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
- 1
- 1
- 1
- 1
- 1
- 1
- 1
- 1
- 1
- 1
- 1
- 1
- 1
- 1
- 1
- 1
- 1
- 1
- 1
- 1
- 1
- 1
- 1
- 4
- 4
- 3
- 1
- 1
- 4
- 4
- 1
|
Data driven discovery of systems of ordinary differential equations using nonconvex multitask learningMachine Learning, 2023, 112 (5: Special Issue of the ECML PKDD 2022 Journal Track), pp.1523-1549. ⟨10.1007/s10994-023-06315-y⟩
Article dans une revue
hal-04142117v1
|
|
Shape-based Outlier Detection in Multivariate Functional DataKnowledge-Based Systems, 2020, 198, pp.1-18. ⟨10.1016/j.knosys.2020.105960⟩
Article dans une revue
hal-02960358v1
|
|
Outlier detection in multivariate functional data based on a geometric aggregationInternational Conference on Extending Database Technology (EDBT 2020), Mar 2020, Copenhagen, Denmark. pp.383-386, ⟨10.5441/002/edbt.2020.38⟩
Communication dans un congrès
hal-02942772v1
|
A Study on Time Series Dimensionality Reduction for Data MiningResearch Summer School on Statistics for Data Science (S4D 2018), Jun 2018, Caen, France
Communication dans un congrès
hal-02982968v1
|