Former les talents data dont l'Afrique a besoin.

🚗 Comment suivre un véhicule… même lorsqu'il disparaît complètement de la caméra ?

C'est le défi sur lequel nous travaillons actuellement à l'Académie des Mathématiques Appliquées (AMA), avec mon équipe composée de Juste AGBO ,TRAORE Zozerigué et moi-même.

Au départ, notre objectif était de détecter et suivre uniquement les poids lourds dans un environnement de circulation dense. Mais au fil de nos réflexions, nous avons choisi de nous attaquer à un problème encore plus complexe et plus proche des défis rencontrés en vision par ordinateur.

👉 Lorsqu'un véhicule est entièrement masqué par un poids lourd, les algorithmes de suivi perdent souvent sa trace.

Quelques secondes plus tard, lorsqu'il réapparaît, ils lui attribuent un nouvel identifiant. Ce phénomène, appelé ID Switch, reste l'un des principaux défis du Multi-Object Tracking (MOT).

Notre objectif est donc clair :

🎯 Suivre un véhicule avant, pendant et après une occlusion causée par un poids lourd, sans perdre son identité.

Pour y parvenir, nous explorons et comparons plusieurs approches de suivi d'objets, notamment SORT, DeepSORT, ByteTrack et BoT-SORT, afin de mieux comprendre leurs avantages et leurs limites dans ce type de scénario.

Nos premières expérimentations montrent que ByteTrack constitue une excellente base grâce à son équilibre entre rapidité et précision. Mais les défis ne s'arrêtent pas là : lorsque plusieurs véhicules présentent des caractéristiques très similaires, la ré-identification devient beaucoup plus difficile.

La prochaine étape sera d'aller plus loin en développant un module de Re-Identification (ReID) plus robuste, capable d'exploiter des caractéristiques discriminantes comme les couleurs, les logos ou encore certains marquages des véhicules.

J'ai hâte de partager les prochaines avancées de ce projet au fil de notre progression.

Un grand merci à l' Académie des Mathématiques Appliquées (AMA) pour cet environnement qui nous pousse à résoudre des problèmes concrets grâce à l'intelligence artificielle.

L'aventure continue. 🚀
Vigninnou Lucien TITO
#AMA #PIIA #ComputerVision #MultiObjectTracking #ByteTrack #DeepLearning #ArtificialIntelligence #MachineLearning #AI #Research #AfricaTech

Retour sur le demo day de l’AMA-Cohorte 1

Ce 14 février 2026, j’ai eu le privilège d’être membre du jury pour la clôture de la première cohorte de l’AMA (Académie des Mathématiques Appliquées) à Simplon Bénin.

Aux côtés de Merveil HOUENAGNON et Sèdjro Abraham Zacharie KOLOBOE en tant que membres du Jury, nous avons découvert des projets IA autour d’un enjeu crucial : la détection précoce des maladies rénales.

Des talents venus du Bénin, du Sénégal et d’ailleurs ont montré tout ce qu’ils ont appris pendant ces mois de formation.

Mention spéciale à Vigninnou Lucien TITO , initiateur de l’AMA, pour cette vision forte.

Moment fort pour moi : remettre une bourse et un trophée spécial à la seule femme de la cohorte.

Bravo à toute l’équipe AMA et aux boursiers.
Ce n’est que le début.

Cc à Marie-Paule Lima dont j’admire le parcours.

Merci aux jumelles Marielle AGBOSSOUNON et Mariane Anaëlle AGBOSSOUNON pour ce qu’elles savent….

