Des technologies et des hommes pour l'économie circulaire
Stage en Deep Learning - Machine Learning H/F
Pellenc ST recherche un stagiaire en Deep Learning et Machine Learning au sein de son équipe R&D à Pertuis. Le stage porte sur l’application des Prototypical Networks à la classification des déchets, avec Python, PyTorch, NumPy et scikit-learn. Le candidat prépare un Master 2 ou une dernière année d’école d’ingénieur en mathématiques appliquées, traitement du signal, traitement de l’information ou apprentissage automatique.
Repères sur Pellenc ST
- Offres ouvertes
- 2
Détails de l’offre
La description complète publiée par Pellenc ST.
Description de l’offre
Pellenc ST conçoit et fabrique des machines de tri intelligent, destinées à l'industrie du recyclage. Engagés dans un monde en pleine évolution, nos ambitions se tournent aujourd'hui vers les nouvelles technologies telles que l'intelligence artificielle ou encore l'industrie 4.0 et les machines connectées.
Fort de plus de 2500 machines à travers le monde, nous oeuvrons et contribuons chaque jour, à la valorisation de nos déchets ainsi qu'à un environnement plus sain et durable pour demain. C'est dans ce contexte d'évolution et de passion que nous recherchons de nouveaux talents qui partagent nos ambitions, et qui souhaitent soutenir avec nous l'économie circulaire.
Entreprise en pleine expansion, nous recherchons un(e) : Stagiaire en Deep Learning / Machine Learning
Au sein de l'équipe R&D, en collaboration avec les équipes capteurs et recherche appliquée, vous travaillerez sur l'application des Prototypical Networks, une approche de deep learning adaptée à l'apprentissage avec peu de données annotées, pour améliorer la classification des déchets.
Missions principales
- Étudier les méthodes de few-shot learning et leurs applications à la classification d'images
- Prise en main des avancées sur le sujet
- Implémenter et adapter des modèles de Prototypical Networks au tri des déchets
- Évaluer les performances des modèles sur des jeux de données réels et optimiser leurs hyperparamètres
- Rédaction d'un rapport technique et présentation des résultats
Nous recherchons un étudiant(e) en Master 2 ou en dernière année d'école d'ingénieur, spécialisé(e) en mathématiques appliquées, traitement du signal, traitement de l'information ou apprentissage automatique.
Compétences techniques
- Maîtrise de Python et de bibliothèques scientifiques telles que PyTorch, NumPy et scikit-learn.
- Connaissances en deep learning et en méthodes de classification
- Connaissances en machine learning et en algèbre linéaire
- Vous faites preuve de rigueur, d'autonomie, de curiosité scientifique et d'esprit d'analyse.
Informations pratiques
- Durée : 5 à 6 mois
- Lieu : Pertuis (84), siège de PELLENC ST
- Encadrement : ingénieur R&D
- Gratification : 1200€
Prérequis
- mathématiques appliquées
- traitement du signal
- traitement de l'information
- apprentissage automatique
- rigueur
- autonomie
- curiosité scientifique
- esprit d'analyse
Candidater à cette offre
Comment candidater ?
L’offre est publiée sur le site de Pellenc ST. Ouvrez l’offre originale ↗ pour y déposer votre candidature. Screeningpass ne remplit pas de formulaire à votre place.
À qui écrire chez Pellenc ST pour ce poste ?
Lancez une recherche de contact depuis cette page. Screeningpass vous propose jusqu’à trois personnes liées au poste. Vous choisissez celle à qui écrire, puis Screeningpass cherche son e-mail professionnel et prépare un message. Vous le relisez et l’envoyez vous-même avec Gmail. Une adresse e-mail n’est pas toujours disponible, et une réponse n’est jamais garantie.
Combien coûte la recherche d’un contact ?
Une recherche coûte 1 crédit. Le crédit vous est rendu si la recherche échoue. L’inscription offre 3 crédits, soit 3 recherches.
À quoi sert Screeningpass ?
Screeningpass rassemble des offres de stage, d’alternance et d’emploi publiées par les entreprises. Pour une offre, Screeningpass trouve une personne à contacter dans l’entreprise, cherche son e-mail professionnel et prépare un message à partir de votre CV. Voir le fonctionnement en détail.