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

Laboratoire/Entreprise : MNHN station marine de Concarneau
Durée : 1 an
Contact : yvan.le-bras@mnhn.fr
Date limite de publication : 2019-07-10

Contexte :
En 2018, le Ministère de l’Enseignement supérieur, de la recherche et de l’innovation a inscrit sur sa feuille de route la création d’une nouvelle infrastructure intitulée Pôle National de données de biodiversité (PNDB).
Les missions du PNDB s’inscrivent dans une approche FAIR (Findable, Accessible, Interoperable, Reusable), et consistent à :
1. fournir un accès aux jeux de données et de métadonnées, à des services associés et à des produits dérivés des analyses ;
2. promouvoir l’animation scientifique pour identifier les lacunes et favoriser l’émergence de dispositifs portés par des communautés d’utilisateurs et producteurs ;
3. faciliter le partage des pratiques avec les autres communautés de recherche, favoriser le partage des données et leur réutilisation, s’insérer dans la réflexion de la future infrastructure Système Terre.
4. favoriser la cohérence avec les efforts nationaux, européens et internationaux relatifs à l’accès et à l’exploitation des données de recherche sur la biodiversité, à la promotion de produits et services.
Pour atteindre ces objectifs, le PNDB se propose de :
 S’appuyer et relier les initiatives existantes (SINP-INPN-GBIF, ex-Ecoscope, CESAB) et sources de données pour mutualiser les expertises, favoriser l’interopérabilité, l’ouverture, l’accès, la réutilisation des données ; et stimuler des projets de recherche collaboratifs ;
 Développer la description fine des jeux de données pour les contextualiser ; optimiser le moissonnage et l’accès aux métadonnées par le portail commun ;
 Favoriser la priorisation et le développement d’outils, services, produits et référentiels -et l’expertise attachée – ; en réaliser la diffusion, soutenir la formation ;
 Favoriser les complémentarités des producteurs et utilisateurs de données par une approche intégrée : données d’observation, expérimentation, collection, modélisation ; in situ et télédétection ;
 Poursuivre l’animation sur les variables mesurées (dont les EBVs) des gènes aux écosystèmes afin de progresser dans la standardisation et l’identification d’autres variables.
 Établir, avec les autres pôles, un accès facilité aux données environnementales et porter des actions relevant de l’interdisciplinarité (santé, SHS) ;
 Poursuivre les activités internationales et devenir, le cas échéant, la composante d’une IR européenne.
 Veiller à la synergie avec des systèmes d’information destinés à l’expertise et l’appui aux politiques publiques, notamment le Système d’Information sur la Biodiversité (SIB) porté par l’Agence Française pour la Biodiversité (AFB).

Le PNDB est porté par le Muséum national d’Histoire naturelle, plus particulièrement par l’UMS 2006 PatriNat, unité MNHN CNRS et AFB. Le projet est en lien étroit avec la FRB et plusieurs de ses institutions fondatrices (AFB, BRGM, CIRAD, CNRS, Ifremer, INERIS, INRA, IRD, IRSTEA, MNHN, Univ. Montpellier). Une première étape de recueil des besoins et de définition de cahier des charges est en cours de finalisation et une phase de développement opérationnel débute. Cette première étape de développement se propose de traiter des problématiques liées à la structuration des données et métadonnées qui seront mises à disposition par une version préliminaire du portail PNDB dès la fin de l’année.

Sujet :
DESCRIPTION DES MISSIONS
Il aura la charge de déployer et d’adapter des logiciels existants (préférentiellement en partant de solutions open-sources existantes de type metacat, geonetwork, isaexplorer) afin de produire une preuve de concept (POC) devant couvrir les services prévus dans le cadre du PNDB notamment un portail de métadonnées et un outil de saisie de métadonnées.
– Suivi et réalisation du développement depuis sa conception à son intégration dans un environnement technique de test,
– Vérification de la compatibilité entre les différents composants logiciels, matériels ou systèmes en favorisant autant que possible la réutilisation d’application ou de brique logicielle existant et compatible avec le SIB
– Il s’agira d’installer/configurer des logiciels middleware de type Apache, Tomcat, NGINX
– Travailler sur la migration de données applicatives via PostgreSQL, mySQL ou autre gestionnaire de base de données.
– Organisation et réalisation des tests techniques de la solution logicielle et sa mise en pré-production en vue de sa vérification fonctionnelle.
– Participation au support de la solution dès son déploiement.
– Réunion de suivi technique mensuelle de suivi avec les équipe de PatriNat

Partenaires internes : Equipes PatriNat, autres unités du MNHN, DSOD/AFB
Partenaires externes : CNRS, FRB, Etablissement de recherche, MESRI

Profil du candidat :
QUALIFICATIONS REQUISES
 Connaissance de l’environnement linux en ligne de commande
 Connaissance en gestion de base de données SQL et/ou noSQL
 Connaissance de l’administration système et réseau
 Connaissance souhaitée de Git
 Connaissance souhaitée des approches devops, utilisation de solution cloud de type Openstack et de technologies de containerisation comme Docker ou singularity.
Votre intérêt pour le domaine d’application, l’écologie, sera un plus.
Une expérience dans l’utilisation de standards comme l’EML (Ecological Metadata Language) et outils associés (Metacat, morpho, …) sera également appréciée.

Formation et compétences requises :
Diplômé(e) d’un Master, d’une école d’informatique / bioinformatique ou de l’université, le profil recherché de type devops se situe entre administrateur système et réseau et développeur. Expérience appréciée mais débutant accepté

Adresse d’emploi :
station marine de Concarneau, quai de la croix, 29900 CONCARNEAU

Document attaché : UMS_Fiche-de-poste_AdminSys_DevOps_PNDB.pdf

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

Laboratoire/Entreprise : Laboratoire Hubert Curien
Durée : 1 an renouvelable
Contact : bruno.sauviac@telecom-st-etienne.fr
Date limite de publication : 27 aout 2019

Contexte :
enseignant chercheur MC section 27 LRU contractuel, vacant au 1er septembre 2019

Sujet :
voir PJ les détails
enseignement à Telecom Saint Etienne : BD/dev distribué / gestion de projet
recherche au Laboratoire Hubert Curien : Equipe Data Intelligence

Profil du candidat :
voir PJ

Formation et compétences requises :
voir PJ

Adresse d’emploi :
Telecom Saint Etienne
25 rue Remy Annino
42000 saint etienne

Document attaché : TSE_Profil-27-MC-LRUb-_-2019-signé.pdf

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

Laboratoire/Entreprise : ERIC
Durée : 1 an
Contact : jerome.darmont@univ-lyon2.fr et sabine.loudcher@univ-lyon2.fr
Date limite de publication : 2019-07-31

Contexte :
Titre : Conception et mise en œuvre d’un lac de données archéologiques et des méthodes de fouille de données associées

Lieu : Laboratoire ERIC, Lyon
http://eric.ish-lyon.cnrs.fr/

Durée : 1 an
Début : 1er septembre 2019

Contexte : Projet HyperThéseau

HYPERTHESEAU – Hyper thesaurus et lacs de données : fouiller la ville et ses archives archéologiques (2018)

