Amadou Fofana
Étudiant en Master 1 Informatique dès septembre 2026,
disponible pour une alternance.
Je transforme la donnée en décisions.
Qui suis-je ?
Je suis Amadou Fofana, passionné par la data science et l'intelligence artificielle. Fort d'une double formation en MIAGE et en BUT Science des Données, j'ai une solide culture informatique et analytique.
Mes expériences couvrent des domaines variés : climatologie ML dans les Pyrénées, prospection d'hydrogène naturel par données satellitaires en France et au Mali, et analyse de satisfaction client.
Mon ambition : mettre la donnée au service d'un impact concret — sciences environnementales, énergie ou applications sociales en Afrique et en Europe.
Parcours académique
Stack technique
Stages professionnels
Développement d'un pipeline ML de downscaling des données climatiques ERA5 sur les Pyrénées à haute résolution spatiale. Entraînement d'un modèle Random Forest sur des données SRTM (MNT numérique) pour analyser les anomalies de floraison du Delphinium montanum. Intégration des données in-situ des stations Météo-France (départements 66 & 11) pour la validation du modèle.
Étude géospatiale pour la détection d'hydrogène naturel (blanc) en France et au Mali. Téléchargement et traitement de données satellitaires pour extraire 4 variables clés : anomalies thermiques, anomalies gravimétriques, réflectance au sol et mouvements verticaux du sol. Ces variables ont été combinées dans un dataset unifié, puis modélisées par régression logistique binaire — un score proche de 0 indique l'absence d'hydrogène, proche de 1 une présence probable — afin de cartographier les zones à fort potentiel.
Collecte, traitement et analyse statistique de questionnaires de satisfaction auprès des adhérents. Identification des points forts et axes d'amélioration via des visualisations de données et un rapport de synthèse à destination de la direction.
Projets universitaires
Système RAG déployé sur Hugging Face Spaces pour répondre à des questions sur le programme BUT SD. Pipeline LangChain + SentenceTransformers + FAISS + Groq API (Llama 3.3 70B). Inclut aussi une comparaison régression logistique vs LLMs pour l'analyse de sentiment sur des avis AlloCiné.
Voir sur HF Spaces →Développement d'un objet connecté mesurant des paramètres environnementaux via des capteurs IoT. Transmission par Bluetooth, envoi vers MySQL et Google Sheets. Application mobile de visualisation développée avec MIT App Inventor.
Voir le poster →Modèles CNN et transfer learning VGG16 pour classifier des objets astronomiques en 11 et 4 classes. Optimisation des matrices de confusion et fine-tuning du pipeline d'entraînement.
Voir le poster →Collecte et organisation des données de la série Vera. Traitement avec Python, conception d'un modèle conceptuel en étoile (MCD), stockage et gestion dans une base PostgreSQL.
Voir le MCD →