Etude de représentation de données"interval valued data" pour classifieurs à données ponctuelles f/h

About the role

Contexte: Dans de nombreuses situations réelles, l'imprécision, l'incertitude ou la variabilité peuvent être présentes dans certaines données collectées. Dans ce cas les données utilisées ne sont pas des valeurs précises, ponctuelles (la température est de 10.23 degrés) mais des données à valeur d'intervalle (la température est entre 10 et 12 degrés). On parle de « Interval-Valued Data » (IVD). Par rapport aux données « ponctuelles », l’IVD peut exprimer l'incertitude et la variabilité des données. Apprendre un modèle de machine learning (on se limitera dans cette étude à la classification supervisée) qui se base sur ce type de données requiert parfois de transformer la valeur « intervalle » en une autre représentation [1].

Mission : Après l’étude menée dans [1], on cherchera à étendre ces travaux en (re)réalisant leur étude mais aussi en testant d’autres formes de représentation (tel que par exemple un simple « one hot encoding » [2] des intervalles de valeurs). Pour ce faire :

(i) un travail raisonnable de bibliographie sera à réaliser puis

(ii) un benchmark sera à réaliser versus (le travail de biblio définira les éléments de la liste ci-dessous)

(a) plusieurs classifieurs (dédiés aux données ponctuelles 1)

(b) plusieurs représentations

(c) potentiellement à plusieurs types d’IVD (à recouvrement ou sans recouvrement)

(d) et enfin sur plusieurs jeux de données, soit des jeux de données de la littérature de l’IVD, soit des jeux de données classiques sur lesquels on aurait calculé des intervalles de valeurs (ou de groupes de modalités) de manière supervisée au préalable (via un arbre, via Khiops, etc…).

Références bibliographiques :

[1] “An Interval-Valued Data Classification Method Based on the Unified Representation Frame”, 2020, IEEE Open Access, Xiaobo Qi, Husheng Guo, Zadorozhnyi Artem and Wenjian Wang

[2] “A benchmark of categorical encoders for binary classification”, 2023, NeurIPS Datasets and Benchmarks Track, Federico Matteucci, Vadim Arzamasov and Klemens Böhm

[3] “Multiclass Classification With Fuzzy-Feature Observations: Theory and Algorithms” in IEEE Transactions on Cybernetics Guangzhi Ma, Jie Lu, Feng Liu; Zhen Fang and Guangquan Zhang

(1) A priori l’étude ne s’intéressera pas aux modèles dédiés aux données IVD tel que : « Binary classification SVM-based algorithms with interval-valued training data using triangular and Epanechnikov kernels”, « Lev V. Utkin et al, Neural Networks, 2016.; ou encore “A pattern classifier for interval-valued data based on multinomial logistic regression model," 2012 IEEE International Conference on Systems, Man, and Cybernetics (SMC), A. P. de Barros, et al.

about you

Le profil souhaité est BAC + 5, Master Industriel (ou recherche) informatique et/ou statistiques ou école d'ingénieur.

Data scientist avec goût pour l’informatique et les mathématiques appliquées ; si possible ayant suivi des cours, TP, stage sur les séries temporelles

Les connaissances en Python, Scikit-learn … sont indispensables.

additional information

Proche de la mer vous serez au sein d’une équipe composée de chercheurs en Machine Learning, de Data Scientists et d’experts en machine learning dans une direction d’innovation.

department

Basée à Lannion (22), l'équipe PROF déploie son activité dans le domaine des statistiques, machine learning et intelligence artificielle, depuis des travaux fondamentaux jusqu'à l'accompagnement des unités opérationnelles d'Orange sur des cas d'usage précis.

L'équipe se compose d'une vingtaine de permanents et accueille actuellement quatre doctorants.

contract

Internship

Start date : 01 Apr 2025

Niveau d’études préparé pendant le stage Indemnité brute selon école Bac+5 de 1572 € à 2096 € / mois