Sujet :
Offre détaillée : mission, candidature, etc.
https://www.universite-lyon.fr/medias/fichier/offre-d-emploi-hyperthesau-crinfo-300119-transmis-udl_1549272386239-pdf

Profil du candidat :
Offre détaillée : mission, candidature, etc.
https://www.universite-lyon.fr/medias/fichier/offre-d-emploi-hyperthesau-crinfo-300119-transmis-udl_1549272386239-pdf

Formation et compétences requises :
Offre détaillée : mission, candidature, etc.
https://www.universite-lyon.fr/medias/fichier/offre-d-emploi-hyperthesau-crinfo-300119-transmis-udl_1549272386239-pdf

Adresse d’emploi :
Université Lumière Lyon 2
Campus Porte des Alpes
5 avenue Pierre Mendès France
69676 Bron Cedex, France

Document attaché : Offre-demploi-HYPERTHESAU_CRINFO_300119-transmis-UDL.pdf

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

Laboratoire/Entreprise : LSITIC
Durée : 1 year
Contact : patrick.lambert@univ-savoie.fr
Date limite de publication : 2019-07-31

Contexte :
The aim of this project is helping in the creation of a startup. This project will associate three partners:
– The startup (located in Paris) whose founders have a strong experience in 3D modelling;
– LISTIC, research lab of University Savoie Mont Blanc (Annecy), which has a strong expertise in deep learning approaches;
– Linksium, a Technology Transfer Accelerator Office (or SATT) which is a public organism created to develop and commercialize research results to be transformed into innovative products. Linksium will provide project funds.
Hiring in the startup after the post-doc year is very conceivable.

Sujet :
Actually, there are many solutions to get 3D accurate models of objects whatever may be their sizes. In the building domain, these systems are particularly interesting for maintenance and exploitation of existing construction where 3D models are often lacking. However, these systems only provide a 3D description but generally fail to perform object recognition.
In a first step, the aim of the project is to add some 2D object recognition functionalities to an actual scanning system. The available data to process are high definition images of inside buildings. These object recognition tools will be based on deep learning approaches which will require the construction of a ground truth dataset. In a second step, the project will consist in introducing 3D information (point cloud provided by a LIDAR are also available) to help recognition and to get 3D information concerning the objects. Objects which are to be recognized belongs to a building equipment catalog for which 2D or 3D images or models are sometimes available (equipment = windows, doors, boiler, electrical cabinet, fire extinguisher…).

Profil du candidat :
Motivated candidate with a PhD degree in Deep Learning dedicated to Image Processing or Computer Vision and with strong programming skills. A background in 3D modelling will be appreciated.

Formation et compétences requises :
see attached file

Adresse d’emploi :
Lab. LISTIC in Annecy (with meetings in Paris).

Document attaché : Post-doc-position.pdf

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

Laboratoire/Entreprise : IMT Mines Alès – Laboratoire de Génie Informatique et d’Ingénierie de Production (LGI2P)
Durée : 12 mois
Contact : andon.tchechmedjiev@mines-ales.fr
Date limite de publication : 2019-09-01

Contexte :
ESII produit des bornes interactives permettant d’aiguillier des usagers sur des guichets adaptés à leur demande, par exemple dans les administrations (préfecture, mairie) ou autre services (par exemple hôpitaux). Les usagers arrivent au service en question et passent devant la borne sur laquelle ils sélectionnent la nature de leur demande. La borne assigne alors l’usager à la file d’attente du guichet le plus apte à répondre à sa requête et lui donne un ticket.

ESII souhaite maintenant développer une borne actionnée vocalement, c’est à dire qu’au lieu de choisir une procédure sur l’écran, l’usager peut maintenant énoncer naturellement le motif de sa venue.

La parole de l’usager est transcrite par une brique logicielle existant et notre travail vise à proposer une solution générique qui à partir de cette transcription (imparfaite) et de la base de données domaine doit être en mesure d’automatiquement suggérer le bon guichet (en temps contraint).

*Rémunération et bénéfices*

*Statut* : Contractuel de la fonction publique

*Durée du contrat* : 12 mois

*Lieu du contrat* : IMT Mines Alès, Campus de Croupillac, Alès

Rémunération brute annuelle 44 357€, soit 2052€ nets mensuels

Sujet :
Le travail de la personne recrutée consistera à travailler sur l’implémentation d’un système de machine learning à base de modèles de langue profonds contextualisés (deep contextualized language models, par exemple OpenAI ElMo ou Google BERT) pour permettre cette recommandation :

1. La première étape consistera à construire un système non-supervisé sur la base des plongements de mots extraits des couches supérieures d’un modèle de langue profond contextualisé et de mesures de similarité sémantiques hybrides (combinant plongements et mesures hiérarchiques).

2. Dans un deuxième temps, des données d’entraı̂nement seront disponibles. Il faudra partir du même modèle de langue contextualisé profond et proposer une architecture permettant de répondre à cette tâche. Cela qui permettra de spécialiser le modèle de langue pré-calculé en le raffinant au travers de l’entraı̂nement par les données annotées.

3. Les données d’entraı̂nement initiales (construites synthétiquement) seront complétées au fur et à mesure de l’utilisation de la solution par un feedback immédiat sur le résultat de l’affectation à un guichet (correct on non). Il faudra intégrer cette composante d’entraı̂nement actif dans le système pour permettre de déterminer le moment opportun pour faire la transition entre le modèle non-supervisé et le modèle supervisé et pour raffiner l’entraı̂nement du modèle supervisé.

Profil du candidat :
*Formation*: Doctorat en Informatique (TAL) avec une première expérience de mise en opération de systèmes de machine
learning et/ou une expérience en traitement automatique des langues par des approches en deep learning.

*Compétences recherche*: Apprentissage Automatique et Profond; Traitement Automatique des Langues (word embeddings, modèles de langue profonds); Des compétences en Web Sémantique seraient un plus (RDF, SPARQL, etc.)

*Compétences techniques*: Python3; scikit-learn; Pytorch ou Tensorflow

*Compétences transversales*: Maı̂trise native du Français ou assimilé (Niveau C1+); Anglais technique

*Savoir être*: Implication et sérieux; Être force de proposition, Savoir travailler en équipe, Savoir communiquer sur l’avancement du travail à la fois avec des chercheurs spécialistes et avec des des décideurs.

Formation et compétences requises :
*Formation*: Doctorat en Informatique (TAL) avec une première expérience de mise en opération de systèmes de machine
learning et/ou une expérience en traitement automatique des langues par des approches en deep learning.

Adresse d’emploi :
*Lieu du contrat* : IMT Mines Alès, Campus de Croupillac, Alès

Document attaché :

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

Laboratoire/Entreprise : IRIT
Durée : 1 an
Contact : pierson@irit.fr
Date limite de publication : 2019-09-01

Contexte :
Dans le cadre du projet i-Nondations financé par l’ANR, l’équipe SEPIA recrute un PostDoc pour travailler sur les tâches relevant du machine learning dans le projet.
Il s’agira, en se basant sur un travail en cours réalisé dans l’équipe, de proposer des méthodes d’apprentissage les plus adaptées au cadre d’études.

