Areas of Expertise
Science des données, apprentissage automatique, mouvement humain, apprentissage profond, intelligence artificielle, analyse des séries temporelles, l'IA pour la médecine, l'IA pour la télédétection, développement open-source
Description
Je suis maître de conférences en informatique à l'University of Haute-Alsace (UHA) et à l'IRIMAS au sein de l'équipe MSD, spécialisé dans l'analyse des séries temporelles. Mes recherches portent sur l'apprentissage automatique appliqué aux séries temporelles, en particulier sur des tâches telles que la classification, la régression, le prototypage et la génération, avec une spécialisation particulière dans l'apprentissage profond. Les applications de mes travaux couvrent les séquences de mouvements humains, la télédétection et les domaines médicaux (ECG, EEG etc.).
Auteur de la page web «Deep Learning for Time Series Classification» en collaboration avec Maxime Devanne et l'équipe MSD. Je suis développeur principal du package open source Python aeon-toolkit dédié à l'apprentissage automatique des séries temporelles, en charge de la direction et de la maintenance des modules d'apprentissage profond.
Autres noms cités dans les articles de recherche: Ali Ismail-Fawaz
Publications
-
COCALITE: A Hybrid Model COmbining CAtch22 and LITE for Time Series Classification (2024) Conference paperIEEE International Conference on Big Data (BigData)
-
Weighted Average of Human Motion Sequences for Improving Rehabilitation Assessment (2024) Conference paperECML/PKDD Workshop on Advanced Analytics and Learning on Temporal Data (AALTD)
-
Journal of Machine Learning Research
-
A Supervised Variational Auto-encoder for Human Motion Generation Using Convolutional Neural Networks (2024) Conference paperInternational Conference on Pattern Recognition and Artificial Intelligence (ICPRAI)
-
Finding Foundation Models for Time Series Classification with a PreText Task (2024) Conference paperPacific-Asia Conference on Knowledge Discovery and Data Mining (PAKDD) - International Workshop on Temporal Analytics