Nouvelle recherche

Cette offre n'est plus disponible

Alternant en Machine Learning pour l'optimisation

IFP Energies nouvelles - Sciences et Technologies du Numérique

Contrat en alternance - Data / Mathématiques Appliquées

Réf. 2019_R115_05
Localisation
Hauts-de-Seine
Début
dès que possible
Durée
12 mois
Indem.
Oui

IFP Energies nouvelles (IFPEN) est un acteur majeur de la recherche et de la formation dans les domaines de l’énergie, du transport et de l’environnement. De la recherche à l’industrie, l’innovation technologique est au cœur de son action, articulée autour de trois priorités stratégiques : mobilité durable, énergies nouvelles et hydrocarbures responsables.

Dans le cadre de la mission d’intérêt général confiée par les pouvoirs publics, IFPEN concentre ses efforts sur :

  • l’apport de solutions aux défis sociétaux de l’énergie et du climat, en favorisant la transition vers une mobilité durable et l’émergence d’un mix énergétique plus diversifié ;
  • la création de richesse et d’emplois, en soutenant l’activité économique française et européenne et la compétitivité des filières industrielles associées.

Partie intégrante d’IFPEN, l’école d’ingénieurs IFP School prépare les générations futures à relever ces défis.

Alternant en Machine Learning pour l’optimisation

Thème

Développement et l'implémentation de méthodes de quantification d'incertitudes et d'optimisation.

Contexte

La conception d'éolienne et de leurs composants nécessite l'utilisation de simulateurs complexes et l'intégration de données mesurées (conditions environnementales, données de capteurs positionnés sur la structure...).

Dans ce cadre, les méthodes de machine learning et de surfaces de réponses sont classiquement couplées aux stratégies d'optimisation et de quantification d'incertitudes pour obtenir des solutions robustes en des temps de calcul acceptables au problème de conception.

Descriptions des travaux

L'apprenti devra prendre en main des techniques de machine learning et d'optimisation diverses allant de la régression par processus Gaussien [1,2,3] à l'optimisation à variables mixte (discrètes et continues) [4,5].

L’apprentissage passera par la lecture d’un certains nombre d’articles scientifiques et la prise en main d’algorithmes codant ces méthodes via leurs utilisations sur des cas tests.

Il devra par la suite implémenter des stratégies sélectionnées en langage C et R pour leurs intégrations dans notre plateforme interne. Il pourra enfin tester ces algorithmes sur des cas intéressant IFPEN notamment la conception d'Eolienne.

Profil du candidat

Master en mathématiques appliquées ou data scientist.

Mots clés
statistique ; probabilité ; machine learning ; Data scientist ; optimisation

Références
[1] Rasmussen CE. 2006. Gaussian processes for machine learning. MIT Press.

[2] Roustant O, Ginsbourger D, Deville Y. 2012. Dicekriging, diceoptim: Two r packages for the analysis of computer experiments by kriging-based metamodeling and optimization. Journal of Statistical Software. 51(1).
[3] Roustant O, Padonou E, Deville Y, Cl_ement A, Perrin G, Giorla J, Wynn H. 2018. Group kernels for Gaussian process metamodels with categorical inputs.
[4] Jones DR, Schonlau M, Welch W. 1998. Efficient global optimization of expensive black-box functions. Journal of Global Optimization. 13(4):455-492
[5] Pelamatti J, Brevault L, Balesdent M, Talbi EG, Guerin T. 2018. Efficient global optimization of constrained mixed variable problems. Journal of Global Optimization. 25.


Cette offre n'est plus disponible

Contact

IFP Energies nouvelles - Sciences et Technologies du Numérique
Miguel Munoz Zuniga
1&4, avenue de Bois-Preau
92852 Rueil-Malmaison cedex
Logo IFP Energies nouvelles - Sciences et Technologies du Numérique