On a bien mangé à la fin 😄

Let me tell you what 4 hours of raw execution really look like.
Tonight at the Académie des Mathématiques Appliquées (AMA), Cohort 2 of the PIIA (Special Machine Learning) stepped off the conceptual plane and plunged straight into the trenches of Python for Data Science.
After building foundational mental models with Ahmed Adjibade we tackled a relentless 4-hour hands-on TD/TP sprint orchestrated by Temitayo Ismail Gbolahan
The rule of the game was unforgiving:
👉 10 min instructor walkthrough.
👉 25 min solo coding sprint against the clock.
👉 10 min collective autopsy.
The challenge? Not clean textbook numbers.
We were handed raw, messy citizen service request logs inspired by real-world digital administration infrastructure (ASIN).
The twist?
In pure mathematics, an element belongs to a well-defined set x∈E, or it doesn't.
In raw data, human reality arrives with unformatted strings, corrupted timestamps, duplicate records, and silent edge cases.
Before you ever earn the privilege of training a gradient-boosted tree or optimizing a neural loss function, real Data Science is won right here:
• Wrestling with mutability vs. immutability across tuples and dictionaries.
• Exploiting hash tables and sets to eliminate duplicate citizen IDs in O(1) time.
• Crafting control flows that refuse to crash when dirty inputs break the expected pipeline.
• Transforming corrupted transaction logs into a clear, reliable pilot dashboard in under 4 hours.
The real beauty of the AMA curriculum lies in its continuity:
This exact dataset won't be discarded. We will refactor it into robust Object-Oriented design on September 16, and scale it through NumPy and Pandas on September 23.
We are no longer just manipulating abstract vectors—we are engineering production-grade pipelines.
To my fellow practitioners: what was the first real-world dataset that humbled your mathematical assumptions about "clean" inputs?
Thanks for reading!
Here is AMA!

#AMA #AppliedMath #DataScience #Python #MachineLearning #DataEngineering #SoftwareEngineering #Tech

🚦 Et si une simple caméra pouvait détecter, suivre et identifier automatiquement un véhicule en infraction ?
C'est précisément la problématique que nous avons explorée dans le cadre du Projet Intégrateur 1 de l'Académie des Mathématiques Appliquées (AMA).
À travers ce projet, notre groupe a étudié comment plusieurs technologies de Computer Vision peuvent être combinées pour construire un système de vidéoprotection intelligente et de vidéo-verbalisation automatique.
Voici les quatre briques technologiques qui rendent cela possible :
🎯 YOLOv8 (You Only Look Once)
L'algorithme de détection d'objets. Il analyse chaque image du flux vidéo en une seule passe afin de repérer les véhicules (voitures, motos, camions, etc.) et de les localiser avec une boîte englobante ainsi qu'un score de confiance.
👁️ DeepSORT (Deep Simple Online and Realtime Tracking)
L'algorithme de suivi. Après la détection, il attribue un identifiant unique à chaque véhicule et le suit d'image en image. Grâce au Filtre de Kalman et à un descripteur d'apparence, il est capable de retrouver un véhicule même après une courte occlusion.
🔢 ANPR (Automatic Number Plate Recognition)
Le système de reconnaissance des plaques d'immatriculation. Lorsqu'un véhicule est identifié, il localise sa plaque afin de préparer son identification.
📖 OCR (Optical Character Recognition)
La reconnaissance optique de caractères. Elle transforme l'image de la plaque en texte exploitable par le système, par exemple : AB-2584-RB.
🔄 Le pipeline complet :
📹 Caméra → 🎯 YOLOv8 détecte → 👁️ DeepSORT suit → 🔢 ANPR localise la plaque → 📖 OCR lit les caractères → ⚡ Génération automatique d'une verbalisation.
Ce qui m'a le plus marqué, c'est que ces technologies ne relèvent plus de la science-fiction : elles sont déjà utilisées dans de nombreux pays.
Le véritable défi pour l'Afrique est désormais de les adapter à nos réalités : nos formats de plaques d'immatriculation, nos conditions d'éclairage, la forte présence des motos dans la circulation et les spécificités de notre environnement.
Ce projet m'a permis de mieux comprendre comment plusieurs briques d'intelligence artificielle peuvent être combinées pour répondre à un besoin concret de sécurité routière.
Et ce n'est que le début.
Académie des Mathématiques Appliquées (AMA)
Juste AGBO
TRAORE Zozerigué
Vigninnou Lucien TITO
#AMA #PIIA #ComputerVision #YOLOv8 #DeepSORT #ANPR #OCR #ArtificialIntelligence #MachineLearning #DataScience #Bénin #Afrique

Les mathématiques, la programmation Python et la découverte de Git et GitHub et les données.
Nous avons aborder depuis peu une nouvelle étape à l’ Académie des Mathématiques Appliquées (AMA) : l’ingénierie des données.

