> Markdown version of [/jobs/ext/3251820-appliquee-en-machine-learning](https://www.wearedevelopers.com/jobs/ext/3251820-appliquee-en-machine-learning). Every page supports `.md` or `Accept: text/markdown`. Links point to the HTML versions so they work for humans too. Agent guide: [/agents.md](https://www.wearedevelopers.com/agents.md). --- # appliquée en Machine Learning - **Company:** Jean Michel - **Location:** Marseille, France - **Experience:** Experienced - **Salary:** €130,000.0 - €179,400.0 - **Contract:** Franchise - **Skills:** Python (Programming Language), Machine Learning, Deep Learning, Data Management, Machine Learning Operations, Dataiku - **Published:** September 22, 2026 - **Apply:** https://www.meteojob.com/jobs/56989024 ## About the Role Profil senior disposant idéalement d'au moins cinq années d'expérience pertinente. Bac+5 requis ; doctorat ou expérience équivalente en recherche appliquée constitue un atout majeur. Compétences indispensables : * Expérience confirmée en recherche appliquée en Machine Learning et en conception de protocoles expérimentaux * Maîtrise des séries temporelles, de la détection d'anomalies et de la maintenance prédictive * Maîtrise du Deep Learning * Excellente maîtrise de Python et d'au moins un framework majeur de Machine Learning / Deep Learning * Capacité à produire un code robuste, documenté, testé et intégrable dans une architecture existante * Aptitude à communiquer des résultats complexes à des interlocuteurs techniques et métier, * Architectures agentiques, systèmes multi-agents et orchestration d'agents dédiés au Machine Learning * Dataiku et intégration de composants personnalisés * MLOps, environnements cloud et automatisation des chaînes d'expérimentation * Expérience de publication scientifique, de transfert technologique ou de mise en production de travaux de recherche ## Description Un framework agentique dédié à la recherche et à l'expérimentation en Machine Learning, inspiré des approches DS-STAR et MLE-STAR de Google Research. Son architecture repose sur un cœur générique associé à des plugins spécialisés. Le système automatise notamment les activités suivantes : * analyse et formalisation du problème * proposition et priorisation d'expériences * génération, exécution et correction du code * validation expérimentale et évaluations rétrospectives * études d'ablation et sélection robuste des modèles La mission consiste à faire évoluer ce framework selon deux axes prioritaires, tout en garantissant la qualité scientifique, la reproductibilité des expérimentations et l'intégration des développements dans l'écosystème existant. Objectif 1 - Amélioration du plugin Event Forecasting * découverte, qualification et représentation structurée des événements * modélisation de leur probabilité d'occurrence, de leur date de début, de leur durée, de leur intensité, de leur direction, de leur incertitude et de leur impact * production de scénarios sans événement, central, optimiste, pessimiste et de stress * intégration de méthodes statistiques, de Machine Learning et de Deep Learning adaptées * prise en compte stricte de la date de publication des informations afin d'éviter toute fuite temporelle * mise en place de tests placebo, d'évaluations rétrospectives événementielles et de comparaisons avec un modèle de référence sans événements * amélioration de la robustesse, de la reproductibilité et de l'interprétabilité des résultats Objectif 2 - Cas d'usage IoT : détection de pannes * détection précoce des anomalies et des signaux précurseurs de panne * estimation de la probabilité de panne et, lorsque les données le permettent, de la durée de vie utile restante * exploitation de séries temporelles multivariées issues de capteurs, avec gestion des données manquantes, du bruit et des changements de régime * comparaison d'approches supervisées, non supervisées, de détection d'anomalies et d'analyse de survie * évaluation des modèles selon des protocoles temporels réalistes et mesure de leur capacité de généralisation à de nouveaux équipements * production d'alertes explicables, hiérarchisées et exploitables par les équipes métier ## Related Videos - [The pitfalls of Deep Learning - When Neural Networks are not the solution](https://www.wearedevelopers.com/videos/14-the-pitfalls-of-deep-learning-when-neural-networks-are-not-the-solution) - [It's all about the Data](https://www.wearedevelopers.com/videos/425-it-s-all-about-the-data) - [Effective Machine Learning - Managing Complexity with MLOps](https://www.wearedevelopers.com/videos/185-effective-machine-learning-managing-complexity-with-mlops) - [Introduction to Azure Machine Learning](https://www.wearedevelopers.com/videos/368-introduction-to-azure-machine-learning) - [Geometric deep learning for drug discovery](https://www.wearedevelopers.com/videos/264-geometric-deep-learning-for-drug-discovery) - [Getting Started with Machine Learning](https://www.wearedevelopers.com/videos/260-getting-started-with-machine-learning) ## Related Articles - [MLops – Deploying, Maintaining And Evolving Machine Learning Models in Production](https://www.wearedevelopers.com/magazine/115-mlops-deploying-maintaining-and-evolving-machine-learning-models-in-production) - [How to Become an AI Engineer](https://www.wearedevelopers.com/magazine/331-how-to-become-an-ai-engineer) - [MLOps – What’s the deal behind it?](https://www.wearedevelopers.com/magazine/125-mlops-what-s-the-deal-behind-it) - [The 13 Best Python Libraries for Developers in 2025](https://www.wearedevelopers.com/magazine/371-the-13-best-python-libraries-for-developers-in-2025) - [Résumé-Driven Development: How IT trends affect the job market for software developers](https://www.wearedevelopers.com/magazine/59-resume-driven-development-how-it-trends-affect-the-job-market-for-software-developers) - [7 Most Popular Web Developer Jobs in Europe](https://www.wearedevelopers.com/magazine/163-7-most-popular-web-developer-jobs-in-europe)