Pellenc ST
43.6781581,5.5048845
Au sein de l'équipe R&D, en collaboration avec les équipes capteurs et recherche appliquée, vous travaillerez sur l'application des Prototypical Networks, une approche de deep learning adaptée à l'apprentissage avec peu de données annotées, pour améliorer la classification des déchets.
Missions principales :
- Étudier les méthodes de few-shot learning et leurs applications à la classification d'images
- Prise en main des avancées sur le sujet
- Implémenter et adapter des modèles de Prototypical Networks au tri des déchets
- Évaluer les performances des modèles sur des jeux de données réels et optimiser leurs hyperparamètres
- Rédaction d'un rapport technique et présentation des résultats
|
Nous recherchons un étudiant(e) en Master 2 ou en dernière année d'école d'ingénieur, spécialisé(e) en mathématiques appliquées, traitement du signal, traitement de l'information ou apprentissage automatique.
Compétences techniques :
- Maîtrise de Python et de bibliothèques scientifiques telles que PyTorch, NumPy et scikit-learn.
- Connaissances en deep learning et en méthodes de classification
- Connaissances en machine learning et en algèbre linéaire
Vous faites preuve de rigueur, d'autonomie, de curiosité scientifique et d'esprit d'analyse.
Informations pratiques
- Durée : 5 à 6 mois
- Lieu : Pertuis (84), siège de PELLENC ST
- Encadrement : ingénieur R&D
- Gratification : 1200€
|
|
| Durée (Mois): |
5
|