Diplômé en Géomatique et actuellement en Master 2 Sciences des Données et Applications (Option IA & Ingénierie des Données) à l'Université Iba Der Thiam de Thiès. Je conçois des architectures Big Data, déploie des modèles de Machine Learning / Deep Learning et crée des plateformes WebGIS interactives de haute précision spatiale.
Un profil d'élite à la croisée de l'Intelligence Artificielle, du Big Data et des Sciences de l'Information Géographique.
Actuellement en Master 2 Sciences des Données et Applications (option Intelligence Artificielle & Ingénierie des Données) à l'Université Iba Der Thiam de Thiès (UIDT), après une Licence en Géomatique au sein de l'UFR Sciences de l'Ingénieur.
Mon parcours atypique crée une synergie rare : j'associe la compréhension profonde de la géodésie, de la topographie et de la télédétection spatiale avec les paradigmes modernes du Machine Learning, du Deep Learning (PyTorch, CNN, Computer Vision) et de l'ingénierie Big Data (Spark, Hadoop, PostGIS).
Thiès / Dakar, Sénégal
Master 2 SDA — IIA (UIDT)
Data Science & GeoAI
Nationale & Internationale
Conception et implémentation de pipelines d'apprentissage supervisé et non supervisé, modèles neuronaux convolutifs (CNN, PyTorch), traitement massif sous Apache Spark & Hadoop, et déploiement d'APIs et interfaces prédictives avec Gradio et Flask.
Traitement avancé de rasters satellitaires (Sentinel-2, Landsat), calcul d'indices spectraux (NDVI, NDWI, EVI), bases de données spatiales PostgreSQL/PostGIS volumineuses et développement d'applications cartographiques dynamiques full-stack.
Enseignant vacataire en Webmapping & Bases de données pour des classes d'ingénierie et créateur de packages scientifiques (R / Python) pour la reproductibilité des analyses géospatiales.
Une expertise pluridisciplinaire forgée sur des projets concrets, de la donnée brute au déploiement en production.
Comment je transforme le flux continu de données satellitaires et géographiques brutes en outils d'aide à la décision stratégique grâce à l'Intelligence Artificielle.
Acquisition d'imagerie multispectrale (Sentinel-2, Landsat) et flux GPS terrain.
Copernicus • GEECorrection atmosphérique, reprojection CRS, calcul NDVI/NDWI & masquage nuages.
GDAL • Rasterio • TerraEntraînement de modèles de segmentation et classification supervisée (Random Forest, CNN).
PyTorch • Scikit-LearnCroisement multicritère, analyse de vulnérabilité et détection de changements temporels.
PostGIS • GeoPandasPublication en couches vectorielles et rasters tuilés sur carte web interactive.
Leaflet • MapLibre • APIDashboards exécutifs, indicateurs chiffrés et rapports d'impact territorial.
Plotly • Power BIUne sélection rigoureuse d'outils, d'applications cartographiques, de packages scientifiques et de modèles d'intelligence artificielle.
Architecture d'intelligence artificielle automatisant la classification multispectrale d'images Sentinel-2 et Landsat. Intègre des modèles convolutifs (CNN) et du Random Forest optimisé pour la cartographie des sols et le monitoring environnemental.
Package scientifique R conçu pour le calcul automatisé, parallélisé et optimisé en mémoire des indices spectraux de télédétection : NDVI, NDWI, EVI, SAVI, NDBI. Développé pour la communauté scientifique et les analyses à haute cadence.
Package R dédié à la validation croisée spatiale (Spatial K-Fold, Block CV, Buffer Cross-Validation) permettant d'éliminer l'overfitting causé par l'autocorrélation spatiale dans les modèles prédictifs environnementaux.
Application WebGIS complète pour la localisation et l'analyse spatiale des points d'intérêt (commerces, marchés, structures de santé, stations). Interface réactive avec filtrage dynamique et requêtes asynchrones en temps réel.
Interface web moderne pour l'exposition de modèles de Machine Learning entraînés, intégrant la validation des requêtes, l'inférence temps-réel et la restitution visuelle des scores de confiance.
