fig. a
Data Scientist Junior
fig. b
Full-Stack Developer
0
ans à écrire du code
0
stages en entreprise
0
projets freelance livrés
0
projets data
0 M
lignes analysées
§ 01 — Manifeste
Je construis des applications du premier appel à la mise en ligne. Puis j’ai ouvert une deuxième branche : les données. Aujourd’hui je fais les deux, et je pose toujours la même question : est-ce que ça tient face au réel ?
§ 02 — Parcours
$ git log --graph --oneline --all
dev — depuis 2023
data — depuis 2026
2023
5fd7ac9 git init
Août 2024
0bd1300 feat: premier stage
2024
94a0665 feat: premiers clients
2025
1fe3004 git tag v1.0
Sept. 2025
b88a30d test: ne plus casser la prod
Aujourd'hui
420372b git merge data
HEAD → main
Janv. 2026
778f72d git checkout -b data
Mai 2026
0d787f3 chore: roadmap ML engineer
2023
5fd7ac9 git init
Août 2024
0bd1300 feat: premier stage
2024
94a0665 feat: premiers clients
2025
1fe3004 git tag v1.0
Sept. 2025
b88a30d test: ne plus casser la prod
Janv. 2026
778f72d git checkout -b data
Mai 2026
0d787f3 chore: roadmap ML engineer
Aujourd'hui
420372b git merge data
HEAD → main
§ 03 — Travaux
01Juin 2026·Projet Epitech · End-to-end ML
Des critiques de films classées positives ou négatives à la volée, de l’API jusqu’à PostgreSQL, orchestré par Kafka.
02Mai 2026·Analyse exploratoire · 5 datasets transactionnels
Qui achète quoi, quand, et qu’est-ce qui fait revenir : huit questions posées à des millions de commandes.
52
Livres
2
Modèles livrés
042026·Projet d’équipe · Tech Lead
Monter l’infrastructure collaborative sur le cloud, puis y entraîner deux modèles de prédiction médicale en équipe.
4
Modules
052026·Formation intensive · Epitech
Quatre modules enchaînés en une semaine : APIs, scraping, stockage, visualisation et serving.
§ 04 — Intersection
Data → Prod
Un modèle XGBoost ne sert à rien seul : il a fallu Kafka, deux consumers, PostgreSQL et sept services Docker pour qu’il classe chaque commentaire dès son arrivée.
Dev → Data
Dans une application en production, concevoir les tableaux de bord et modules statistiques qui rendent les indicateurs métier lisibles.
Infra + ML
Monter l’environnement collaboratif avant d’entraîner les modèles. En tant que Tech Lead, l’infra était aussi mon problème.
§ 05 — Formation
Un BTS, un bootcamp, des certifications, et une bourse qui m’emmène jusqu’au MLOps : ce qui se passe après l’entraînement d’un modèle.
Bourse DataCamp × iSheero
Une bourse pour suivre le parcours complet d'un ingénieur machine learning : des bases du terminal jusqu'au monitoring d'un modèle en production.
Les outils du quotidien : la data science, Git, le terminal, le scripting et les bases NoSQL.
Écrire du Python propre, testable et réutilisable, pas seulement des notebooks.
Supervisé, non supervisé, arbres de décision, et surtout : savoir valider un modèle.
Réseaux de neurones avec PyTorch, passage à l'échelle avec Lightning, et traitement du langage.
Suivre ses expériences, alléger un modèle et l'exposer derrière une API conteneurisée.
Comprendre les architectures de données modernes et traiter du volume avec Spark.
Automatiser, orchestrer et surveiller : un modèle en production vit, dérive et doit être observé.
Diplômes & certifications
4 pièces au dossier
GEIGE, Abidjan
Formation en développement logiciel, algorithmique et architecture applicative
Cisco Networking Academy
Certification Cisco × OpenEDG JS Institute, orientée JavaScript avancé : programmation orientée objet, structures de données, code asynchrone
Epitech Côte d'Ivoire
6 mois de formation intensive : Python, Machine Learning, Data Engineering, Azure
Cisco Networking Academy
Certification Cisco validée par un examen : explorer, nettoyer, visualiser et modéliser des données avec Python et ses bibliothèques standard, puis communiquer les résultats.
§ 06 — Carnet