Site ICube équipe SDC

Cette thèse s’inscrit dans le champ de l’apprentissage non supervisé ou faiblement supervisé appliqué aux données temporelles. Le clustering, qui consiste à partitionner l’ensemble des objets analysés en groupes ou clusters, est une des approches les plus employées et repose sur une mesure de similarité entre les objets. Le clustering de séquences soulève des problèmes particuliers, liés à la mesure de similarité entre deux individus. Par exemple, la mesure de similarité doit pouvoir prendre en compte des décalages ou légères distorsions dans le temps des mesures sur les individus.

L’objectif de la thèse est de développer de nouvelles approches pour mesurer la similarité entre deux séries temporelles multivariées en prenant en compte des valeurs manquantes distribuées de manière hétérogène dans le temps et entre les variables. Il s’agira de définir des solutions pour intégrer l’information temporelle (espacement entre deux pas de temps, fréquences temporelles des mesures, …) dans le calcul de la similarité. Il s’agira aussi d’intégrer la connaissance experte via des contraintes, portant à la fois sur des liens temporels et spatiaux entre différents individus, afin d’améliorer la correspondance entre le clustering obtenu et les attentes de l’expert. Ces approches seront expérimentées sur les données nationales de suivi des cours d’eau, qui soulèvent différentes difficultés, du fait de leur nombre, de leur diversité, et de leur hétérogénéité à la fois spatiale et temporelle.

Pour candidater, merci d’envoyer un mail à : florence.le-ber@unistra.fr et  lafabregue@unistra.fr

Le mail doit contenir : — Un CV — Une liste de 2 ou 3 références à contacter (poste, adresse mail)  — Les relevés de notes de Master  — Un lien vers la thèse de Master, le cas échéant  — Un lien vers des dépôts de projets personnels (par exemple GitHub)

L’obtention de la thèse est soumise à un concours qui aura lieu les 11 et 12 juin 2024 et nécessite un dossier de bonne qualité académique. Le dossier complet doit être soumis avant le 23 mai.

Pour postuler à cette offre d’emploi veuillez visiter ed.math-spi.unistra.fr.