Sujet :
Le projet i-Nondations s’intéresse à la gestion des crues rapides. L’apprentissage intervient pour reconnaître, en amont et dans les premièrs temps d’une crise, les situations pouvant amener la crise (mode prédiction à court terme), et également prévoir les effets que des modifications des données d’entrées (plus de capteurs, un territoire modifié, des moyens mobilisés différents), pourraient avoir sur la crise et sa gestion (mode prédiction à long terme).

Profil du candidat :
Docteur

Formation et compétences requises :
– Analyse de données, techniques d’apprentissage
– Développement : Python, Java
– Connaissance de QGIS
– Curiosité et Autonomie, Travail en équipe.

Adresse d’emploi :
IRIT, Université Toulouse 3 Paul Sabatier, Toulouse

Document attaché :

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

Laboratoire/Entreprise : Université de Rennes 2
Durée : Fonctionnaire
Contact : romain.tavenard@univ-rennes2.fr
Date limite de publication : 2019-09-01

Contexte :
Un poste de MCF en section 27 (Informatique) est ouvert au concours à l’Université de Rennes 2, avec un profil “traitement de grandes masses de données”.

Sujet :
ACTIVITES PEDAGOGIQUES :
La personne recrutée sera rattachée au département MIASHS (Mathématiques et Informatique Appliquées aux Sciences Humaines et Sociales) et sera, à ce titre, invitée à prendre part aux enseignements de la filière, en licence MIASHS (dans des modules existants) ainsi que dans le master Science des Données (pour lequel la proposition de nouveaux modules est bienvenue). Elle interviendra également dans un large panel de formations dispensées à l’Université de Rennes 2 pour lesquelles des enseignements d’informatique existent, sur des sujets variés allant de la programmation web aux bases de données, en passant par la bureautique.

ACTIVITES RECHERCHE :
La personne recrutée sera rattachée au laboratoire LETG-Rennes. Elle proposera des méthodes innovantes pour le traitement de grandes masses de données, comme par exemple les images, le texte ou les séries temporelles. En fonction de son profil, la personne recrutée pourra appliquer ses recherches à des données d’observation de la Terre, mais aussi à des problématiques issues des sciences sociales au sens large : corpus historiques, analyses économiques, humanités numériques, etc., éventuellement en collaboration avec d’autres laboratoires de l’UFR Sciences Sociales.

Profil du candidat :

Formation et compétences requises :

Adresse d’emploi :
Contacts :
Activités pédagogiques
TAVENARD Romain
romain.tavenard [ at ] univ-rennes2.fr

Activités recherche
CORPETTI Thomas
thomas.corpetti [ at ] univ-rennes2.fr

Document attaché :

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

Laboratoire/Entreprise : Laboratoire I3S – UMR 7271
Durée : Fonctionnaire
Contact : precioso@unice.fr
Date limite de publication : 2019-09-01

Contexte :
Les partenaires industriels d’UCA insistent fortement pour que plus d’étudiant·e·s issus de l’Université possèdent un réel bagage scientifique en Machine Learning en général et en Deep Learning (ML) en particulier. De nouveaux cours sont donc en création aussi bien dans les parcours existants de Polytech que dans des Master existants ou en cours de création (Master Idex-UCA MoDSU, Master Idex-UCA Sciences et technologies des textes, Master Idex-UCA Mod4NeuCog).
Le recrutement d’un·e professeur·e est donc crucial pour répondre à cette très forte demande de formation, tant continue (un nombre croissant de demandes d’entreprises pour des formations dans le domaine sont mises en attente par manque de ressource en personnels UCA compétents) qu’initiale (cours initiaux et filières de Polytech en Machine Learning, différents masters UCA).
Le laboratoire I3S est structuré en 4 équipes. L’équipe concernée par cette demande est l’équipe SPARKS.
En deux décennies, le Machine Learning a totalement révolutionné la science des données par la conception de nouvelles méthodes (e.g. boosting, support vector machine, random forest, et plus récemment le deep learning) qui ont apporté des solutions efficaces dans des domaines très variés, avec des fondements théoriques garantissant leurs performances. Dans ce contexte, l’équipe SPARKS du Laboratoire I3S contribue au Machine Learning à plusieurs titres :
– par des contributions théoriques en élaborant par exemple des stratégies d’apprentissage actif pour le Deep Learning ou en concevant des méthodes hybrides combinant différentes stratégies d’apprentissage ;
– par l’élaboration de nouvelles méthodes dans le cadre de nombreuses collaborations industrielles pour résoudre des problèmes fondamentaux posés par nos partenaires, comme par exemple : l’analyse de messages textuels courts, la construction d’un moteur de recherche d’information dans des grandes bases multimédia, la conception d’un système de navigation pour véhicule autonome, ou encore la définition d’un système de recommandation ;
– par la conception de nouvelles approches globales dans le cadre de plusieurs collaborations académiques à l’interdisciplinarité avec le CHU, avec le laboratoire BCL, avec le laboratoire GREDEG, d’autres laboratoires d’UCA, ainsi qu’avec la Maison de la Modélisation, de la Simulation et des Interactions (MSI) et de ses deux satellites (Medical Data Lab et Digital Humanities Lab).
Les activités autour du Machine Learning ont également un rôle fédérateur au sein même de l’équipe SPARKS puisque de nombreuses contributions dans d’autres domaines de recherche de SPARKS, comme la modélisation de connaissance, l’informatique ambiante, le calcul réparti sur des plateformes à faible consommation ou encore le génie logiciel, requièrent aujourd’hui des compétences en apprentissage et conduisent aussi régulièrement à des contributions en Machine Learning. C’est le cas par exemple du projet Idex « Intégration et Analyse de Données Biomédicales » (IADB) impliquant plusieurs membres de l’équipe SPARKS, ou du projet ROCKFlows qui allie des contributions recherches en génie logiciel et Machine Learning pour le développement d’une plateforme de conception de workflows de Machine Learning.
DRH – 06/05/2014
Enfin le monde industriel ou académique local (et au-delà) sollicite de manière récurrente et de plus en plus insistante les membres de l’équipe SPARKS pour obtenir une expertise en Machine Learning en particulier dans le domaine du Deep Learning.

Sujet :
Ce poste s’inscrit ainsi logiquement dans le cadre du programme structurant Data Science de l’Idex UCA-Jedi, et a pour ambition de renforcer les capacités de recherche, d’encadrement et d’innovation d’UCA.
La personne recrutée aura ainsi pour vocation d’apporter toute son expertise en Machine Learning à plusieurs niveaux : en contribuant et en participant aux efforts de l’équipe dans ses apports théoriques en Machine Learning ; en contribuant aux synergies avec les autres thématiques de recherche de l’équipe SPARKS et en favorisant l’ouverture du laboratoire, sur ces thématiques à l’ensemble de la communauté UCA qu’elle soit académique ou industrielle. Ainsi, la·le professeur recruté·e devra démontrer une expertise éprouvée en Machine Learning tant au niveau théorique que dans la mise en oeuvre des méthodes développées sur des données réelles, avec de solides compétences en Deep Learning.