🚀Au programme, nous avons découvert différents formats de données comme CSV, Parquet, JSON et Excel (XLSX), mais aussi comment lire ces fichiers, dans quelles situations utiliser chaque format et pourquoi faire ce choix.Parce qu’en réalité, manipuler des données ne consiste pas seulement à les ouvrir.
Il faut aussi comprendre leur format et savoir choisir les outils adaptés à ses besoins.
Autre étape importante pour moi : j’ai écrit ma toute première requête SQL !
😅Je ne vais pas mentir : la première fois, ce n’était pas évident. SQL est encore tout nouveau pour moi, et je dois encore me familiariser avec sa syntaxe et la manière d’interagir avec une base de données.

Heureusement, notre professeur nous a recommandé des ressources pour continuer à pratiquer et progresser en dehors des cours. Je compte bien les exploiter pour gagner progressivement en aisance.
Un autre point que j’ai particulièrement apprécié dans ce cours, c’est la réflexion autour des systèmes de gestion de bases de données (SGBD) : lequel choisir, dans quel contexte et pour quelle raison ?J’en retiens une idée essentielle : il n’existe pas un SGBD qui soit le meilleur dans toutes les situations.
Le choix dépend avant tout du besoin, du contexte et de l’utilisation prévue.

Un grand merci à S. A. Zacharie KOLOBOE pour sa pédagogie et sa capacité à adapter ses explications à notre niveau.

🙏Merci également à l’ #Académie des Mathématiques Appliquées (AMA) pour la qualité des formations et cet apprentissage progressif qui nous pousse à aller au-delà de la théorie.

Pour l’instant, SQL représente encore un défi pour moi.
Mais ce n’est que le début, et je suis convaincu qu’avec de la pratique, je progresserai et gagnerai en autonomie.

Une nouvelle notion aujourd’hui, un peu plus de pratique demain, et progressivement, de nouvelles compétences à maîtriser.

💻Et vous, vous souvenez-vous de votre première requête SQL ? Qu’est-ce qui vous a semblé le plus difficile au début ?

#DataEngineering #SQL #Python #DataScience #AMA #PIIA #Apprentissage #BasesDeDonnées

Elle veut être la crème de la crème. La pépite de la pépite.

En troisième année de licence en Intelligence Artificielle, Andréa Laurianne Afouda possède déjà un parcours académique solide.

Boursière au sein de la deuxième cohorte du Programme d'Introduction à l'Intelligence Artificielle (PIIA), elle a rejoint l'Académie des Mathématiques Appliquées pour mieux comprendre la logique mathématique derrière le Machine Learning et l'explorer en profondeur.

Son passage par les épreuves de sélection et l'apprentissage de la programmation avancée ont confirmé sa détermination. Elle s'appuie sur une discipline quotidienne pour approfondir ses compétences et se préparer à devenir une Data Scientist accomplie.

Découvrez son témoignage en vidéo pour comprendre son parcours et sa vision.

Pour en savoir plus sur nos programmes, visitez notre plateforme officielle.

Ici, c'est l'AMA.

Mahoudjro Charbel ASSOGBA Charbel MAMLANKOU S. Abraham Zacharie KOLOBOE Vigninnou Lucien TITO Eugène C. Ezin Consolas HODONOU Bellevie AGBALE Bénédite LOVI Egnonsé Orlane M. AHOMAGNON Mahuna AKPLOGAN Ph.D Serge Sewa

🎓🚀 Clôture du Programme d’Initiation à l’Intelligence Artificielle (PIIA) – Académie des Mathématiques Appliquées (AMA)

La formation de l’Académie des Mathématiques Appliquées s’est officiellement clôturée par la remise de nos attestations, marquant la fin d’un bootcamp intense, structurant et profondément transformateur.

Lorsque j’ai intégré la Cohorte 1, je savais que j’allais apprendre. Mais je n’imaginais pas à quel point cette expérience allait me pousser à me dépasser. Aujourd’hui, je suis honoré d’avoir terminé 3ᵉ meilleur étudiant de la cohorte 🏅 une reconnaissance qui représente pour moi bien plus qu’un classement : elle symbolise la rigueur, la constance et le travail collectif.
Le point culminant de cette formation a été un hackathon de 4 jours, suivi d’un Demo Day devant un jury. Le défi : mettre l’intelligence artificielle au service de la maladie rénale chronique.

