Detection d'anomalies pour les series temporelles par machine learning
FR |
EN
Auteur / Autrice : | Katarina Firdova |
Direction : | Laurent Vuillon, Céline Labart |
Type : | Projet de thèse |
Discipline(s) : | Mathématiques Appliquées |
Date : | Soutenance en 2023 |
Etablissement(s) : | Chambéry |
Ecole(s) doctorale(s) : | École doctorale Mathématiques, sciences et technologies de l'information, informatique (Grenoble ; 1995-....) |
Partenaire(s) de recherche : | Laboratoire : Laboratoire de mathématiques |
Jury : | Président / Présidente : Julien Jacques |
Examinateurs / Examinatrices : Laurent Vuillon, Mathilde Mougeot, Adeline Samson, Aurore Archimbaud | |
Rapporteurs / Rapporteuses : Mathilde Mougeot, Julien Jacques |
Mots clés
FR |
EN
Mots clés libres
Résumé
FR |
EN
Lobjectif de cette thèse est de mettre au point une ou plusieurs méthodologies mettant en uvre des approches de machine learning pour répondre aux besoins des industriels de détecter des conditions de fonctionnement anormales à partir dune ou plusieurs données sous forme de séries temporelles et autant que possible daider à expliquer les raisons de ces anomalies.