EphèseLe catalogue de la bibliothèque de l'ECAM
Détail de l'auteur
Auteur Ken Hasselmann |
Documents disponibles écrits par cet auteur (4)
Visionner les documents numériques
Affiner la recherche"Détection d’anomalie sur des PCB en production sur base de computer vision et d’algorithmes de deep learning" / Bastien Van Den Neste
Titre : "Détection d’anomalie sur des PCB en production sur base de computer vision et d’algorithmes de deep learning" Type de document : Travail de fin d'études Auteurs : Bastien Van Den Neste, Auteur ; Arnaud Bougaham, ; Ken Hasselmann, Editeur : ECAM Année de publication : 2022 Note générale : AISIN Langues : Français (fre) Index. décimale : TFE - Informatique (ECAM) Résumé : Lorsqu’un produit quitte une chaîne de production, celui-ci se doit d’être en bon état et fonctionnel, tout particulièrement lorsque la vie de potentiels utilisateurs en dépend. Virtuellement, tout ce qu’on utilise, vital ou pas (infrastructures, moyen de déplacement, de communication,) est composé de pièces qui ont été produites en masse et à la chaîne, ce type de production n’est pas imperméable aux erreurs. Malgré la précision grandissante des chaînes de production au fil des années grâce à l’évolution de la technologie, la vérification de l’état des pièces durant la production est absolument indispensable pour pouvoir garantir la conformité du produit fini. Ces vérifications sont souvent nombreuses et coûteuses en termes de temps de travail et donc en argent. De nombreuses techniques ont été créés et testées pour réduire au maximum ce temps de vérification, cependant il est possible que l’IA et le Deep Learning en particulier nous proposent le plus grand bond jamais observé dans la discipline, Le ML nous permettrait en théorie de créer des outils de vérification pratiquement instantanés, en plus d’avoir potentiellement une précision plus haute que les algorithmes de vérification classique ou même que des opérateurs humains. "Détection d’anomalie sur des PCB en production sur base de computer vision et d’algorithmes de deep learning" [Travail de fin d'études] / Bastien Van Den Neste, Auteur ; Arnaud Bougaham, ; Ken Hasselmann, . - ECAM, 2022.
AISIN
Langues : Français (fre)
Index. décimale : TFE - Informatique (ECAM) Résumé : Lorsqu’un produit quitte une chaîne de production, celui-ci se doit d’être en bon état et fonctionnel, tout particulièrement lorsque la vie de potentiels utilisateurs en dépend. Virtuellement, tout ce qu’on utilise, vital ou pas (infrastructures, moyen de déplacement, de communication,) est composé de pièces qui ont été produites en masse et à la chaîne, ce type de production n’est pas imperméable aux erreurs. Malgré la précision grandissante des chaînes de production au fil des années grâce à l’évolution de la technologie, la vérification de l’état des pièces durant la production est absolument indispensable pour pouvoir garantir la conformité du produit fini. Ces vérifications sont souvent nombreuses et coûteuses en termes de temps de travail et donc en argent. De nombreuses techniques ont été créés et testées pour réduire au maximum ce temps de vérification, cependant il est possible que l’IA et le Deep Learning en particulier nous proposent le plus grand bond jamais observé dans la discipline, Le ML nous permettrait en théorie de créer des outils de vérification pratiquement instantanés, en plus d’avoir potentiellement une précision plus haute que les algorithmes de vérification classique ou même que des opérateurs humains. Exemplaires
Code-barres Cote Support Localisation Section Disponibilité aucun exemplaire Documents numériques
Ce document n'est visible qu'après identification
TFe_16327_iP_BVa_compressed.pdfAdobe Acrobat PDF
Titre : Development of algorithms and AI models to design real-time EEG-based biometric data acquisition and analysis processes in brain-computer interface (BCI) systems for artscience applications Type de document : Travail de fin d'études Auteurs : Bartlomiej Drewnowski, Auteur ; Raoul SOMMEILLIER, ; Ken Hasselmann, Editeur : ECAM Année de publication : 2023 Langues : Français (fre) Index. décimale : TFE - Informatique (ECAM) Résumé : L'interface cerveau-ordinateur (BCI) est une technique émergente qui permet de communiquer directement avec le cerveau humain en utilisant des signaux électriques enregistrés à partir de l'électroencéphalogramme (EEG). Dans ce contexte, les données biométriques en temps réel basées sur l'EEG sont une source d'information importante pour le développement d'algorithmes et de modèles d'IA. Ce travail de fin d'études se concentre sur la conception de processus d'acquisition et d'analyse de données biométriques en temps réel basées sur l'EEG. L'objectif est d'utiliser l'IA pour améliorer les performances de la classification des activités mentales. Dans le cadre de ce travail, des algorithmes de prétraitement, de caractérisation et de classification des signaux EEG seront développés et évalués. Les données biométriques seront collectées auprès de personnes physiques qui seront soumis à différentes taches. Les résultats obtenus seront utilisés dans des visualisations ou autres expériences qui auront effet sur l’activité mentale du cerveau. Enfin, les implications des résultats seront discutées dans les contextes des applications dans le domaine des sciences et de l'art. Development of algorithms and AI models to design real-time EEG-based biometric data acquisition and analysis processes in brain-computer interface (BCI) systems for artscience applications [Travail de fin d'études] / Bartlomiej Drewnowski, Auteur ; Raoul SOMMEILLIER, ; Ken Hasselmann, . - ECAM, 2023.