Profil du candidat :
La personne recrutée aura pour vocation d’apporter toute son expertise en Machine Learning à plusieurs niveaux : en contribuant et en participant aux efforts de l’équipe dans ses apports théoriques en Machine Learning ; en contribuant aux synergies avec les autres thématiques de recherche de l’équipe SPARKS et en favorisant l’ouverture du laboratoire, sur ces thématiques à l’ensemble de la communauté UCA qu’elle soit académique ou industrielle. Ainsi, la·personne recrutée devra démontrer une expertise éprouvée en Machine Learning tant au niveau théorique que dans la mise en oeuvre des méthodes développées sur des données réelles, avec de solides compétences en Deep Learning.
Contact : frederic.precioso@unice.fr

Formation et compétences requises :
Au sein de Polytech Nice Sophia, école d’ingénieurs de l’UNS, la·le professeur·e recruté·e contribuera à l’enseignement du Machine Learning en général et du Deep Learning en particulier dans les parcours existants, ainsi que dans des Master existants ou en cours de création (Master Idex-UCA MoDSU, Master Idex-UCA Sciences et technologies des textes, Master Idex-UCA Mod4NeuCog).
En complément, les attentes des partenaires industriels d’UCA pour la formation continue en Machine Learning et en Deep Learning sont également très importantes. L’implication dans les enseignements devra donc à la fois répondre aux différents besoins des filières de Polytech en Machine Learning et dans des cours généraux d’informatique, mais également aux besoins des différents Master d’UCA et de ses partenaires industriels.
Contact : igor.litovsky@unice.fr

Adresse d’emploi :
Laboratoire d’Informatique, Signaux et Systèmes de Sophia-Antipolis (I3S) – UMR7271 – UNS CNRS
2000, route des Lucioles – Les Algorithmes – bât. Euclide B 06900 Sophia Antipolis – France
Tél. +33 4 89 15 43 00 – Fax : +33 4 89 15 43 01

Document attaché : 2019-PR27-Polytech-SPARKS-Apprentissage_automatique.pdf

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

Laboratoire/Entreprise : Laboratoire Hubert Curien
Durée : 1 an
Contact : charlotte.laclau@univ-st-etienne.fr
Date limite de publication : 2019-09-15

Contexte :
Les candidatures sont sollicitées pour une bourse postdoctorale de 12 mois en apprentissage automatique / fouille de données à l’Université Jean Monnet Saint-Etienne, au sein de l’équipe de Data Intelligence du Laboratoire Hubert Curien.
Le poste est financé par l’IDEX Lyon IMPULSION.

Sujet :
L’apprentissage de représentation pour la fouille de graphes représente un défi important. Les données sous forme de graphes sont devenues omniprésentes pour décrire des informations ou des structures complexes. En sciences sociales, les graphes vont ainsi permettre d’étudier les relations et les interactions entre des personnes ; en biologie, on s’intéressera aux graphes pour modéliser les interactions génétiques ou encore les réseaux métaboliques. Or, comparé aux images ou au texte, la structure d’un graphe est très irrégulière rendant l’apprentissage d’une bonne représentation plus difficile. Ce post-doctorat s’articule autour de 2 axes de recherche. La première direction est de s’intéresser au transfert de représentation pour l’analyse de graphes. Dans ce contexte, l’objectif sera de travailler sur l’apprentissage de représentations qui soient, d’une part, spécifiques aux tâches que l’on souhaite résoudre, par exemple la prédiction de lien, la classification de nœuds ou encore la détection de communautés, mais qui exploitent également les dépendances potentielles entre ces différentes tâches. Ce premier axe ouvre naturellement la voie au traitement de graphes dynamiques. Dans ce cas, les graphes sont le plus souvent représentés comme une collection de graphes statiques à différents instants, et pour chaque graphe une nouvelle représentation est systématiquement apprise. L’objectif est de développer un cadre d’apprentissage capable de détecter les changements significatifs dans la structure d’un même graphe, et d’adapter la représentation apprise de manière à transférer les caractéristiques immuables et ainsi à conserver les connaissances déjà̀acquises.

Mots-clés : Machine Learning, Fouille de graphe, Apprentissage de représentation, Apprentissage par Transfert

Profil du candidat :
Le(a) candidat(e) est titulaire d’un doctorat et devra posséder des connaissances solides en apprentissage automatique avec notamment de bonnes bases en apprentissage statistique et en mathématiques. Il devra également avoir un bon niveau en programmation. Le(a) candidat(e) devra aussi posséder un bon niveau d’anglais et avoir à la fois un intérêt pour des aspects théoriques et pratiques.

Formation et compétences requises :
cf. Profil du candidat.

Adresse d’emploi :
Université Jean Monnet, Laboratoire Hubert Curien, équipe Data Intelligence – Saint-Etienne, France

Document attaché : postdoc_offer_1819.pdf

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

Laboratoire/Entreprise : IFREMER & IRISA (équipe OBELIX)
Durée : 12 mois
Contact : sebastien.lefevre@irisa.fr
Date limite de publication : 2019-09-15

Contexte :
Offre de postdoc IFREMER localisée dans l’équipe OBELIX de l’IRISA à Vannes

Sujet :
https://www-obelix.irisa.fr/files/2019/06/IFREMER_Post-doc_Game_of_trawls.pdf

Profil du candidat :
Thèse en informatique (IA, apprentissage, vision par ordinateur)

Formation et compétences requises :
Thèse en informatique (IA, apprentissage, vision par ordinateur)

Adresse d’emploi :
Vannes

Document attaché : IFREMER_Post-doc_Game_of_trawls.pdf

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

Laboratoire/Entreprise : LM2S & Lab-STICC
Durée : 15 months
Contact : alexandre.baussard@utt.fr
Date limite de publication : 2019-09-19

Contexte :
We are looking for a postdoctoral researcher with experience in computer vision / deep learning.

Sujet :
This 15-months position will explore deep learning approaches for small target detection and classification in remote sensing data. The project, named DEEPDETECT, groups together three laboratories (Lab-STICC, IRISA and AMURE) and one company.

Profil du candidat :
An ideal candidate should have the following qualifications: PhD in Computer Science and machine learning; Strong knowledge in deep learning; Experience with deep learning libraries such as TensorFlow. This call will be open until the postdoc position is filled.
Note that French/EU citizen is required for this position.

