En prenant en données d’entrée les compositions des verres, l’objectif du stage est d’implémenter différents algorithmes de machine learning, en particulier des réseaux de neurones, pour prédire la viscosité pour une nouvelle composition de verre sur l’ensemble du domaine admissible. Les données d’entraînement et de tests seront construites à partir de la base de données existante. Le stagiaire s’intéressera aussi à l’estimation d’incertitudes sur les prédictions, ce qui présentera un intérêt pour identifier les zones du domaine admissible pauvres en données et qui gagneraient à être enrichies. Par ailleurs, on regardera aussi l’utilisation de ces incertitudes estimées pour identifier des données potentiellement hors distribution, dues par exemple à des protocoles d’élaboration de verre différents.

Pour évaluer les performances et la pertinence des approches développées, les résultats seront comparés à ceux obtenus avec des outils statistiques déjà existants.

Vous avez :

·         Une bonne connaissance des algorithmes et des techniques de Machine Learning

·         Une bonne maitrise d'un ou plusieurs des langages suivants : Python, …

·         Une bonne connaissance des bibliothèques de Machine Learning : TensorFlow/Keras ou PyTorch, Scikit-Learn…

·         Une excellente capacité à communiquer

·         Un bon sens relationnel et une capacité à travailler de manière collaborative avec différents experts métier