Data Science Intern

Réseaux de neurones prudents pour la prédiction du Return To Play

Contexte :

Les algorithmes de Machine Learning (ML) sont de plus en plus utilisés dans des domaines sensibles tels que la finance, l'éducation, la santé, etc. Les réseaux de neurones n'échappent pas à cette règle, étant notamment utilisés pour la détection d'objets dans des voitures autonomes [1,2], mais aussi pour assister des médecins [3]. Par conséquent, de plus en plus de travaux en lien avec l'IA de confiance émergent, parmi lesquels des travaux sur la quantification d'incertitude. Il est d'autant plus important de quantifier les incertitudes des réseaux de neurones qu'il a été montré qu'ils souffraient d'un excès de confiance [3,4] (une confiance affichée, vis-à-vis des prédictions, trop importante par rapport à la vérité terrain). En effet, les réseaux de neurones fournissent, en sortie, des scores (softmax) entre 0 et 1 qui ressemblent à des probabilités mais qui n'en sont pas et qui, de ce fait, peuvent être mal calibrés. Pour pallier ce problème, différentes méthodes ont été développées afin d'approximer les incertitudes des réseaux de neurones. Parmi ces méthodes, on peut par exemple citer le deep ensemble, le Monte Carlo dropout ou encore les réseaux de neurones bayésiens [5].

Objectifs du stage :

Dans ce contexte, le premier objectif du projet est donc d'appréhender ces méthodes du mieux possible afin de pouvoir identifier leurs forces et faiblesses respectives, et par la suite réfléchir à une nouvelle approche de réseaux de neurones prudents utilisant ou non des méthodes de quantification de l'incertitude plus avancées (probabilités imprécises, fonctions de masse, logique floue, etc.) [6].

Ce stage a également un cadre applicatif. En effet, le deuxième objectif de ce projet est d'étudier le cas particulier des blessures et du Return To Play (RTP). Le RTP désigne la durée d'indisponibilité d'un sportif et est un élément clé pour permettre aux différents décideurs de s'adapter (rééducation, retour à la compétition, éventuel recrutement, etc.). Cette étude sera menée à l'aide de données de joueurs blessés récupérées sur
Transfermarkt
. Ces données portent deux types d'informations :

• Informations relatives à la blessure : type de blessure, durée d'indisponibilité, nombre de matchs manqués, etc.

• Informations relatives au joueur : poste, pied fort, taille, âge, nationalité.

Cette étude transversale est menée en complément d'une étude longitudinale déjà en cours.

D'un point de vue statistique, ces données sont très intéressantes puisqu'elles pourraient permettre d'établir des tendances vis-à-vis des blessures des footballeurs de haut niveau. Parmi ces tendances, on peut, par exemple, chercher à confirmer l'augmentation des blessures aux ischio-jambiers qui a déjà été montrée comme étant en nette progression [7]. De plus, des liens avec les informations relatives au joueur pourraient également être étudiés (A-t-on plus de chances de se blesser à l'ischio-jambier si on est défenseur que milieu de terrain ? A-t-on plus de chances de se blesser à la jambe droite si on est droitier ? etc.). Enfin, ces données seront utilisées pour prédire la durée d'indisponibilité d'un joueur à l'aide des réseaux de neurones prudents sélectionnés et implémentés préalablement.

Profil recherché :

Nous recherchons un étudiant de M2 ou équivalent ayant de solides connaissances en mathématiques, en ML et en analyse de données. Une appétence pour le monde du sport ainsi qu'une expérience dans ce domaine seront fortement valorisées. Le candidat devra également avoir de solides connaissances en anglais afin de pouvoir lire les différents articles et communiquer ses résultats.

Informations pratiques :

•
Durée
 : 6 mois de stage à partir de début 2026

•
Localisation
 : EuroMov DHM, 700 Av. du Pic Saint-Loup, 34090 Montpellier, France

•
Salaire
: environ 650€/mois (le taux de 4,35€/h est obligatoirement appliqué pour un organisme public)

•
Encadrants
: Théo DUPUY (IMT Mines Alès, EuroMov DHM) et Abdelhak IMOUSSATEN (IMT Mines Alès, SyCoIA)

Candidature :

Les candidatures devront être envoyées à et abdelhak.- Elles devront inclure :

·       Un CV

·       Une lettre mettant en avant les motivations et les idées du candidat pour le projet

·       Les notes des deux dernières années

·       Des lettres de recommandation d'anciens professeurs ou encadrants (optionnel)

Bibliographie :

[1] Badue, C., Guidolini, R., Carneiro, R.V., Azevedo, P., Cardoso, V.B., Forechi, A., Jesus, L., Berriel, R., Paixão, T.M., Mutz, F., de Paula Veronese, L., Oliveira-Santos, T., De Souza, A.F.:
Self-driving cars: A survey.
Expert Systems with Applications 165,

[2] Grigorescu, S., Trasnea, B., Cocias, T., Macesanu, G.:
A survey of deep learning techniques for autonomous driving.
Journal of Field Robotics

[3] Lundervold, A.S., Lundervold, A.:
An overview of deep learning in medical imaging focusing on mri.
Zeitschrift für Medizinische Physik

[4] Nguyen, A., Yosinski, J., Clune, J.:
Deep neural networks are easily fooled: High confidence predictions for unrecognizable images.
In: Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. IEEE

[5] Wang, C.:
Calibration in Deep Learning: A Survey of the State-of-the-Art
(May 2024).

[6] Wang, K., Cuzzolin, F., Manchingal, S.K., Shariatmadar, K., Moens, D., Hallez, H.:
Credal Deep Ensembles for Uncertainty Quantification.
In: Advances in Neural Information Processing Systems. Curran Associates, Inc

[7] Ekstrand, J., Bengtsson, H., Waldén, M., Davison, M., Khan, K.M., Hägglund, M.:
Hamstring injury rates have increased during recent seasons and now constitute 24% of all injuries in men's professional football: the UEFA Elite Club Injury Study from 2001/02 to 2021/22.
British Journal of Sports Medicine 57(5), 292–