For further information, please contact alexandre.baussard@utt.fr
To apply send your resume, a cover letter and references to: alexandre.baussard@utt.fr

Formation et compétences requises :
Phd in computer vision, machine learning, data science
Expected experience in deep learning frameworks

Adresse d’emploi :
UTT, Troyes
Lab-STICC, Brest

Document attaché :

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

Laboratoire/Entreprise : CEA, LIST, Laboratoire Sciences des Données et de la Décision
Durée : 1 an renouvelable
Contact : etienne.thevenot@cea.fr
Date limite de publication : 2019-09-30

Contexte :
Les approches globales de type « omiques » (p. ex. la métabolomique) sont d’un grand intérêt pour la compréhension du métabolisme humain et la prédiction des maladies. L’analyse de tels jeux de données (caractérisés par un nombre de variables supérieur à celui des échantillons, et par la présence de colinéarité entre les variables) nécessite des méthodes multivariées spécifiques pour l’analyse non-supervisée comme pour la prédiction (Thévenot et al., 2015 ; Rinaudo et al., 2016) que notre équipe développe depuis de nombreuses années au sein du Laboratoire Sciences des Données et Décision (CEA).
Aujourd’hui, la combinaison d’analyses omiques complémentaires (p. ex. la métabolomique et la lipidomique) apparaît comme une approche prometteuse pour élargir la liste des biomarqueurs et augmenter les performances de prédiction. De nouvelles méthodes statistiques sont donc nécessaires pour modéliser de tels jeux de données multi-tableaux.
Pour comprendre l’impact de l’environnement maternel sur la composition précoce du lait maternel et le développement d’allergies alimentaires, 300 échantillons de lait de la cohorte mère-enfant EDEN ont été analysés par métabolomique, lipidomique, glycomique et par les mesures ciblées de marqueurs immuns, dans le cadre d’un partenariat entre le Laboratoire d’Etude du Métabolisme des Médicaments (CEA) et le Laboratoire d’Immuno-Allergie Alimentaire (INRA).

Sujet :
L’objectif de ce post-doctorat de 12 mois renouvelables est de développer de nouvelles méthodes biostatistiques pour intégrer les cinq jeux de données ainsi que les covariables cliniques, et construire des modèles prédictifs des allergies alimentaires robustes et précis. Des approches linéaires (analyse de données multi-blocs, réseaux de corrélation partielle) et non linéaires seront utilisées, en plus de l’analyse de réseaux biochimiques (pour inclure des informations biologiques et chimiques supplémentaires).
Les défis comprendront notamment la sélection d’une signature multi-omique restreinte, le traitement des effets confondants, des temps de collecte distincts des échantillons et de l’hétérogénéité de la classe « allergie ».
L’implémentation s’appuiera notamment sur l’environnement R.

Profil du candidat :
Les candidats intéressés doivent être titulaires d’un doctorat en mathématiques appliquées (analyse des données, machine learning, sélection de variables, intelligence artificielle, analyse de graphe) et être motivés par des applications multidisciplinaires (chimie et biologie).

Formation et compétences requises :
Les candidats intéressés doivent être titulaires d’un doctorat en mathématiques appliquées.

Adresse d’emploi :
Etienne Thévenot
CEA, LIST, Centre de Saclay, Laboratoire Sciences des Données et Décision
Email: etienne.thevenot@cea.fr
Web: https://frama.link/etienne-thevenot

Document attaché : postdoc-offer_data-sciences_cea-france.pdf

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

Laboratoire/Entreprise : CREST (http://crest.science/), IRMAR (https://irmar.univ-rennes1.fr) and IRISA (http://www.irisa.fr)
Durée : 3 years, renewable
Contact : valentin.patilea@ensai.fr
Date limite de publication : 2019-09-30

Contexte :
University of Rennes 1 and ENSAI open a research position at the interface of three research departments: CREST (http://crest.science/), IRMAR (https://irmar.univ-rennes1.fr) and IRISA (http://www.irisa.fr). Together they gather more than 400 permanent researchers conducting research and education at undergraduate, graduate and postgraduate levels in the fields of
Mathematics, Applied Mathematics, Statistics and Computer Science, featuring internationally renowned researchers (9 ERC awardees, 8 IUF members, 3 CNRS medals, 2 ACM fellows) and projects. Among these 400 researchers, about 15% directly contribute to AI research fields while more than 30% rely on AI technology in their research. Partnership of the research departments involve collaborations with top-level research and education institutions worldwide and with
leading industry partners from large international groups to a vibrant local pool of SMEs, with today 100+ ongoing projects with an AI component.

Sujet :
We are looking for a researcher willing to contribute to unique, highly innovative and technically challenging research at the crossroad of Statistics, Machine Learning and Artificial Intelligence (AI) from a mixed perspective combining Mathematics and Computer Science in AI. Relevant research topics include, but are not limited to : combining statistical and deep learning, theoretical bounds for robust deep learning, domain adaptation, optimal transport, high-dimensional time series analysis, graph theory and manifold learning, random graphs, intelligent compressive sensing, etc. The chaire holder will be encouraged to address the fundamental challenge of designing machine learning and AI techniques endowed with solid statistical/mathematical guarantees as well as resource efficiency, with potential applications (e.g., health, smart territories, cybersecurity, …). S/he will reinforce an internationally competitive research group fostering active collaboration between the partner institutions. The position includes a reduced teaching service (36 hours per year) with courses responsibility and supervision of master and PhD students.

Profil du candidat :
The candidate should have a PhD in Mathematics or Computer Sciences, or equivalent level, with at least 5 years of postdoctoral experience and outstanding research achievements. Full
professorship level applications are encouraged. Salary is competitive, according to qualifications. Position could start as soon as November 2019 for a period of 3 years, renewable.

Formation et compétences requises :
The candidate should have a PhD in Mathematics or Computer Sciences, or equivalent level, with at least 5 years of postdoctoral experience and outstanding research achievements.

Adresse d’emploi :
Rennes, France

The position holder will be member of the CREST department and one of the departments of the University of Rennes 1 (IRMAR or IRISA). S/he will spend time in the different laboratories and
foster cooperative research across departments. From a practical standpoint, several offices will be provided and research productions will be signed under the “Univ Rennes” label. S/he will be given the opportunity to root his/her activity with one or several the excellency projects in Rennes, namely the mathematical Labex Centre Henri Lebesgue, the computer Science Labex CominLabs, the Technological Research Institute (IRT) b<>com and the future Research and Innovation Circle on AI and its application to Defense and Security. Through this environment, we will facilitate collaboration with companies from the private sector through PhD theses and postdoc funding.

Document attaché : Chaire-ENSAI-UR1.pdf

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

Laboratoire/Entreprise : Laboratoire d’Informatique de l’Université du Mans (LIUM)
Durée : 1 an
Contact : nicolas.dugue@univ-lemans.fr
Date limite de publication : 2019-09-31

Contexte :
Le LIUM termine actuellement un projet de collaboration avec la Direction Innovation et Recherche de SNCF autour de la structuration d’un corpus de documents en thématiques. Les ressources lexicales fournies par SNCF ont permis au LIUM de prendre connaissance de la richesse et des spécificités du vocabulaire métier utilisé au sein d’entreprises telles que SNCF. Ce vocabulaire est parfois peu fréquent dans les corpus mais d’après les experts, très important pour caractériser les documents. Par ailleurs, ce vocabulaire contient des acronymes qui, pour environ 40% ne servent pas d’abréviations aux mêmes
groupes de mots. Le corpus de ce projet nous a permis de mettre en lumière trois verrous scientifiques majeurs pour le traitement automatique efficace de ce type de documents en utilisant les plongements lexicaux :
• Comment apprendre des plongements de bonne qualité pour du vocabulaire spécifique parfois peu fréquent ?
• Comment apprendre des plongements pour des acronymes spécifiques ET polysémiques ?
• Comment évaluer les plongements appris ?

