y Boto3" durante AWS Community Day México 2025. https://agenda.awscommunity.mx/921930

Cette application utilise un modèle YOLO personnalisé que j'ai entraîné en 100 epochs pour détecter des drones en temps réel à partir d'une webcam ou bien sur des photos et vidéos. Elle est développée avec Python, PyQt6, et utilise OpenCV pour la capture vidéo et la manipulation d'images.

This project aims to simplify and automate the reimbursement process for (pre-sales or any professionals who travels fairly frequently). By leveraging OCR (Optical Character Recognition) technology, the system extracts key information such as prices and expense types from receipts and bills. The extracted data is then saved to a drive, making it easier for sales teams to submit and track their expenses. The goal is to reduce manual effort, minimize errors, and streamline the reimbursement workflow.

This app allows you to generate datasets, run evaluations, and view results for Retrieval-Augmented Generation (RAG) models.

Project to automate training of Classification model using custom scripts and MLFlow. Classification model is trained using XGBoost library.

Celltype prediction using a 4 layer NN on Annotated Time coure Mouse Gastrulation data

Machine learning techniques to classify water samples as drinkable or not drinkable.

A Basic project for Natural Language Processing (NLP) that aims to summarize English paragraphs.

Human Attention Heatmaps Generated using AI for continuous UX testing on deployment

Marine biologists engaged in the study of coral reefs invest a significant portion of their time in manually processing data obtained from research dives. The objective of this challenge is to create an image segmentation pipeline that accelerates the analysis of such data. This endeavor aims to assist conservationists and researchers in enhancing their efforts to protect and comprehend these vital ocean ecosystems. Leveraging computer vision for the segmentation of coral reefs in benthic imagery holds the potential to quantify the long-term growth or decline of coral cover within marine protected areas.