Avec Mamadou Kindy Diallo, nous avons conçu NéphroIA, une solution de détection précoce de l’insuffisance rénale chronique. Durant le hackathon, nous avons analysé et préparé un jeu de données médical, sélectionné les variables les plus pertinentes, expérimenté et comparé plusieurs modèles de Machine Learning, optimisé leurs performances et structuré notre solution pour qu’elle puisse être déployée concrètement. Nous avons également travaillé sur la présentation et la démonstration fonctionnelle, afin que le projet ne soit pas seulement un modèle performant, mais une solution crédible et applicable à impact réel.

Nous avons eu la chance d’être accompagnés par notre mentor Inès TCHEKPO, dont les conseils stratégiques et l’exigence nous ont permis d’élever considérablement la qualité de notre projet.

Je tiens à remercier sincèrement toute l’équipe de l'Académie des Mathématiques Appliquées (AMA) pour la qualité du programme, son exigence académique et sa vision tournée vers l’impact réel.
Merci aux formateurs et mentors pour leurs retours précis et stimulants.
Merci à mes camarades de cohorte 🤝 pour l’entraide, les échanges et l’énergie collective qui ont rendu cette expérience inoubliable.

NéphroIA est né dans ce bootcamp. Mais l’ambition de mettre l’IA au service de la santé en Afrique ne fait que commencer.
Fier d’avoir fait partie de cette aventure. 💪

#AMA #ArtificialIntelligence #MachineLearning #MLOps #DataScience #HealthTech
#Innovation #Hackathon
#IApourlaSanté #NephroIA

Most tutorials make you believe data science starts with a simple pd.read_csv().
But what happens before that dataset ever lands on your disk?

Tonight at the Académie des Mathématiques Appliquées (AMA), Cohort 2 of our PIIA (Machine Learning track) dove straight under the hood of enterprise data architectures: mastering Data Sources, Storage Systems amp; Modern Data Engineering Pipelines.

Masterfully delivered by S. Abraham Zacharie KOLOBOE (Cloud Data Engineer), this wasnt just a theoretical lecture on databases. It was a rigorous teardown of how data is reliably captured, stored, and moved at scale before machine learning models can even touch it.As data scientists and engineers, understanding the source constraints is non-negotiable. Here is what we engineered under the hood:

• The Cardinal Architecture Divide (OLTP vs. OLAP): Demystifying why running heavy analytical queries directly on a production transactional database is an architectural disaster waiting to happen. Row-oriented engines (PostgreSQL, MySQL) are designed for millisecond ACID transactions; column-oriented systems (OLAP / BigQuery) are engineered for aggregations across billions of rows.

• ACID Guarantees from First Principles: Stripping down Atomicity, Consistency, Isolation, and Durability to concrete mechanics. From payment rollbacks and state management to why distributed NoSQL databases trade off certain guarantees for sheer horizontal scalability.• Storage Evolution: Lake vs. Warehouse vs. Lakehouse: Breaking down the shift from rigid schema-on-write warehouses to raw object storage lakes (Amazon S3 / GCS), and finally to modern Lakehouses (Delta Lake, Apache Iceberg powered by Spark) that bring ACID reliability to open storage formats.

• Serialization Efficiency (Parquet over CSV): Analyzing why CSV is a bottleneck for analytics. Leveraging columnar binary formats like Apache Parquet allows projection pushdown, dictionary encoding, and up to 10x compression ratios—radically reducing I/O latency and query costs.

• Data Ingestion amp; API Governance: Understanding the mechanics of external ingestion, REST APIs, HTTP status codes (handling 429 rate limits, pagination), and why Data Contracts are vital to prevent silent schema breakage upstream.The golden rule repeated throughout tonights masterclass:The most sophisticated machine learning model in the world will fail if the data pipeline feeding it is built on quicksand.

A huge congratulations to Abraham KOLOBOE for an exceptionally clear, practical, and high-standard delivery! Looking forward to the hands-on lab on Wednesday!

To my fellow data engineers, ML practitioners, and architects: what was the hardest lesson you learned when migrating from raw transactional data to an analytical pipeline?

Thanks for reading!Here is AMA!

