Vous êtes sur la page 1sur 2

Stage M2 : Apprentissage profond pour la détection d’anomalies

dans des séquences temporelles

Description du Poste
• Domaines
- Science des données, intelligence artificielle, informatique, apprentissage automatique
• Contrat
Stage de master 2 (M2)
• Durée du contrat (en mois)
4-6 mois
• Description de l'offre
Les séries temporelles sont fréquentes dans de nombreux domaines, en particulier dans l’usine du
futur et dans le médical. La détection d’anomalies, ou plutôt la prédiction d’anomalies avant qu’elles
ne surviennent, est une tâche essentielle mais difficile.
Nous proposons de nous appuyer sur des travaux existants utilisant une technique d’apprentissage
profond, LSTM, et de les poursuivre. Nous envisageons deux axes de travail, l’un sur les données,
l’autre sur la compréhensibilité.
La détection d’anomalies à partir de séries temporelles présentent des particularités (données
manquantes, classes déséquilibrées, évaluation). Il faudrait proposer, implémenter et tester des
modifications des algorithmes ou de leur mise en œuvre.
Les réseaux profonds permettent d’apprendre automatiquement des changements de
représentation implicites mais leurs prédictions restent difficiles à expliquer aux experts des
domaines d’application. Il faudrait étudier les travaux existants sur l’extraction de caractéristiques,
en particulier dans l’état de l’art des applications de l’apprentissage profond aux images, mais aussi
en prenant en compte les caractéristiques pertinentes pour des séries temporelles.
Les objectifs du stage sont de :
• reprendre les travaux existants sur la détection d’anomalies dans des séquences temporelles à
l’aide de LSTM,
• faire un état de l’art des travaux d’explication à partir de réseaux profonds, dans le cas des séries
temporelles mais aussi des images,
• proposer et tester des architectures dédiées,
• proposer et évaluer des adaptations prenant en compte les spécificités de la détection d’anomalies
et des séries temporelles étudiées.
Ce sujet pourrait bénéficier d’un financement de thèse sur les applications de l’intelligence artificielle
à la santé.
• Contact
Nicolas Lachiche, nicolas.lachiche@unistra.fr

Détails
• Moyens / Méthodes / Logiciels
Python et les librairies classiques de l’apprentissage profond et des séries temporelles
• Profil du candidat
Bac +4-5 en informatique, science des données, intelligence artificielle, apprentissage automatique.
• Location du poste
ICube, Campus d’Illkirch (Télécom Physique Strasbourg), Strasbourg, France
• Critères candidat / Diplôme préparé
Bac+5 - Master 2 ou école d’ingénieurs
• Disponibilité du poste
À partir de Février 2020, selon les disponibilités de la candidate ou du candidat retenu.e.

Vous aimerez peut-être aussi