Annonce en lien avec l’Action/le Réseau : aucun

Laboratoire/Entreprise : UMR LMNO et UMR LMRS
Durée : 18 mois
Contact : faicel.chamroukhi@unicaen.fr
Date limite de publication : 2018-02-28

Contexte :
Projet AStERiCs: Apprentissage Statistique à l’Echelle pour la Représentation et la Classification non-supervisées

Contexte et présentation générale du projet:
La disponibilité des données en masse révolutionne les questions relatives à leur traitement, analyse, exploitation et valorisation par les acteurs du numérique (académiques, entreprises, acteurs politiques, etc). La problématique principale est celle de l’élaboration de modèles originaux et génériques permettant représentation et classification de données massives, et celle du développement d’algorithmes efficaces optimisés à l’échelle pour les obtenir. Ce contexte de traitement et d’analyse à grande échelle rompt en effet avec la façon selon laquelle se posait classiquement la question de la construction et de l’inférence des modèles à partir de données brutes; la plupart de ceux de l’état de l’art se trouvent en effet inopérants à l’échelle, aussi bien d’un point de vue théorique, que pratique : problèmes d’inférence d’un très grand nombre de paramètres (fléau de la dimension), et/ou incapacité en temps et/ou en mémoire de mettre en œuvre des algorithmes centralisés classiques pour de très gros volumes de données, etc.

Sujet :
AStERiCs est un projet de recherche fondamentale financé dans le cadre du dispositif RIN (Réseaux d’Intérêts Normands)-Recherche dont l’objectif structurel est de fédérer la recherche scientifique en Normandie dans le domaine de la science statistique des données, en s’appuyant sur une démarche scientifique pluridisciplinaire impliquant modélisation mathématique, inférence, représentation et classification de données issues d’environnements complexes, hétérogènes, dynamiques et incertains. AStERiCs vise à élaborer un cadre scientifique et technique, complet, pour traiter, analyser, exploiter et valoriser des données massives, complexes, hétérogènes, dynamiques et peu ou non-annotées. Le but est de transformer des données en connaissances sous forme de représentations précises des informations liées aux données, de catégorisations pertinentes de telles informations, jusqu’à la valorisation de celles-ci en révélant/restaurant le modèle générateur des données. Le projet AStERiCs traite ainsi le problème de la grande échelle, sous tous ses aspects de modélisation et d’inférence. Plus précisément, les axes de recherche traitent des grands thèmes suivants : Statistique, Apprentissage, Analyse de données, Classification, Optimisation,  Traitement du signal, Grande dimension.

Profil du candidat :
(Voir le pdf pour plus de détails)

2 post-docs et 2 Ingénieurs de recherches

Profil postdoc :
– Être titulaire d’un doctorat en mathématiques appliquées avec une spécialisation confirmée en statistique/apprentissage

Profil IGR:
– Être titulaire d’un doctorat en mathématiques appliquées ou en informatique avec une spécialisation confirmée en apprentissage statistique non-supervisé et analyse de données complexes

Formation et compétences requises :
Postdoc :
– Être titulaire d’un doctorat en mathématiques appliquées avec une spécialisation confirmée en statistique/apprentissage
– Avoir une expérience en apprentissage de représentations à partir de données réelles massives
– Avoir un goût particulier pour le développement d’algorithmes et les applications
– Maîtriser la programmation R/Matlab/Python

IGR:
– Être titulaire d’un doctorat en mathématiques appliquées ou en informatique avec une spécialisation confirmée en apprentissage statistique non-supervisé et analyse de données complexes
– Avoir une expérience en apprentissage de modèles à variables latentes sur des données réelles massives
– Avoir un goût pour les applications et une expérience dans le prototype de code et l’intégration logicielle
– Maîtriser la programmation Matlab/R/Python et les environnements big data (Hadoop/Spark, MapReduce)
– Compétences souhaitées: cloud computing, systèmes OLAP, technos web

Adresse d’emploi :
LMNO, Caen
LMRS, Rouen

Document attaché : AStERiCs-PostDocs-IGRs-VF.pdf