Moussa Diallo, Data Science, Machine Learning et IA

Projets de recherche, projets académiques et un projet personnel déployé en ligne. Filtrez par domaine.Research projects, academic projects and one personal project deployed online. Filter by topic.

Laboratoire L2MGC, CY Cergy Paris Université, 2026L2MGC laboratory, CY Cergy Paris Université, 2026

Prédiction de la résistance mécanique des matériaux cimentaires par IA multimodalePredicting the mechanical strength of cementitious materials with multimodal AI

ProblèmeProblem: Prédire la résistance mécanique en MPa à partir de la formulation du matériau et d'images de sa microstructure.Predict mechanical strength in MPa from the material's mix design and images of its microstructure.
DonnéesData: Corpus de 388 articles scientifiques, 2 297 formulations (43 variables) et 483 images MEB/BSE.Corpus of 388 scientific papers, 2,297 mix designs (43 variables) and 483 SEM/BSE images.
MéthodesMethods: Collecte automatisée (CrossRef, BeautifulSoup, Selenium), nettoyage, segmentation multi-Otsu, texture GLCM, association image-formulation (+86 % de données exploitables). Comparaison de 6 approches : XGBoost, Random Forest, MLP, ResNet18, fusion multimodale. Analyse par Grad-CAM et t-SNE.Automated collection (CrossRef, BeautifulSoup, Selenium), cleaning, multi-Otsu segmentation, GLCM texture, image-mix matching (+86% usable data). Comparison of 6 approaches: XGBoost, Random Forest, MLP, ResNet18, multimodal fusion. Analysis with Grad-CAM and t-SNE.
RésultatsResults: Meilleur modèle : XGBoost, R² = 0,76 et MAE < 10 MPa. Résultats restitués aux chercheurs du laboratoire.Best model: XGBoost, R² = 0.76 and MAE < 10 MPa. Results presented to the laboratory researchers.

Python
pandas
scikit-learn
XGBoost
PyTorch
OpenCV
Git

Projet de rechercheResearch project

Laboratoire IRIT, Toulouse, 2025IRIT laboratory, Toulouse, 2025

Visualisation et explicabilité des réseaux de neuronesVisualising and explaining neural networks

ProblèmeProblem: Rendre visible ce que font les réseaux, du perceptron au CNN, et comprendre sur quoi s'appuie un ResNet18 pour décider.Make visible what networks do, from the perceptron to the CNN, and understand what a ResNet18 relies on to decide.
DonnéesData: Jeux de classification, images et un jeu de données avec indice parasite contrôlé pour tester l'explicabilité.Classification datasets, images and a dataset with a controlled spurious cue to test explainability.
MéthodesMethods: Frontières de décision et courbes de perte/précision d'un MLP (PyTorch), filtres et cartes d'activation des CNN, reconstruction d'image par MLP, Grad-CAM sur ResNet18, importance des filtres par ablation et analyse activation/gradient.Decision boundaries and loss/accuracy curves of an MLP (PyTorch), CNN filters and activation maps, image reconstruction with MLPs, Grad-CAM on ResNet18, filter importance via ablation and activation/gradient analysis.
RésultatsResults: Outils Python réutilisables et documentés sous Git, et tableau de bord interactif pour suivre l'apprentissage et explorer les cartes Grad-CAM.Reusable, documented Python tools under Git, and an interactive dashboard to follow training and explore Grad-CAM maps.

Python
PyTorch
NumPy
Matplotlib
Jupyter
Git

2026, déployé en ligne2026, deployed online

Agent IA de candidatureAI job-application agent

ProblèmeProblem: Évaluer rapidement l'adéquation entre une offre d'emploi et un CV.Quickly assess how well a CV matches a job offer.
DonnéesData: Offres d'emploi et CV en texte.Job offers and CVs as text.
MéthodesMethods: Analyse sémantique par LLM (API Gemini), score de correspondance, rédaction d'une lettre de motivation. Application Streamlit et interface CLI.LLM-based semantic analysis (Gemini API), matching score, cover-letter drafting. Streamlit app and CLI.
RésultatsResults: Application déployée sur Streamlit Cloud.Application deployed on Streamlit Cloud.

