Contexte et objectifs

• Mots clés : Anomaly detection – Machine learning – Data science – Algorithmes non supervisés – Analyse prédictive.
• Objectif : concevoir et entraîner un modèle de machine learning pour détecter automatiquement des anomalies dans un jeu de données réel (production, qualité, logistique, ventes, etc.).
• But attendu : fournir un prototype robuste, interprétable et déployable pour aider à la prise de décision et à l’amélioration continue.

Missions principales

• Collecter, préparer et explorer les données afin d’identifier les patterns normaux et les anomalies potentielles (feature engineering, traitement des valeurs manquantes, normalisation, visualisation).
• Tester et comparer différents algorithmes de machine learning (notamment méthodes non supervisées) pour la détection d’anomalies et effectuer une sélection basée sur des critères de performance et d’interprétabilité.
• Évaluer la performance des modèles (métriques pertinentes pour anomaly detection, validation croisée, courbes ROC/PR, taux de faux positifs/negatifs) et proposer la solution optimale.

Livrables et résultats attendus

• Prototype de modèle entraîné et code reproductible (notebook/script) permettant d’inférer des anomalies sur de nouvelles données.
• Rapport technique détaillant la méthodologie, les expérimentations, les métriques d’évaluation et les recommandations de déploiement.
• Artefacts additionnels : jeu de données nettoyé, pipeline de prétraitement, documentation d’utilisation et démonstration du prototype.

Compétences requises et recommandations

• Compétences en machine learning et data science : sélection de features, implémentation d’algorithmes non supervisés, évaluation de modèles.
• Maîtrise des outils usuels (Python, pandas, scikit-learn, frameworks de deep learning si nécessaire) et bonnes pratiques de gestion de code et d’expérimentation.
• Autonomie : projet individuel (Individuel). Niveau demandé : Étudiant en Diplôme d'Ingénieur — Sfax — Systèmes d'information / Informatique de Gestion.

Modalités de candidature

• Pour postuler, envoyer votre candidature (CV, lettre de motivation, éventuellement exemples de projets) à l’adresse suivante : stage@rose-blanche.com .
• Précisez en objet : Candidature PFE REF / ST 01 - DÉTECTION D’ANOMALIES DANS LES DONNÉES À L’AIDE DU MACHINE LEARNING.