Tableau de bord interactif pour le suivi d'indicateurs environnementaux et climatiques avec visualisations dynamiques (heatmaps, choroplèthes, chroniques temporelles).
Géoréférencement centimétrique par GPS de 45 installations classées sur 30km de littoral dakarois avec modélisation spatiale de la vulnérabilité environnementale (Direction de l'Environnement).
Déploiement de formulaires KoboToolbox sur tablettes dans 10 régions du Sénégal, prétraitement Python rigoureux des données tabulaires et intégration cartographique interactive pour les décideurs.
Conception et optimisation d'une géodatabase spatiale PostGIS administrant plus de 15 000 parcelles avec indexation spatiale GiST et requêtes de contrôle de topologie.
Analyse diachronique sur 10 ans de l'étalement urbain à partir d'imageries Landsat et Sentinel avec classification automatique et quantification de la dynamique du couvert végétal.
Un cheminement combinant missions de terrain de grande envergure, développement logiciel, enseignement et recherche appliquée.
Un cursus universitaire solide en sciences exactes et des certifications internationales pour maintenir un haut niveau de veille.
Programme d'excellence axé sur le Machine Learning avancé, Deep Learning (PyTorch), les architectures Big Data (Spark, Hadoop, Hive), les bases de données distribuées et les systèmes d'information décisionnels.
Algorithmique pour la data science, bases de données relationnelles avancées, modélisation statistique, Business Intelligence, datamining et déploiement de modèles prédictifs.
Formation d'ingénieur en Systèmes d'Information Géographique (SIG), géodésie spatiale, photogrammétrie, télédétection, topographie, bases de données spatiales (PostGIS) et webmapping.
Contributions concrètes pour faire avancer la reproductibilité en science des données et en analyse géospatiale.
Ce travail explore des méthodologies d'intégration conjointe de flux géospatiaux multi-sources (télédétection multispectrale, données d'enquêtes terrain, indicateurs socio-économiques) pour prédire et cartographier les risques environnementaux urbains et côtiers au Sénégal.
Option Ingénierie des données et Intelligence Artificielle
Package R pour le calcul vectorisé et ultra-rapide des indices de végétation, d'eau et de bâti (NDVI, NDWI, SAVI, EVI). Inclut des fonctions d'export raster tuilé et de statistiques zonales automatiques.
Dépôt GitHubSolution complète de validation croisée spatiale pour contrer l'autocorrélation spatiale dans l'évaluation de modèles prédictifs environnementaux.
Dépôt GitHubPlugins et scripts Python personnalisés (PyQGIS) pour l'automatisation de géotraitement, le contrôle topologique de cadastre et la génération de cartes thématiques en série.
Dépôt GitHubJ'accompagne les entreprises, organisations internationales, universités et institutions publiques dans leurs projets de valorisation des données et de cartographie.
Nettoyage et structuration de données complexes, analyse exploratoire, entraînement et optimisation de modèles prédictifs (Machine Learning, Deep Learning, Vision par ordinateur).
Conception de pipelines d'ingestion et de transformation (ETL), administration et requêtage intensif de bases spatiales PostGIS et architectures distribuées Spark/Hadoop.
Traitement d'imagerie satellitaire multispectrale (Sentinel, Landsat), calcul d'indices biophysiques, cartographie d'occupation du sol et géoréférencement haute précision.
Création d'applications web cartographiques interactives sur mesure, responsive et performantes avec Leaflet, OpenLayers, MapLibre et backend connecté.
Mise en place de protocoles de collecte numérique sur tablettes (KoboToolbox, ODK), formation des équipes de terrain et contrôle qualité en temps réel.
Sessions de formation personnalisées pour équipes ou étudiants en Python pour la Data Science, Webmapping Leaflet, manipulation SIG avancée sous QGIS et SQL spatial.
Vous avez un projet en Data Science, une étude géomatique, un besoin d'application WebGIS ou une mission technique ? Échangeons dès aujourd'hui.
N'hésitez pas à me joindre directement par téléphone, email ou via mes réseaux professionnels.
Remplissez le formulaire ci-dessous et je vous répondrai dans les plus brefs délais.