#AMA #DataEngineering #MachineLearning #DataScience #CloudComputing #BigData #PostgreSQL #DataLakehouse #Parquet #Python #Tech

Tout commence par un 0. Puis un 1.
Quand on pense à l'intelligence artificielle, on imagine souvent des modèles capables de générer du texte, des images ou de prendre des décisions.
Pourtant, cette semaine à l'Académie des Mathématiques Appliquées (AMA), nous sommes revenus bien avant tout cela.
Avant Python.
Avant les modèles de Machine Learning.
Avant même les algorithmes.
Nous avons commencé par une question toute simple :
Comment un ordinateur exécute-t-il un programme ?
J'ai redécouvert le parcours d'une instruction : des bits (0 et 1), au processeur, à la mémoire, jusqu'à l'exécution d'un programme. Nous avons parlé d'algorithmes, de langages de programmation, du rôle du système d'exploitation, puis seulement après... de Python.
Les variables, les types, les conditions, les boucles ou encore les listes ne sont pas une fin en soi.
Ce sont les briques qui permettent, plus tard, de construire des systèmes beaucoup plus complexes.
Je connaissais déjà la plupart des notions de Python abordées cette semaine.
Mais ce module m'a rappelé une chose essentielle :
On ne construit pas une intelligence artificielle en commençant par les réseaux de neurones. On la construit en comprenant d'abord comment une machine pense... ou plutôt, comment elle exécute fidèlement ce qu'on lui demande.
Les plus grands projets reposent toujours sur des fondations solides.
Hâte de découvrir la suite de cette aventure au PIIA de l'AMA. 🚀
Académie des Mathématiques Appliquées (AMA)
Romuald Précieux AMEGBEDJI
Godwin AKAKPO
ADANLAO Adéyinka Laurinda
#AMA #Python #MachineLearning #ArtificialIntelligence #ComputerScience #Learning #Programming

Retour sur la 2ᵉ cohorte du programme PIIA | Académie des Mathématiques Appliquées (AMA)

‎Il y a tout juste une semaine, je partageais avec vous un contenu de cette aventure. Me voilà de retour ce soir, toujours au cœur de la 2ᵉ cohorte du Programme d'Initiation à l'Intelligence Artificielle (PIIA) ! 🚀
‎
‎Après deux semaines d'immersion intense dans les fondamentaux mathématiques, une certitude s'impose : impossible de faire de l'IA, du Machine Learning ou du Deep Learning en faisant l'impasse sur les mathématiques. C'est la base absolue ! 💡✨
‎
‎Un grand merci à notre formateur, l'ingénieur Charbel MAMLANKOU, qui maîtrise parfaitement son sujet et sait nous pousser constamment au-delà de nos limites. 🎯
‎
‎L'objectif central est clair : comprendre ce qui se passe réellement derrière les lignes de code Python en Machine Learning et Deep Learning, plutôt que de simplement exécuter des scripts. 🐍🔍
‎
‎La semaine dernière : Focus sur les notions d'Algèbre Linéaire 📐, appuyées par des travaux pratiques très enrichissants 💻.
‎
‎Ce soir : Cap sur les Probabilités 🎲 ! Nous abordons la manière dont l'IA quantifie l'incertitude, modélise le bruit et prend des décisions optimales 📊🤖.
‎
‎Un grand merci à l'ingénieur Charbel MAMLANKOU pour la qualité de la transmission, ainsi qu'à toute l'équipe de l'AMA pour cette belle opportunité d'apprentissage ! 🙌🔥
‎
‎#IntelligenceArtificielle #MachineLearning #DeepLearning #Mathematiques #DataScience #PIIA #AMA

« Être capable de résoudre certains problèmes liés au domaine de l'Intelligence Artificielle pour mon pays. »

C'est avec cette ambition que Clemou Moussounou aborde son parcours au sein de l'Académie des Mathématiques Appliquées.

Étudiant en troisième année de licence en informatique à l'Université Marien Ngouabi au Congo (Brazzaville), Clemou fait partie des apprenants sélectionnés pour la deuxième cohorte du Programme d'Introduction à l'Intelligence Artificielle (PIIA).

Qu'il s'agisse de santé, d'éducation ou de technologie, ses projets s'orientent vers l'intelligence artificielle. Pour construire des solutions fiables, il a choisi de s'appuyer sur la rigueur des mathématiques appliquées enseignées à l'AMA.