Langues : Français (fre)
Index. décimale : TFE - Informatique (ECAM) Résumé : L'interface cerveau-ordinateur (BCI) est une technique émergente qui permet de communiquer directement avec le cerveau humain en utilisant des signaux électriques enregistrés à partir de l'électroencéphalogramme (EEG). Dans ce contexte, les données biométriques en temps réel basées sur l'EEG sont une source d'information importante pour le développement d'algorithmes et de modèles d'IA. Ce travail de fin d'études se concentre sur la conception de processus d'acquisition et d'analyse de données biométriques en temps réel basées sur l'EEG. L'objectif est d'utiliser l'IA pour améliorer les performances de la classification des activités mentales. Dans le cadre de ce travail, des algorithmes de prétraitement, de caractérisation et de classification des signaux EEG seront développés et évalués. Les données biométriques seront collectées auprès de personnes physiques qui seront soumis à différentes taches. Les résultats obtenus seront utilisés dans des visualisations ou autres expériences qui auront effet sur l’activité mentale du cerveau. Enfin, les implications des résultats seront discutées dans les contextes des applications dans le domaine des sciences et de l'art. Exemplaires
Code-barres Cote Support Localisation Section Disponibilité aucun exemplaire Documents numériques
Ce document n'est visible qu'après identification
TFE_Drewnowski_Bartlomiej_20323.pdfAdobe Acrobat PDF
Titre : Integrated Sensors and Web Control for the AIDEDeX Multi-Robot System Type de document : Travail de fin d'études Auteurs : Florian LEBECQUE, Auteur ; Ken Hasselmann, ; Quentin Lurkin, Editeur : ECAM Année de publication : 2024 Langues : Anglais (eng) Mots-clés : Systèmes embarqués Index. décimale : TFE - Informatique (ECAM) Résumé : Robotic systems offer a promising solution for safe and efficient landmine and explosive device clearance. The AIDEDeX project, tackling this challenge within a European initiative, proposes a novel approach: a heterogeneous multi-robot system with advanced sensor fusion. This system integrates diverse sensors like electromagnetic induction, ground penetrating radar, X-ray backscatter imaging, Raman spectroscopy, and multimodal cameras, enabling comprehensive detection and classification of improvised explosive devices, explosive ordnance, and landmines. Utilizing unmanned ground and aerial vehicles (UGVs and UAVs), AIDEDeX presents a groundbreaking method to expedite safe explosive hazard clearance. This master thesis builds upon the AIDEDeX project by incorporating the various sensors, the navigation system, and a web application for robot control and diagnostics. These additions establish a robust framework for the project's future development. Integrated Sensors and Web Control for the AIDEDeX Multi-Robot System [Travail de fin d'études] / Florian LEBECQUE, Auteur ; Ken Hasselmann, ; Quentin Lurkin, . - ECAM, 2024.