Sujet :
Le premier verrou scientifique est relatif à l’apprentissage de plongements lexicaux en langue de spécialité. C’est un problème difficile qui, à notre connaissance, peut être approché soit via des modèles capables de prendre en compte efficacement les basses fréquences (Levy et al. 2015), soit via la production de connaissances (thésaurus, ontologies) de façon à limiter la taille du vocabulaire spécifique à apprendre et à mutualiser les fréquences (Perinet, 2015), soit en utilisant des ressources capables de guider l’apprentissage (Tissier et al. 2017). Dans notre cas, SNCF dispose de ressources produites par des experts : lexiques et dictionnaires d’acronymes. Nous proposons donc d’écrire un modèle capable de tirer parti de ces ressources particulières pour guider l’apprentissage de plongements de bonne qualité pour ce vocabulaire spécialisé.
Nous pensons par ailleurs que cette approche, enrichie par une approche multi-prototypique telle que dans Tian et al. (2014) peut également permettre de résoudre le second verrou. Dans ce genre d’approches, il s’agit d’apprendre un vecteur différent pour chaque sens d’un mot, chaque vecteur étant un prototype. Dans notre cas, le nombre de prototypes à apprendre pour chaque acronyme correspond au nombre de définitions présentes dans le dictionnaire d’acronymes, et chaque définition pourra être utilisée pour apprendre les prototypes qui leur correspondent. Le modèle que nous souhaitons proposer
aura en particulier la capacité de réaliser la désambiguı̈sation en même temps que l’apprentissage des prototypes.
Enfin, le dernier problème concerne l’évaluation des modèles appris sur ces corpus. Pour cela, SNCF nous permet d’accéder à des experts métier capables de réaliser des tâches d’annotation ou d’évaluation. Nous souhaitons nous baser sur des travaux préliminaires qui nous ont permis de rendre compte de la difficulté de ce travail et d’ouvrir des pistes (Dugué et al. 2019). Pour nous aider à
formaliser ce problème d’évaluation, nous pourrons faire appel à Jane Wottawa, linguiste experte des tests de perception.

Profil du candidat :
Nous recherchons un.e jeune docteur.e (ou quelqu’un prêt à soutenir) en informatique, spécialisé.e dans l’apprentissage automatique via des méthodes statistiques, habitué.e à travailler avec des données textuelles. En particulier, un.e candidat.e idéal.e aurait déjà expérimenté des modèles de plongements
lexicaux. Nous cherchons également un.e bon.ne programmeu.r.se Python capable de produire une librairie lisible et réutilisable. Enfin, le/la candidat.e doit très bien maı̂triser la langue française, puisque les documents et le vocabulaire sont en français et qu’il s’agira de pouvoir analyser les résultats dans ce contexte.

Formation et compétences requises :
Nous recherchons un.e jeune docteur.e (ou quelqu’un prêt à soutenir) en informatique, spécialisé.e dans l’apprentissage automatique via des méthodes statistiques, habitué.e à travailler avec des données textuelles. En particulier, un.e candidat.e idéal.e aurait déjà expérimenté des modèles de plongements
lexicaux. Nous cherchons également un.e bon.ne programmeu.r.se Python capable de produire une librairie lisible et réutilisable. Enfin, le/la candidat.e doit très bien maı̂triser la langue française, puisque les documents et le vocabulaire sont en français et qu’il s’agira de pouvoir analyser les résultats dans ce contexte.

Adresse d’emploi :
Laboratoire d’Informatique de l’Université du Mans

Document attaché : Post_doc_Polysemy.pdf

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

Laboratoire/Entreprise : LICIT
Durée : 12-18 months
Contact : angelo.furno@ifsttar.fr
Date limite de publication : 2019-10-01

Contexte :
Guaranteeing efficient, resilient and sustainable mobility in modern large cities is a very challenging task, due to growing transport demand, climate changes, industrialization and population increase.
Distributed and real-time monitoring of large-scale multi-modal transport systems is emerging as a solution to meet such demands, thus providing transport actors with novel decision-making tools for more effectively managing mobility, by reducing costs and guaranteeing higher-quality services.
The LICIT laboratory of University of Lyon, ENTPE and IFSTTAR is working with academic (INSA-Lyon, CNR-Italy, University of Illinois Chicago, University of Sannio) and industrial partners (Orange, Lyon Metropole) in the framework of the French ANR project “PROMENADE” (Platform for Resilient Multi-modal Mobility via Multi-layer Networks & Real-time Big-Data Processing).

The PROMENADE project aims to improve transport resilience via big real-time data monitoring, complex networks and machine learning solutions.
An open source customisable and extensible platform will be proposed to address the different challenges related to engineering the resilience of large-scale urban transport networks, by integrating tools, algorithms and components to perform heterogeneous data collection (sensors, server APIs, mobile networks, social networks, etc.), big data processing and multi-source data mining.
In this context, we are looking for an enthusiastic postdoc with strong background in Distributed Systems Design and Big Data Processing as well as in Software Engineering, and with an interest and skills in Machine Learning and Data Analysis.

Sujet :
The goal of this postdoc is to contribute to the design and prototyping of the architecture of the PROMENADE platform, as well as supporting the development of algorithms and solutions for resilience and mobility analysis.
The postdoc will also be involved in supporting the activities of three PhD students, whose thesis topics are related respectively to:
developing a data-driven modelling framework for (real-time) reconstruction and analysis of mobility practices from multi-source data;
complex network engineering of large-scale approaches for real-time computation of resilience metrics;
definition of new resilience indicators for multi-modal transport networks via simulation-driven stress testing and dynamic control strategies for new generation resilient transport networks and systems.
The postdoc could be involved in teaching activities related to Intelligent Transportation Systems, Data mining and machine learning.

The platform will be implemented by using multiple technologies suited for big data processing, machine learning and IoT integration (Spark, Scala, Python, Kubernetes, etc.).

Profil du candidat :
The candidate shall hold a PhD in Computer Science, on a topic related to big data, distributed computing, scalable software engineering, machine learning for big data.

Formation et compétences requises :
Proven experience on Big Data Architectures and Technologies (Big Data processing and management) and distributed systems: Hadoop, Spark, Scala, Kubernetes, HBase;
Good scripting and coding skills (bash, java, scala, pyspark, python);
Autonomous and team working capabilities.

*** OFFER DETAILS ***
The postdoc will have the opportunity to work in a stimulating research environment including both academic and industrial collaborations, to participate to both computer science and transportation conferences, as well as spending short abroad research periods in the partner institutions.
Duration: 12 months (with possibility of an extension to 18 months)
Net Salary: 2,000 – 2,300 € per month depending on the experience.
Start Date: end of 2019/beginning of 2020.
Hosting team: LICIT laboratory (http://licit.ifsttar.fr)

*** APPLICATION INSTRUCTIONS ***
To apply, please send an e-mail and CV to
Applications in PDF format or informal enquiries by email to angelo.furno@ifsttar.fr are welcome.
The application deadline is September 30th, but applications will be considered until the position is filled.
The starting date is negotiable, but preferably it is fixed on November 1st, 2019.

