Proposition)de)stage)de)Master)2)
)
Une)approche)fouille)de)données)pour)la)détection)préventive)des)
risques)lors)du)transport)d’œuvres)d’art))
)
Lieu du stage : Université de Versailles et Saint-Quentin-en-Yvelines
Equipe et Laboratoire: ADAM / Laboratoire DAVID
Partenaire : Laboratoire C2RMF (Centre de Recherche et de Restauration des Musées
de France)
Financement : Bourse de la Fondation des Sciences du Patrimoine (LabEx PATRIMA)
Contacts : Karine Zeitouni, Yehia Taher ([email protected])
Contexte général :
Les œuvres d'art des musées sont parfois amenés à être transportées pour des expositions, des
galeries ou des restaurations. Le transport et la manipulation de ces objets, souvent
irremplaçables et d'une valeur inestimable, implique un processus extrêmement sensible et
nécessite une attention toute particulière.
Avec l’émergence et la miniaturisation des technologies des capteurs, des musées tels que le
Louvre, équipent les œuvres d’art transportées de capteurs de température, de choc ou de
vibration afin de tracer leurs conditions de transport, ce qui permet de connaître et d’améliorer la
préservation de ce patrimoine culturel [1, 2].
Les données de ces capteurs forment des série temporelles de mesures ou de positions provenant
généralement d’un GPS. Toutefois, l’exploitation des données ainsi recueillies est très limitée
aujourd’hui, hormis par des visualisations ponctuelles sur certains objets. La raison à cela est la
masse de données de ce type relevées en continue et à une grande vitesse, leur hétérogénéité, et
l’imperfection des mesures de capteurs [1], ce qui dépasse les capacités humaines d’analyse.
Les outils de fouille de données (data mining) s’étendent aujourd’hui à des données complexes
dont les séries temporelles les applications sont nombreuses (finance, sécurité informatique,
Internet des objet, smart city). Partant des données, ils permettent d’appendre des modèles et de
les appliquer pour segmenter, classer ou trouver des corrélations cachées au sein des données.
Objectif :
L’objectif principal de ce stage est de mettre en place une plateforme d’analyse et de fouille de
données de capteurs visant à élaborer un modèle de prédiction précoce des situations à risque
lors du processus du transport. Le but est d’alerter ou d’agir pendant le suivi tant réel afin
d’éviter l’occurrence de la situation. L’analyse peut porter sur des données brutes, i.e., des séries
de mesures (mono- ou multi- variées) ou sur des modèles de données enrichies, i.e., des
descripteurs statistiques permettant d’entrainer des modèles d’apprentissage. Des récentes
techniques de classifications précoces peuvent être exploitées et adaptées à notre problématique
[3, 4] et un premier prototype est en cours. Le stagiaire contribuera à l’extension de ce prototype.
Profil du candidat :
Niveau Master 2 Informatique orienté gestion et fouille de données
Capacités d’adaptation et esprit créatif
Connaissances des algorithmes et outils d’apprentissage et fouille de données
Connaissances en développement de projets informatiques
Appropriation d’outils et intégration au travail de l’équipe
Références :
[1] Raef MOUSHEIMISH, Yehia TAHER, and Karine Zeitouni. PACT-ART: Adaptive and
Context-Aware Processes for the Transportation of Artworks. Digital Heritage
international conference, DH’2015, Granada, Spain.
[2] Raef Mousheimish, Yehia Taher, Béatrice Finance: Towards smart logistics processes: a
predictive monitoring and proactive adaptation approach. ICSSP 2015: 169-170.
[3] Zhengzheng Xing, Jian Pei, Philip S. Yu: Early Prediction on Time Series: A Nearest
Neighbor Approach. IJCAI 2009: 1297-1302
[4] Yu-Feng Lin, Hsuan-Hsu Chen, Vincent S. Tseng, Jian Pei: Reliable Early Classification
on Multivariate Time Series with Numerical and Categorical Attributes. PAKDD (1)
2015: 199-211
1 / 2 100%
La catégorie de ce document est-elle correcte?
Merci pour votre participation!

Faire une suggestion

Avez-vous trouvé des erreurs dans linterface ou les textes ? Ou savez-vous comment améliorer linterface utilisateur de StudyLib ? Nhésitez pas à envoyer vos suggestions. Cest très important pour nous !