Offre en lien avec l’Action/le Réseau : – — –/– — –
Laboratoire/Entreprise : BioSP, INRAE
Durée : Poste permanent
Contact : denis.allard@inrae.fr
Date limite de publication : 2023-03-02
Contexte :
L’unité Biostatistique et processus SPatiaux (BioSP) développe des travaux en statistique, en systèmes dynamiques, en écologie-épidémiologie, et aux interfaces entre ces différentes disciplines avec un intérêt particulier pour les questions spatiales et spatio-temporelles. Les domaines d’application de ces travaux sont avant tout l’écologie, l’épidémiologie, l’agriculture, l’environnement et les risques climatiques. L’activité de recherche en statistiques spatiales et spatio-temporelles (champs gaussiens, extrêmaux et processus ponctuels) constitue le cœur historique et l’un des axes disciplinaires qui structurent l’unité. L’évaluation des risques épidémiologiques, environnementaux ou climatiques est désormais confrontée à la croissance exponentielle du nombre et du volume des bases de données, évolution qui impacte à la fois les méthodes d’analyse spatiale (dimensionnalité) et les méthodes de Machine Learning (structures de dépendances spatiales ou spatio-temporelles). L’hybridation de ces deux approches et de leurs atouts respectifs représente un enjeu scientifique majeur.
Sujet :
A BioSP, vous serez associé-e à cet axe de recherche afin de développer des recherches en apprentissage automatique pour les données présentant des dépendances spatiales et/ou spatio-temporelles dans les domaines d’applications de l’unité. Le champ de recherche étant vaste et les pistes nombreuses, vous aurez l’autonomie pour définir vos priorités de recherche à l’intérieur de ce périmètre. Par vos apports théoriques en apprentissage statistique ou en apprentissage profond, vous viendrez renforcer l’unité dans l’utilisation de ces techniques et dans l’évolution des approches de statistiques spatiales.
A terme, l’ambition est de renouveler les recherches en statistiques spatiales menées à BioSP et de positionner l’unité en tant qu’acteur apportant des contributions théoriques et méthodologiques dans ce champ de recherche. Vous collaborerez avec les membres de l’unité développant des recherches dans les domaines des statistiques spatiales, des événements extrêmes et de l’épidémiologie, et vous pourrez vous appuyer sur les jeux de données étudiés dans ce cadre. Vous serez associé-e aux travaux de la chaire Geolearning portée par l’unité en lien avec l’Ecole des Mines de Paris.
Profil du candidat :
Vous êtes titulaire d’un doctorat, avec des compétences en développement de méthodologies d’apprentissage automatique (apprentissage supervisé, semi-supervisé, non supervisé), la connaissance et l’expérience dans les paradigmes modernes d’apprentissage profond (domain adaptation, transfer learning, weakly supervised learning et knowledge distillation), et le développement de ces derniers dans un cadre d’analyse et traitement de données.
Vous avez montré votre capacité à apporter des résultats mathématiques nouveaux, par exemple sur des garanties théoriques liées à ces méthodologies. Vous savez diffuser vos avancées par des codes informatiques ouverts. Des expériences déjà avérées dans l’analyse de données spatialisées dans le domaine du climat, de l’environnement et/ou de l’écologie seraient très appréciées. Vous avez le goût pour le travail en équipe et un très bon relationnel.
La maîtrise de l’anglais est souhaitée ainsi qu’une expérience internationale de longue durée : les lauréats qui n’en auraient pas encore eue seront fortement incités à réaliser un séjour à l’étranger co-construit avec l’équipe d’accueil dans les 3 années suivant l’année de stage.
Informations pratiques pour concourir:
Voir https://jobs.inrae.fr/concours/concours-charges-recherche-classe-normale-profil-h-f/cr-2023-mathnum-1
Formation et compétences requises :
Titulaire d’un doctorat
Adresse d’emploi :
BioSP, INRAE, Site agroparc, Avignon.
https://biosp.mathnum.inrae.fr/