Joseph Mukubu Kapoya

– Participation à un hackathon Health Tech organisé par Celestial Wave Digital, visant à développer une plateforme de prédiction et de prévention des blessures d'athlètes à partir de données historiques de blessures, de statistiques de joueurs et de métriques de charge d'entraînement. Le projet exigeait un backend, un frontend (web ou mobile) et un composant IA intégré dans une application de bout en bout. – Avec mon équipe, nous avons remporté la 2# place grâce à : – un modèle de machine learning (par ex. régression logistique / arbre de décision) prédisant le risque de blessure (Low / Medium / High) à partir d'historiques de blessures, de matchs joués, de charge d'entraînement et de temps de récupération ; – un tableau de bord web permettant de saisir les informations joueurs et de visualiser les scores de risque, comparaisons entre joueurs et recommandations simples (repos, réduction d'intensité, etc.) ; – un Notebook Jupyter documenté avec des visualisations (barres de risques, tendances) et un pitch de 3 minutes en anglais qui explique le problème, notre solution et nos choix techniques.

– Participation à TechX Tunisia 2025, événement axé sur l'innovation en IA et data, avec un projet de plateforme web de prédiction de blessures pour joueurs de football basé sur les historiques de blessures et les statistiques de performance. L'équipe a remporté la 2# place. – Principales réalisations : – conception d'un modèle de machine learning pour estimer le risque de blessure (faible/moyen/élévé) à partir de données historiques ; – développement d'une application web permettant de saisir les données des joueurs et d'afficher des scores de risque et des recommandations (repos, réduction d'intensité, etc.); – préparation d'un pitch technique en anglais résulte du problème, de l'architecture de la solution et des choix de modélisation, présentés devant un jury d'experts.

– Développement d'une application marketplace avec WebDev (PC SOFT), incluant un backend robuste, un front-end responsive et l'intégration de paiements sécurisés. Optimisation de la structure de base de données et des flux pour améliorer performances et maintenabilité. Collaboration avec l'équipe fonctionnelle pour transformer les besoins clients en fonctionnalités techniques.

– Conception d'un modèle de machine learning pour prédire les produits susceptibles d'être achetés par les clients dans les trois prochains mois à partir de leurs historiques d'achats. Préparation et analyse exploratoire des données, feature engineering, entraînement et évaluation des modèles (Python, ML). Présentation des résultats et recommandations à l'équipe métier.