Nous recherchons un(e) tudiant(e) pour un stage de fin d''tude ingnieur portant sur la recherche d''une mthode d''interpolation sous contraintes de courbes 3D (NURBS). Ce projet intgre une dimension de retro engineering, visant analyser et comprendre les rsultats d''interpolation renvoys par une fonction bote noire fournie par un modeleur CAO industrielle servant de rfrence. En s''appuyant sur cette analyse, l''objectif est de proposer et de dvelopper des nouvelles mthodes d''interpolation donnant des rsultats similaires en explorant les deux approches complmentaires suivantes :
1. Recherche d''une fonction paramtrique base sur l''expression mathmatique d''une NURBS et sur la prise en compte de diffrentes contraintes gomtriques,
2. Dveloppement et exploration de mthodes de Machine Learning et Deep Learning pour approximer une mthode d''interpolation partir d''un jeu de donnes gnr par la fonction bote noire .
Le/la candidat(e) aura pour principales missions de :
1. Recherche d''une fonction paramtrique :
o tudier les fondements thoriques des NURBS et leur utilisation pour les interpolations de courbes 3D.
o Analyser les rsultats de la mthode d''interpolation implmente dans la fonction bote noire (retro engineering) pour en extraire les lments cls.
o Proposer et dvelopper une mthode d''interpolation NURBS la plus approchante possible.
o Valider et tester la mthodologie avec des cas d''usage reprsentatifs.
2. Dveloppement de techniques de Machine Learning / Deep Learning :
o Concevoir et implmenter des techniques adaptes de Machine Learning et Deep Learning (modles de rgression, rseaux de neurones, etc.) pour approximer l''interpolation NURBS de courbes 3D partir d''un jeu de donne gnr par la fonction bote noire .
o Optimiser et valuer les modles dvelopps.
o Comparer les performances des diffrentes approches testes pour identifier la solution la plus robuste et prcise.
o Valider et tester la mthodologie avec des cas d''usage reprsentatifs.
Complment du descriptif
Stage de 6 mois
Profil candidat
tudiant(e) en dernire anne d''cole d''ingnieurs ou en master, spcialis(e) en data science et mathmatiques appliques
Solides connaissances en gomtrie algorithmique et modlisation paramtrique,
Connaissances techniques en Machine Learning et Deep Learning (modles superviss, rgression, slection de modles, conception et entranement de rseaux de neurones ),
Outils et bibliothques : Python, NumPy, Pandas, Matplotlib, Seaborn, Scikit-Learn, TensorFlow, PyTorch, Keras),
Curiosit scientifique et apptence pour l''innovation applique,
Autonomie, rigueur, et capacit d''analyse,
Bonne communication et esprit d''quipe.