Ruben
SYLLA

FogGuard est un projet de vision par ordinateur en temps réel capable de :

• Détecter le niveau de brouillard (léger, fort, ciel dégagé)
• Estimer la visibilité et les risques routiers
• Identifier les phares, voies et usagers
• Générer une vue top-down (BEV)

Stack technique : FastAPI (Python 3.10), CLIP, DPT, OWL-ViT, SegFormer, OpenCV, NumPy, Torch, PIL.

Ce projet explore la vision par ordinateur appliquée à la sécurité routière et à la perception environnementale.

CarrierWatcher est une application Streamlit développée pour faciliter le suivi des candidatures de stage et d’emploi. Elle analyse automatiquement les offres, centralise les relances et suit les réponses en un coup d’œil.

Connectée à la Gmail API, elle extrait les mails relatifs aux entretiens ou propositions et synchronise les données dans un fichier Excel ou SQLite. L’interface propose une visualisation claire du statut de chaque candidature et des statistiques globales sur le taux de réponse et la progression.

AI Psychophysics est une expérience web interactive comparant la perception visuelle humaine à celle d’un modèle d’intelligence artificielle. Elle repose sur une tâche 2AFC (Two-Alternative Forced Choice) avec un algorithme adaptatif staircase (3-up/1-down).

Les données sont stockées dans Supabase et les résultats représentés par une courbe psychométrique ajustée via une fonction logistique. Cette expérience étudie la frontière entre cognition humaine et perception artificielle.

Mail Browser est un assistant Gmail minimaliste et respectueux de la vie privée. Il supprime automatiquement les e-mails à faible valeur (newsletters, promotions), archive les notifications automatiques et envoie une alerte Telegram pour les messages importants.

Fonctionnalités principales :

• Triage intelligent basé sur des règles explicables
• Notifications Telegram en temps réel
• Interface Web (/ui) pour exécution manuelle et statistiques
• Journal SQLite pour la traçabilité
• API sécurisée pour automatisation

Stack technique : Python 3.10, FastAPI, Gmail API, Telegram, SQLite, BeautifulSoup4.

Agent de trading autonome utilisant le Q-Learning tabulaire pour apprendre des stratégies d’achat/vente sur des actions du Nasdaq. Le modèle évolue dans un environnement simulé où chaque état correspond à un signal de marché (moyenne mobile, momentum, volatilité, etc.).

Le modèle ajuste sa politique en fonction du ratio rendement/risque et du rendement cumulé. Des visualisations détaillent la valeur du portefeuille, les décisions buy/hold/sell et la performance comparée au marché.

Projet d’analyse financière avancée développé sous Apache Spark et Python. L’objectif est d’évaluer la performance des actions technologiques du Nasdaq à l’aide d’indicateurs comme le rendement, le ratio de Sharpe et la volatilité.

L’application intègre une visualisation interactive sous Streamlit et implémente la formule de Dietz modifiée pour corriger les performances selon les flux entrants. Le projet illustre l’usage du Big Data pour l’analyse financière à grande échelle.