Apprentissage incrémental avec des séries temporelles de données environnementales H/F
Stage Grenoble (Isère) Direction d'entreprise
Description de l'offre
Détail de l'offre
Informations générales
Entité de rattachement
Le Commissariat à l'énergie atomique et aux énergies alternatives (CEA) est un organisme public de recherche.Acteur majeur de la recherche, du développement et de l'innovation, le CEA intervient dans le cadre de ses quatre missions :
. la défense et la sécurité
. l'énergie nucléaire (fission et fusion)
. la recherche technologique pour l'industrie
. la recherche fondamentale (sciences de la matière et sciences de la vie).
Avec ses 16000 salariés -techniciens, ingénieurs, chercheurs, et personnel en soutien à la recherche- le CEA participe à de nombreux projets de collaboration aux côtés de ses partenaires académiques et industriels.
Référence
2020-14515Description du poste
Domaine
Mathématiques, information scientifique, logiciel
Contrat
Stage
Intitulé de l'offre
Apprentissage incrémental avec des séries temporelles de données environnementales H/F
Sujet de stage
L'équipe du laboratoire LIIM (Laboratoire Intelligence Intégrée Multi-capteurs) du CEA LIST développe depuis plusieurs années des algorithmes d'apprentissage incrémental qui permettent à une application embarquée d'apprendre de nouvelles tâches en continu sans oublier les tâches précédemment apprises. Ces algorithmes ont été développés pour des applications de vision par ordinateur. Aujourd'hui, l'objectif du laboratoire est d'étendre ces algorithmes à des séries temporelles (et non plus des images). Il s'agira de séries temporelles de données environnementales.
Durée du contrat (en mois)
6 mois
Description de l'offre
L'objectif du stage sera donc de développer et optimiser un algorithme pour la classification de séries temporelles de données environnementales. Il faudra ensuite l'étendre pour qu'il soit capable d'apprendre de manière incrémentale. Cela se fera à partir d'un algorithme d'apprentissage incrémental existant mais développé sur des images.
Ainsi, les étapes du stage seront les suivantes :
Etude des modèles d'apprentissage incrémental développé au LIIM pour de la vision par ordinateur.
Etat de l'art des méthodes d'apprentissage de séries temporelles avec des réseaux de neurones.
Prise en main d'une base de données environnementales et analyse pour la mise en œuvre de séquences incrémentales d'apprentissage.
Implémentation du modèle choisi.
Développement d'un modèle d'apprentissage incrémental à partir du modèle choisi.
Ecriture du rapport final et présentation des résultats.
Profil recherché
Profil du candidat
Ce sujet est un projet de fin d'études et est proposé pour des étudiant(e)s en fin de master ou de cursus ingénieur.
Le candidat a reçu une formation en machine learning/deep learning. Il a des compétences en programmation Python ainsi qu'une connaissance des outils de versioning (git). Il est familier avec l'outil Tensor Flow.
Pour information, après ce stage, le candidat pourra postuler aux très nombreuses offres de thèse proposées par les différents centres du CEA.