Adresse d’emploi :
LICIT/IFSTTAR
25, avenue François Mitterrand
Cité des Mobilités
Case 24
F-69675 Bron Cedex
Tel. : +33 (0)4 72 14 24 70

Document attaché :

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

Laboratoire/Entreprise : LISIC / ULCO
Durée : 1 an
Contact : matthieu.puigt@univ-littoral.fr
Date limite de publication : 2019-10-28

Contexte :
Postdoctoral Research Position – Multi-sharpening for Remote Sensing
Institution: Univ. Littoral Côte d’Opale, LISIC EA 4491
Advisors: Matthieu PUIGT, Gilles DELMAIRE, and Gilles ROUSSEL
Detailed subject: http://www-lisic.univ-littoral.fr/~puigt/temp/Postdoc_2020.pdf

Sujet :
Scientific Context:

Remote sensing instruments have known important improvements since several decades, with an increasing spatial or spectral resolution. A Multi-Spectral or an Hyper-Spectral Image (MSI/HSI) consists of a data cube whom two axes describe spatial variations and the third one axis provides spectral variations. The main difference between MSI and HSI lies in the very limited number of spectral band observed by the former.

However, the Signal-to-Noise Ratio (SNR) of a MSI or HSI sensor is proportional to the ratio between the sensor surface and the number of observed spectral bands. As a consequence, in order to maintain a constant SNR, the increasing number of spectral bands in HSI yields a decreasing spatial resolution. Today, our planet is thus observed by several spatial MSI and HSI sensors, with diverse spatial and spectral resolutions.

Nowadays, remote sensing imagers are widely used to map several variables describing the biogeochemical dynamics of the marine environment (e.g., chlorophyll a, suspended matter, organic carbon). However, the study of specific environments such as coastal and estuarine zones using remote sensing requires observations with sufficiently fine spatial scale, whereas the exploitation of water color MSIs requires a good spectral resolution to accurately estimate the different biogeochemical products which are present in these areas.

This postdoctoral position concerns the application of multi-sharpening techniques to fuse Sentinel-3 and Sentinel-2 MSIs. The former provides 21 spectral bands with a spatial resolution of 300 m, while the latter provides 5 spectral bands with a resolution between 10 and 60 m according to the spectral bands. In particular, it is expected to propose methods generating data cubes covering all the Sentinel-3 spectral bands with a spatial resolution of 60 m.

Job Description:

The postdoc will be in charge of:
– proposing novel methods of multi-sharpening, e.g., based on matrix/tensor co-factorization or on deep learning (see below for some bibliographic references);
– implementing and comparing the proposed methods with state-of-the-art approaches, in the framework of Sentinel-2 and Sentinel-3 MSI data.

To that end, he/she will work within the SPeciFI team of the LISIC laboratory (http://www-lisic.univ-littoral.fr/) and will also collaborate with the remote sensing team of the LOG laboratory (http://log.cnrs.fr/). As the latter will provide the MSI data and its expertise in biogeochemistry, a close collaboration between both teams is necessary.

Host Institution and Place of Work:

The successful candidate will be employed by the Université du Littoral Côte d’Opale (ULCO, https://www.univ-littoral.fr/). ULCO is a human-scaled university whose priority research policies are (i) Environment and Sustainable Development and (ii) Marine Environment.

The successful candidate will be hosted in the LISIC laboratory, which is the ULCO Computer & Information Science lab (and the second largest ULCO lab). In particular, he will join the SPeciFI team of LISIC, which develops novel signal processing methods for industrial and natural environment monitoring. In the framework of his postdoc contract, the recruited researcher will integrate a novel research environment with several permanent researchers and Ph.D. students involved in HSI/MSI and/or low-rank approximations. He will also actively collaborate with the LOG laboratory which is a joint CNRS/ULCO/Univ. Lille research lab.

Both laboratories are located by the Regional Nature Park of Opal Coast and Marshes (http://www.parc-opale.fr/), a touristic area which comprises varied landscapes (bays, dunes, marshes, rocks and fine sand beaches) and which is famous for its outdoor activities (e.g., trekking, biking, wind-surfing, kite-surfing, horsing, triathlon, https://en.wikipedia.org/wiki/C%C3%B4te_d%27Opale) and its proximity with Great Britain, Belgium, and Lille (the sixth largest French Metropole).

Related Bibliography:

[1] Bioucas-Dias, J. M., Plaza, A., Dobigeon, N., Parente, M., Du, Q., Gader, P., & Chanussot, J. (2012). Hyperspectral unmixing overview: Geometrical, statistical, and sparse regression-based approaches. IEEE journal of selected topics in applied earth observations and remote sensing, 5(2), 354-379.
[2] Loncan, L., De Almeida, L. B., Bioucas-Dias, J. M., Briottet, X., Chanussot, J., Dobigeon, N., … & Tourneret, J. Y. (2015). Hyperspectral pansharpening: A review. IEEE Geoscience and remote sensing magazine, 3(3), 27-46.
[3] Zhu, X. X., Tuia, D., Mou, L., Xia, G. S., Zhang, L., Xu, F., & Fraundorfer, F. (2017). Deep learning in remote sensing: A comprehensive review and list of resources. IEEE Geoscience and Remote Sensing Magazine, 5(4), 8-36.

Profil du candidat :
Prospective applicants should hold a PhD in Machine Learning, Signal/Image Processing, Applied Mathematics, or any related discipline. Applications from candidates with a good background in (Non-negative) Matrix Factorization, (Non-negative) Tensor Factorization, Deep Learning, Optimization, with excellent programming skills (e.g., in Matlab, Python, C and/or C++) are particularly encouraged.

Applicants are also expected to show good communications skills, both written and oral. In particular, speaking fluently in English or French is required. Writing in English is mandatory.

The monthly gross salary is € 2500 (around € 2000 net salary). The position comes with health insurance and other social benefits.

Applicants are requested to send a resume (including a full list of publications), a brief statement of research interests and the contact details of two referees in a single PDF file by October 28, 2019 to:
– matthieu.puigt [at] univ-littoral.fr
– gilles.delmaire [at] univ-littoral.fr
– gilles.roussel [at] univ-littoral.fr
Shortlisted candidates will be invited to a remote or a face-to-face interview.

Formation et compétences requises :

Adresse d’emploi :
LISIC, Univ. Littoral Côte d’Opale, Campus de Calais ou de Saint-Omer

Document attaché : Postdoc_2020.pdf

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

Laboratoire/Entreprise : CNRS/IRISA
Durée : 24
Contact : guig@irisa.fr
Date limite de publication : 2019-10-31

Contexte :
Nous recrutons une ou un ingénieur spécialisé/e dans le traitement automatique des langues (TAL) dans le cadre du projet européen READ-IT (Reading Europe Advanced Data Investigation Tool ). Ce projet du domaine des humanités numériques allie des chercheurs du monde des technologies de l’information et des chercheurs en sciences humaines et sociales pour faciliter l’exploration et l’exploitation de collections de témoignages (textes, images, vidéos) décrivant des situations de lecture.

Vous rejoindrez l’équipe de recherche LINKMEDIA de l’IRISA , l’un des plus grands laboratoires de recherche public dans le domaine de l’informatique. L’équipe LINKMEDIA est reconnue au niveau international pour ses recherches en analyse de contenus multimédias : vision par ordinateur, traitement de la parole et du langage, traitement des contenus audio, fouille de données, intelligence artificielle. Vous vous intégrerez dans le groupe de chercheurs impliqué dans le projet READ-IT (5 chercheurs) et serez amené/e à interagir avec l’ensemble de l’équipe. Vous développerez votre activité de manière autonome, en relation étroite avec les partenaires du projet en France, en Angleterre ou au Pays-Bas.

