Stagiaires de masters (rapports)


 

Retrouvez ici les sujets et rapports de stage des promotions Master 2

Domaines 2018 : Informatique, Mathématiques appliquées, Statistiques, Géomatique, Management, Sciences de Gestion, Sciences sociales, Economie

 

Construire des outils prédictifs des maladies sur blé et vigne en mobilisant les méthodes de fouille de données sur les bases nationales d’épidémiosurveillance
Numerical rule mining for prediction of wheat and vine diseases

Détection d’état à partir de données massives et temporelles de déplacements de bovins

Modélisation fine de l’effet des buvées sur la température du rumen chez les vaches laitières

Application des NTICs d’analyse d’images pour la structuration d’une filière horticole au Sénégal

  • Stagiaire : Mounir Smail
  • Contact : emile.faye [AT] cirad.fr, Cirad (UR Hortsys)
Identification des usages du numérique, de ses impacts et conséquences dans les organisations agricoles

  • Stagiaire : Mauro Florez
  • Contact : isabelle.piot-lepetit [AT] inra.fr, INRA, Montpellier Supagro (UMR MOISA)
Description du contexte institutionnel du système sectoriel d’innovation de l’agriculture numérique

  • Stagiaire : Boris Biao
  • Contact : leila.temri [AT] supagro.fr, Montpellier SupAgro (UMR MOISA)
Analyse des mesures en continu de la température interne chez le porc : recherche de prédicteurs des réponses des animaux face à un stress thermique

  • Stagiaire :
  • Contact : david.renaudeau [AT] inra.fr, INRA (UMR Pegase)
L’usage des nouvelles technologies de l’information et communication en Afrique de l’Ouest pour le conseil agricole : bilan des expériences en cours

  • Stagiaire : Malick Coulibaly
  • Contact : guy.faure  [AT] cirad.fr, Cirad (UMR Innovation)
L’univers des possibles dans la distribution de produits agricoles et agro-alimentaires frais avec les TIC

Fouille de trajectoires dans des données de phénotypage

  • Stagiaire : Morgan Soulié
  • Contact : Pascal.Poncelet [AT] lirmm.fr, Université de Montpellier (LIRMM), INRA (UMR LEPSE)
Appariement de bandes spectrales par reconstruction 3D pour capteurs d’image dédiés aux applications agricoles

Caractérisation automatique de type de culture par télédétection à travers des méthodes de Deep Learning

  • Stagiaire : Paola Benedetti
  • Contact : dino.ienco [AT] irstea.fr, Irstea (UMR Tetis)
Voir aussi :