De l'étude de dossier à la phase technique, son passage par le processus de sélection témoigne de l'exigence méthodologique nécessaire pour intégrer nos programmes.

Découvrez son témoignage en vidéo pour comprendre son parcours, sa préparation et sa vision.

Pour en savoir plus sur nos programmes, visitez notre plateforme officielle.

Ici, c'est l'AMA.

Mahoudjro Charbel ASSOGBA Charbel MAMLANKOU S. Abraham Zacharie KOLOBOE Vigninnou Lucien TITO Eugène C. Ezin Consolas HODONOU Bellevie AGBALE Bénédite LOVI Egnonsé Orlane M. AHOMAGNON Mahuna AKPLOGAN Ph.D, Serge Sewa

Let me tell you what happens when you stop importing abstractions and start building them from scratch.
Tonight at the Académie des Mathématiques Appliquées (AMA), our PIIA (Special Machine Learning) cohort dove straight into the core engine of Python: Advanced Object-Oriented Programming (OOP) and Data Architecture.
Anyone can call df = pd.read_csv() or declare a generic Python list. But true data engineering begins when you pull back the curtain and understand the mechanics powering those objects.
The challenge tonight? Re-engineering native data structures from first principles.
The twist?
Python feels like "magic" until you realize that every native behavior—from a simple len() to a for loop—is governed by strict protocol contracts (dunder methods).
Here is what we engineered under the hood:
• Building a Custom Typed List: We moved away from Python’s default permissiveness to construct a strictly typed list. By taking over __len__, __str__, __iter__, and __getitem__, our custom object didn't just store elements—it natively plugged into Python's iteration protocol.
• Designing a DataSet Class from Scratch: We modeled tabular observations (list of dicts), implementing custom structural equality (__eq__) and membership lookup (__contains__) so our dataset instinctively answers queries like if 'age' in dataset:.
• The "Bank Vault" of Encapsulation: Moving beyond naive public attributes. Using name mangling (__), protected attributes (_), and pythonic @property / @setter decorators to guard sensitive target columns. In production systems (just like in Mobile Money and Fintech transaction logs), unguarded state mutation is a bug waiting to happen.
• Defensive Data Auditing: Baking exploratory analysis directly into our class methods—calculating null-value percentages (detecting 25% missing values on target columns) while defensively guarding against edge cases like empty sets and zero-division traps.
The golden rule repeated throughout tonight's masterclass?
"Break the code to truly understand it."
When you rebuild data structures with your own hands, Pandas stops being an opaque black box. It becomes an architecture you respect and master down to memory pointers.
To my fellow engineers and practitioners: what was the first dunder method or OOP concept that permanently transformed how you architect Python code?
Thanks for reading!
Here is AMA!
#AMA #AppliedMath #DataScience #Python #OOP #MachineLearning #SoftwareEngineering #DataEngineering #Tech

C'est un immense plaisir de voir mon nom parmi les sélectionnés de la deuxième cohorte du Programme d'Introduction à l'Intelligence Artificielle (PIIA) de Académie des Mathématiques Appliquées (AMA)

Le classement d'entrée me donne un beau défi à relever, et je suis plus motivé que jamais à donner le meilleur de moi-même !

Un grand merci à Académie des Mathématiques Appliquées (AMA)
pour cette opportunité, j'ai hâte de commencer !

#IntelligenceArtificielle #IA #MontéeEnCompétences #Apprentissage #AMA

‎Les grandes lignes à retenir de cette première cohorte du PIIA.
‎
‎Plus de 100 candidatures reçues, 39 profils sélectionnés à l’issue d’un processus exigeant, pensé pour identifier des apprenants réellement engagés dans leur progression.
‎
‎Après trois mois de formation intensive, 18 participants ont complété l’intégralité du parcours et ont rempli les critères de certification.
‎
‎Un taux de rétention qui reflète à la fois le niveau d’exigence du programme et la discipline de celles et ceux qui sont allés jusqu’au bout.
‎
‎Cette capsule revient sur quelques données clés issues de cette première cohorte du Programme d’Initiation à l’Intelligence Artificielle, afin de poser des bases claires pour la suite.
‎
‎Here’s AMA !