Olivier Teste
4
Documents
Présentation
Mes recherches se situent dans le domaine des systèmes d'informations, et concernent principalement les systèmes de gestion non conventionnelle des données (**Data Management Systems**), et l'apprentissage machine (**Machine Learning**) dans les données massives.
L'objet de mes recherches est la donnée numérisée (**Data**) issues de différents systèmes de production et d'acquisition, et les traitements associés visant à intégrer, modéliser et analyser ces données numérisées. Les problématiques étudiées couvrent une large part de la chaîne de traitement des données, allant des processus d'intégration (**Data Matching**) et de modélisation des données (**Data Modeling**) jusqu'à l'analyse des données. Mes recherches portent en particulier sur les masses de données volumineuses, de structuration disparate (structurées à non-structurées), possiblement largement distribuées, pouvant être constituées de contenus atomiques, textuels ou de formes élaborées (espaces multidimensionnels, graphes, séries-temporelles, pixels). Les collections de données sur les quelles mes travaux sont appliqués sont : des données industrielles (aéronautique, assurance, énergie, biologie, santé), des benchmarks scientifiques (OAEI, SSB, TPC-H...), des données issues du Web (sites, réseaux sociaux, plateformes collaboratives) et les données ouvertes pouvant être liées sémantiquement (Open Data, Ontologies, Linked Data).
Ces masses de données sont exploitables pour aider aux processus de décision dans des domaines d'application variés tels que la maintenance prédictive, la détection d'anomalies, l'aide au diagnostics... Mes recherches s'inscrivent dans le cadre de la science des données, et traitent des algorithmes d'apprentissage machine (**Machine Learning**) et des réseaux de neurones artificiels (**Deep Learning**). Ces algorithmes permettent de détecter et de prédire des phénomènes complexes cachés au sein des masses de données, afin de construire des systèmes d'intelligence artificielle.
Publications
- 2
- 2
- 2
- 1
- 1
- 1
- 1
- 1
- 1
- 1
- 1
- 1
- 1
- 1
- 1
- 1
- 1
- 1
- 1
- 1
- 1
- 4
- 4
- 3
- 1
- 1
- 4
- 2
|
FAPFID: A Fairness-Aware Approach for Protected Features and Imbalanced DataTransactions on Large-Scale Data- and Knowledge-Centered Systems, 2023, Lecture Notes in Computer Science book series (LNCS), 13840 (TLDKS), pp.107-125. ⟨10.1007/978-3-662-66863-4_5⟩
Article dans une revue
hal-03995398v1
|
Feature Selection Under Fairness and Performance Constraints24th International Conference on Big Data Analytics and Knowledge Discovery (DaWaK 2022), Aug 2022, Vienne, Austria. pp.125-130, ⟨10.1007/978-3-031-12670-3_11⟩
Communication dans un congrès
hal-03993007v1
|
|
|
Absolute Redundancy Analysis Based on Features Selection4th International Conference on Data Science and Information Technology (DSIT 2021), The International Society for Applied Computing (ISAC), Jul 2021, Shangai (virtual), China. pp.1-4, ⟨10.1145/3478905.3479002⟩
Communication dans un congrès
hal-03333976v1
|
|
Classification multi-labels de données de santé médico-économiques5e Seminaire Veille Strategique Scientifique et Technologique (VSST 2018), Jun 2018, Toulouse, France
Communication dans un congrès
hal-02289949v1
|