Sujet :
Vous serez responsable de la spécification, la conception, la mise en œuvre et la validation des modules de TAL de la plateforme READ-IT. Dans un premier temps, vous recueillerez et analyserez les besoins des partenaires. Vous concevrez ensuite des solutions pour répondre aux besoins exprimés en vous appuyant sur l’adaptation au contexte visé d’outils des laboratoires partenaires ou en diffusion libre (Stanford NLP, CLARIN-IT, etc.). Les besoins couvrent, par exemple, la détection d’entités dans les textes (auteurs, œuvres, dates, etc.), la fouille de texte, notamment de réseaux sociaux, pour détecter automatiquement des situations de lecture, la détection d’émotions ou encore l’analyse lexicométrique. Enfin, vous participerez à l’intégration des solutions proposées dans la plateforme READ-IT et à leur validation auprès des chercheurs en sciences humaines et sociales utilisateurs de la plateforme.

Profil du candidat :
Pour candidater, vous devez posséder a minima un diplôme de Master ou équivalent et justifier d’une formation dans le domaine du traitement automatique de la langue et de l’apprentissage automatique. Une première expérience professionnelle sera privilégiée mais n’est pas obligatoire. En raison du contexte international de travail, une bonne maîtrise de l’anglais est requise.

Formation et compétences requises :
Les candidatures doivent comporter un CV, une lettre de motivation, tout élément susceptible d’attester d’un niveau de maîtrise des domaines requis (TAL et apprentissage automatique) tels que des relevés de notes, ainsi que les coordonnées de personnes susceptibles de vous recommander.

Adresse d’emploi :
Employeur : CNRS, labellisé HR Excellence in Research
Lieu d’exercice : Institut de Recherche en Informatique et Systèmes Aléatoires (IRISA), Rennes
Contrat : CDD d’une durée de 12 mois renouvelable 1 fois, dès que possible à partir de novembre 2019
Rémunération : entre 28 k€ et 34 k€ bruts annuellement selon expérience
Contact : Guillaume Gravier, Pascale Sébillot (prenom.nom@irisa.fr)

Document attaché : Offre-Emploi-Linkmedia-READ-IT.pdf

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

Laboratoire/Entreprise : INRA
Durée : 15
Contact : sandro.bimonte@irstea.fr
Date limite de publication : 2019-11-01

Contexte :
Dans le cadre du projet DEPHY, l INRA recrute en CDD en Big Data pour la conception et intégration d’un système d’information et aide à la décision; application aux données issues de l’agriculture

Sujet :
Conception et intégration d’un système d’information et aide à la décision; application aux données issues de l’agriculture

Profil du candidat :
Autonome et esprit d’equipe

Formation et compétences requises :
Bac+5

Java,
ETL (Talend, etc.)
SQL

Adresse d’emploi :
INRA, Orleans

Document attaché : 20190912-CDD_IE_entrepot_de_donnees_agrosyst_infosol.pdf

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

Laboratoire/Entreprise : TICLab, Université Internationale de Rabat (Maroc)
Durée : 1 an
Contact : mounir.ghogho@uir.ac.ma
Date limite de publication : 2019-12-20

Contexte :
Ce poste s’inscrit dans le cadre d’un projet de recherche financé par le ministère de la cooperation Belge (programme VLIR UOS) dont l’objectif est le développement des méthodes de machine learning pour le monitoring et prédiction des processus urbains.

Sujet :
Il s’agit de développer des méthodes basées sur le Deep Learning pour l’analyse et la prédiction des données spatio-temporelles, en particulier les données qui sont structurées en graphes/réseaux.

Profil du candidat :
Le candidat doit avoir des publications de qualité dans le domaine du Machine Learning. Il doit aussi avoir une bonne maitrise de l’anglais académique.

Formation et compétences requises :
– Doctorat en informatique ou équivalent
– Bonne maitrise de la théorie et l’implementation des méthodes de Machine Learning et en particulier le Deep Learning.

Adresse d’emploi :
International University of Rabat
Maroc
www.uir.ac.ma

Document attaché : postdoc-UIR.pdf

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

Laboratoire/Entreprise : LBBE Lyon / LECA Grenoble
Durée : 2 years
Contact : vincent.miele@univ-lyon1.fr
Date limite de publication : 2019-12-25

Contexte :
The study of species interactions, modelled by ‘networks’, is crucial to understand the functioning of ecological communities and their resilience to global changes. Nowadays, the ever-increasing availability of multiple ecological networks sampled at different spatial locations (see Kortsch et al) allows for studying species interactions at large spatial scales. New questions arise on the variability and plasticity of species interactions in space. This variability is necessarily driven by species turnover that induce changes in network composition (i.e. species/nodes identity can change between different locations) but not always in network structure. In other words, if we are able to characterize the internal structure (or the “shape”) of the ecological networks, it could be possible to compare this structure along spatial gradients putting aside species identity. For instance, two networks with different species can have a similar shape because they share common ecological compartments (e.g. in food webs, see Ohlmann et al).

Kortsch et al, Food‐web structure varies along environmental gradients in a high‐latitude marine ecosystem, Ecography 42 (2), 295-308 (2018)
Ohlmann et al, Diversity indices for ecological networks: a unifying framework using Hill numbers, Ecology Letters 22, 737-747 (2019)

Sujet :
The postdoc project aims at developing a new mathematical framework to study the spatial process driving the variations of network structure. It will rely on two intertwined objectives. The first one consists in proposing the most appropriate way to characterize/measure and compare network structure (that is, converting the network data into quantitative therefore comparable information). Different approaches could be considered, including (but not only):
• machine learning-based techniques, such as nodes/network embedding techniques (see Hamilton et al)
• statistics-based frameworks, such as network models (see Kéfi et al) or network statistics (e.g. beta-diversity, see Ohlmann et al).
The second objective consists in modelling the spatial process that drives changes observed in the light of the aformentionned structure measure. This process will ultimately integrate spatial information (coordinates, ecological barriers,…) and environmental variables (e.g. climate or landscape configuration). In the end, the implemented framework will allow for mapping the biogeography of the internal structure of networks.

Hamilton et al, Representation learning on graphs: Methods and applications, arXiv preprint arXiv:1709.05584 (2017)
Kéfi et al, How structured is the entangled bank? The surprisingly simple organization of multiplex ecological networks leads to increased persistence and resilience, PLoS biology 14-8 (2016)

Profil du candidat :
Motivation to work in an interdisciplinary team.

Formation et compétences requises :
PhD in ecology or machine learning or statistics or network science, with a strong interest for at list a second element in this list.

Proficiency in at least one programming language (Python, R and/or C++).

Adresse d’emploi :
Lyon (LBBE, campus de la Doua, Lyon) or Grenoble (LECA, Univ. Grenoble Alpes) depending on the candidate’s preference

Document attaché : postdoc-econet2019.pdf