Python
Streamlit
Gemini API
Pydantic
BeautifulSoup

Démo en ligne ↗Live demo ↗Code source ↗Source code ↗

Université de ToulouseUniversity of Toulouse

Classification d'images et explicabilitéImage classification and explainability

ProblèmeProblem: Classer des images et vérifier ce que le réseau regarde réellement.Classify images and check what the network actually looks at.
DonnéesData: MNIST et Muffin vs Chihuahua.MNIST and Muffin vs Chihuahua.
MéthodesMethods: Classifieurs CNN et ResNet (PyTorch), analyse Grad-CAM selon la complexité des données.CNN and ResNet classifiers (PyTorch), Grad-CAM analysis depending on data complexity.
RésultatsResults: Étude comparative des décisions via les cartes Grad-CAM.Comparative study of decisions through Grad-CAM maps.

Python
PyTorch
Grad-CAM

Université de ToulouseUniversity of Toulouse

Classification de paysagesLandscape classification

ProblèmeProblem: Reconnaître des types de paysages et comparer les stratégies d'entraînement.Recognise landscape types and compare training strategies.
DonnéesData: 4 000 images, 7 classes.4,000 images, 7 classes.
MéthodesMethods: CNN entraîné from scratch, data augmentation, transfer learning ; projection t-SNE des features.CNN trained from scratch, data augmentation, transfer learning; t-SNE projection of features.
RésultatsResults: Comparaison des trois approches d'entraînement.Comparison of the three training approaches.

Python
PyTorch
t-SNE

Université de Toulouse, 2025University of Toulouse, 2025

Démosaïcage d'images et analyse sous incertitudeImage demosaicing and uncertainty analysis

ProblèmeProblem: Reconstruire une image couleur à partir d'un filtre de Bayer (problème inverse).Reconstruct a colour image from a Bayer filter (inverse problem).
DonnéesData: Images couleur re-échantillonnées par un filtre de Bayer.Colour images resampled through a Bayer filter.
MéthodesMethods: Optimisation à variation totale, opérateur et adjoint implémentés, étude de convergence, évaluation PSNR/SSIM, robustesse par Monte-Carlo et bootstrap.Total-variation optimisation, operator and adjoint implemented, convergence study, PSNR/SSIM evaluation, robustness via Monte Carlo and bootstrap.
RésultatsResults: Évaluation quantitative (PSNR/SSIM) et analyse de robustesse.Quantitative evaluation (PSNR/SSIM) and robustness analysis.

Python
NumPy
SciPy
Matplotlib

Projet académiqueAcademic project

Université de Toulouse, 2025University of Toulouse, 2025

Prévision de séries temporelles par deep learningTime-series forecasting with deep learning

ProblèmeProblem: Prédire l'évolution de séries temporelles et générer des séquences.Forecast time series and generate sequences.
DonnéesData: Séries temporelles, dont des séries financières.Time series, including financial series.
MéthodesMethods: Comparaison de trois architectures récurrentes : RNN, LSTM et GRU (PyTorch).Comparison of three recurrent architectures: RNN, LSTM and GRU (PyTorch).
RésultatsResults: Comparaison des architectures sur la prédiction et la génération.Architecture comparison on prediction and generation.

Python
PyTorch
pandas
NumPy

Moussa Diallo

Ce que j'ai construitWhat I've built

Prédiction de la résistance mécanique des matériaux cimentaires par IA multimodalePredicting the mechanical strength of cementitious materials with multimodal AI

Visualisation et explicabilité des réseaux de neuronesVisualising and explaining neural networks

Agent IA de candidatureAI job-application agent

Classification d'images et explicabilitéImage classification and explainability

Classification de paysagesLandscape classification

Démosaïcage d'images et analyse sous incertitudeImage demosaicing and uncertainty analysis

Prévision de séries temporelles par deep learningTime-series forecasting with deep learning

Rigueur mathématique, problèmes concretsMathematical rigour, real-world problems

Data Science

Machine Learning

Deep Learning et visionDeep Learning and vision

IA explicableExplainable AI

Calcul scientifiqueScientific computing

Données et pipelinesData and pipelines

Ma boîte à outilsMy toolbox

Machine Learning

Deep Learning et IA explicableDeep Learning and Explainable AI

Données et visualisationData and visualisation

Collecte et outilsCollection and tools

Travaillons ensembleLet's work together