Detection d'anomalies pour les series temporelles par machine learning

Anomaly detection for time series by machine learning

• Auteur / Autrice : Katarina Firdova
• Direction : Laurent Vuillon, Céline Labart
• Type : Projet de thèse
• Discipline(s) : Mathématiques Appliquées
• Date : Inscription en doctorat le ; Soutenance le 12/12/2023
• Etablissement(s) : Chambéry
• Ecole(s) doctorale(s) : École doctorale Mathématiques, sciences et technologies de l'information, informatique (Grenoble, Isère, France ; 1995-....)
• Partenaire(s) de recherche : Laboratoire : Laboratoire de mathématiques
• Jury : Président / Présidente : Julien Jacques
• Jury : Examinateurs / Examinatrices : Laurent Vuillon, Mathilde Mougeot, Adeline Samson, Aurore Archimbaud
• Jury : Rapporteurs / Rapporteuses : Mathilde Mougeot, Julien Jacques

Mots clés

Mots clés libres

Series temporelles

Machine learning

Anomalies

Anomalies

Machine learning

Time series

Résumé

L’objectif de cette thèse est de mettre au point une ou plusieurs méthodologies mettant en œuvre des approches de machine learning pour répondre aux besoins des industriels de détecter des conditions de fonctionnement anormales à partir d’une ou plusieurs données sous forme de séries temporelles et autant que possible d’aider à expliquer les raisons de ces anomalies.

The objective of this thesis is to develop one or more methodologies implementing machine learning approaches to meet the needs of industry to detect conditions of abnormal operation from data in the form of time series and to help to explain the reasons of these anomalies.