Langues : Anglais (eng)
Mots-clés : Systèmes embarqués Index. décimale : TFE - Informatique (ECAM) Résumé : Robotic systems offer a promising solution for safe and efficient landmine and explosive device clearance. The AIDEDeX project, tackling this challenge within a European initiative, proposes a novel approach: a heterogeneous multi-robot system with advanced sensor fusion. This system integrates diverse sensors like electromagnetic induction, ground penetrating radar, X-ray backscatter imaging, Raman spectroscopy, and multimodal cameras, enabling comprehensive detection and classification of improvised explosive devices, explosive ordnance, and landmines. Utilizing unmanned ground and aerial vehicles (UGVs and UAVs), AIDEDeX presents a groundbreaking method to expedite safe explosive hazard clearance. This master thesis builds upon the AIDEDeX project by incorporating the various sensors, the navigation system, and a web application for robot control and diagnostics. These additions establish a robust framework for the project's future development. Exemplaires
Code-barres Cote Support Localisation Section Disponibilité aucun exemplaire Documents numériques
Ce document n'est visible qu'après identification
LEBECQUE_Florian_-_5MIN.pdfAdobe Acrobat PDF
Titre : Intégration du machine learning dans SmartCV pour améliorer l'assignation de missions aux consultants Type de document : Travail de fin d'études Auteurs : Sohaib El Amiri Charif, Auteur ; Emad AL SOUS, ; Ken Hasselmann, Editeur : ECAM Année de publication : 2023 Note générale : ECAM Langues : Français (fre) Index. décimale : TFE - Informatique (ECAM) Résumé : Ce travail de fin d'études se penche sur l'optimisation du processus d'assignation de missions aux consultants chez Business and Decision en intégrant des techniques de machine learning à la plateforme SmartCV. Le projet vise à améliorer la correspondance entre les offres de mission et les profils des consultants, ainsi qu'à proposer des améliorations de CV et des formations pertinentes.
Le TFE aborde trois aspects essentiels: la proposition de profils adaptés grâce à un système de recommandation intelligent, l'amélioration des CV en fonction du titre de la fonction et l'identification des compétences clés du marché pour proposer des formations ciblées. Des méthodes d'extraction d'information avancées, telles que la reconnaissance d'entités nommées (NER) et les expressions régulières (REGEX), ainsi que des techniques d'incorporation de mots et des mesures de similarité, sont employées pour affiner la correspondance entre les exigences des clients et les compétences des consultants.
Dans ce travail, l'analyse des données du marché permet de détecter des tendances et des compétences clés pour ajuster les formations et les engagements des consultants selon les besoins actuels. Les différentes étapes du projet sont décrites de manière structurée et transparente, fournissant une vue d'ensemble des méthodes employées pour intégrer ces innovations dans le secteur du conseil.
En conclusion, ce travail de fin d'études explore les possibilités offertes par le machine Iearning pour améliorer l'assignation de missions aux consultants, en optimisant les profils et en ciblant les compétences les plus pertinentes pour le marché. Cette étude souligne comment ces avancées pourraient favoriser une adéquation plus précise entre les attentes des clients et les compétences des consultants dans le domaine du conseil.Intégration du machine learning dans SmartCV pour améliorer l'assignation de missions aux consultants [Travail de fin d'études] / Sohaib El Amiri Charif, Auteur ; Emad AL SOUS, ; Ken Hasselmann, . - ECAM, 2023.
ECAM
Langues : Français (fre)
Index. décimale : TFE - Informatique (ECAM) Résumé : Ce travail de fin d'études se penche sur l'optimisation du processus d'assignation de missions aux consultants chez Business and Decision en intégrant des techniques de machine learning à la plateforme SmartCV. Le projet vise à améliorer la correspondance entre les offres de mission et les profils des consultants, ainsi qu'à proposer des améliorations de CV et des formations pertinentes.
Le TFE aborde trois aspects essentiels: la proposition de profils adaptés grâce à un système de recommandation intelligent, l'amélioration des CV en fonction du titre de la fonction et l'identification des compétences clés du marché pour proposer des formations ciblées. Des méthodes d'extraction d'information avancées, telles que la reconnaissance d'entités nommées (NER) et les expressions régulières (REGEX), ainsi que des techniques d'incorporation de mots et des mesures de similarité, sont employées pour affiner la correspondance entre les exigences des clients et les compétences des consultants.
Dans ce travail, l'analyse des données du marché permet de détecter des tendances et des compétences clés pour ajuster les formations et les engagements des consultants selon les besoins actuels. Les différentes étapes du projet sont décrites de manière structurée et transparente, fournissant une vue d'ensemble des méthodes employées pour intégrer ces innovations dans le secteur du conseil.
En conclusion, ce travail de fin d'études explore les possibilités offertes par le machine Iearning pour améliorer l'assignation de missions aux consultants, en optimisant les profils et en ciblant les compétences les plus pertinentes pour le marché. Cette étude souligne comment ces avancées pourraient favoriser une adéquation plus précise entre les attentes des clients et les compétences des consultants dans le domaine du conseil.Exemplaires
Code-barres Cote Support Localisation Section Disponibilité aucun exemplaire Documents numériques
Ce document n'est visible qu'après identification
Redaction-TFE-Sohaib-VF_compressed.pdfAdobe Acrobat PDF
