BEGIN:VCALENDAR
VERSION:2.0
PRODID:-//datacraft - ECPv6.15.20//NONSGML v1.0//EN
CALSCALE:GREGORIAN
METHOD:PUBLISH
X-WR-CALNAME:datacraft
X-ORIGINAL-URL:https://datacraft.paris
X-WR-CALDESC:Events for datacraft
REFRESH-INTERVAL;VALUE=DURATION:PT1H
X-Robots-Tag:noindex
X-PUBLISHED-TTL:PT1H
BEGIN:VTIMEZONE
TZID:Europe/Paris
BEGIN:DAYLIGHT
TZOFFSETFROM:+0100
TZOFFSETTO:+0200
TZNAME:CEST
DTSTART:20230326T010000
END:DAYLIGHT
BEGIN:STANDARD
TZOFFSETFROM:+0200
TZOFFSETTO:+0100
TZNAME:CET
DTSTART:20231029T010000
END:STANDARD
BEGIN:DAYLIGHT
TZOFFSETFROM:+0100
TZOFFSETTO:+0200
TZNAME:CEST
DTSTART:20240331T010000
END:DAYLIGHT
BEGIN:STANDARD
TZOFFSETFROM:+0200
TZOFFSETTO:+0100
TZNAME:CET
DTSTART:20241027T010000
END:STANDARD
BEGIN:DAYLIGHT
TZOFFSETFROM:+0100
TZOFFSETTO:+0200
TZNAME:CEST
DTSTART:20250330T010000
END:DAYLIGHT
BEGIN:STANDARD
TZOFFSETFROM:+0200
TZOFFSETTO:+0100
TZNAME:CET
DTSTART:20251026T010000
END:STANDARD
END:VTIMEZONE
BEGIN:VEVENT
DTSTART;TZID=Europe/Paris:20240402T093000
DTEND;TZID=Europe/Paris:20240402T180000
DTSTAMP:20260430T171239
CREATED:20240214T143156Z
LAST-MODIFIED:20240329T160903Z
UID:10088-1712050200-1712080800@datacraft.paris
SUMMARY:Atelier - Détection des entraînements atypiques chez les sportives de haut niveau
DESCRIPTION:Inscription\n                \n            \n            \n			\n				\n				\n				\n				\n				Niveau en Machine Learning \n** : Bonnes Connaissances en Machine Learning/DA/IA \nNiveau en Python \n** : Bonnes Connaissances en Python \nIntervenants \nCet atelier sera présenté par : \n\nJuliana Antero\, docteure en épidémiologie de la performance\, INSEP\nMarine Dupuit\, docteure en physiologie de l’exercice\, INSEP\nKilian Barlier\, ingénieur de recherche\, INSEP\nTom Chassard\, ingénieur de recherche\, INSEP\n\nPrésentation de l’atelier : \nL’analyse de données GPS peut servir à quantifier l’usage\, comme dans le cas de matériel en location à des fins de facturation\, de véhicules industriels à des fins de maintenance\, de véhicules de transport à des fins de tracking…Elle est maintenant de plus en plus utilisée par les équipes de sport collectif à des fins de quantification de la charge d’entrainement. \nAu-delà de l’analyse\, pouvoir identifier les « comportements anormaux » est un enjeu aussi important pour les applications industrielles que pour les sportifs ! \nSi ces problématiques vous parlent ou que vous souhaitez les découvrir et échanger sur les approches d’analyse des données GPS ainsi que la détection de « comportements anormaux » \, rejoignez-nous le temps d’un atelier pour travailler sur le jeu de données et le cas d’usages de l’INSEP. \nLe projet Empow’her\, porté par l’INSEP et l’Agence Nationale du Sport\, a pour but de déterminer l’influence des phases hormonales\, dues au cycle menstruel ou à la prise de contraceptif hormonal sur la réponse à la charge d’entraînement\, la charge de match et sur le bien-être des sportives.\nDans ce cadre\, nous avons suivi un club de football de haut niveau pendant 6 mois\, accumulant les données de phases du cycle menstruel\, de bien-être chaque jour\, ainsi que les données GPS. \nL’objectif de cet atelier sera de mettre en avant des sessions “atypiques” à partir des données GPS\, où les joueuses sont au-dessus ou en-dessous de ce qui est attendu pour elle sur le terrain à partir des données de tracking GPS. Ces sessions peuvent ensuite être mises au regard des phases du cycle pour essayer de comprendre l’influence de ce dernier sur les performances des joueuses. \nDescritpion du jeu de données :  \nLes participants auront a disposition les données récoltés au cours du suivi Empow’her (IRMES\, INSEP)\, qui s’est étalé de la pré-saison (juillet)\, jusqu’a la fin de la phase aller du championnat (fin décembre).\nCes 6 mois de données comportent les informations relatives au cycle menstruel (date\, jour du cycle\, phase et numéro de cycle dans lesquels la joueuse se situe)\, les informations relatives au bien-être des joueuses (qualité de sommeil\, niveau de stress et de fatigue\, à travers des échelles de Likert à 7 niveaux)\, ainsi que les données de tracking GPS des entraînements et des matchs (latitude\, longitude\, altitude et vitesse\, échantillonés à 10Hz). \nApproche Algo : \nLors de précédent suivi d’un club de foot utilisant des données similaires\, des modèles linéaires mixtes ont été utilisé pour mettre en avant les variations des différents indicateurs de charge par phase du cycle. Des modèles de chaînes de Markov cachées sont également utilisés au laboratoire pour mettre en avant différents états d’intensité d’effort\, ainsi que leur évolution temporelle. \nLiens : \nDes ressources autour du traitement des données de tracking avec python:\nhttps://soccermatics.readthedocs.io/en/latest/\nhttps://www.youtube.com/@friendsoftracking755 \nPublications INSEP (Empow’her):\nhttps://journals.humankinetics.com/view/journals/ijspp/18/10/article-p1169.xml\nhttps://pubmed.ncbi.nlm.nih.gov/36875020/ \nSpécifique foot et cycle menstruel:\nhttps://pubmed.ncbi.nlm.nih.gov/28288203/\nhttps://www.tandfonline.com/doi/full/10.1080/24733938.2020.1802057\nhttps://www.mdpi.com/1660-4601/19/8/4465
URL:https://datacraft.paris/event/atelier-detection-des-entrainements-atypiques-chez-les-sportifs-de-haut-niveau/
LOCATION:Bâtiment Wework –\, 66 rue des archives\, Paris\, 75004
CATEGORIES:on-site event
END:VEVENT
END:VCALENDAR