Stage en Deep Learning

Pellenc ST conçoit et fabrique des machines de tri intelligent, destinées à l'industrie du recyclage. Engagés dans un monde en pleine évolution, nos ambitions se tournent aujourd'hui vers les nouvelles technologies telles que l'intelligence artificielle ou encore l'industrie 4.0 et les machines connectées. Fort de plus de 2500 machines à travers le monde, nous œuvrons et contribuons chaque jour, à la valorisation de nos déchets ainsi qu'à un environnement plus sain et durable pour demain. C'est dans ce contexte d'évolution et de passion que nous recherchons de nouveaux talents qui partagent nos ambitions, et qui souhaitent soutenir avec nous l'économie circulaire. 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€