Olivier Teste
5
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
- 3
- 3
- 3
- 1
- 1
- 5
- 5
- 3
- 2
- 2
- 5
- 5
- 1
|
Human-Interpretable Rules for Anomaly Detection in Time-series24th International Conference on Extending Database Technology (EDBT 2021), University of Cyprus, Mar 2021, Nicosia (virtual), Cyprus. pp.457-462, ⟨10.5441/002/edbt.2021.51⟩
Communication dans un congrès
hal-03205628v1
|
Automatic Classification Rules for Anomaly Detection in Time-series14th International Conference on Research Challenges in Information Science (RCIS 2020), Sep 2020, Limassol, Cyprus
Communication dans un congrès
hal-02782013v1
|
|
CoRP: A Pattern-based Anomaly Detection in Time-series21st International Conference on Enterprise Information Systems (ICEIS 2019), May 2019, Héraklion, Crête, Greece. pp.424-442, ⟨10.1007/978-3-030-40783-4_20⟩
Communication dans un congrès
hal-02781477v1
|
|
|
Pattern-based Method for Anomaly Detection in Sensor Networks21st International Conference on Enterprise Information Systems (ICEIS 2019), May 2019, Heraklion, Crète, Greece. pp.104-113
Communication dans un congrès
hal-02493876v1
|
|
Méthode à base de patterns pour la détection d'anomalies37e Congres Informatique des Organisations et Systemes d'Information et de Decision (INFORSID 2019), Jun 2019, Paris, France. pp.239-254
Communication dans un congrès
hal-02891687v1
|