Archives

Professeur(e) en apprentissage automatique, INSA Lyon/LIRIS

Offre en lien avec l’Action/le Réseau : – — –/– — –

Laboratoire/Entreprise : LIRIS, INSA Lyon
Durée : CDI
Contact : remy.cazabet@univ-lyon1.fr
Date limite de publication : 2024-03-31

Contexte :
L’INSA Lyon recrute un/une professeur(e) en apprentissage automatique rattaché(e) au LIRIS.
L’équipe DM2L (Data Mining & Machine Learning) a la priorité du laboratoire.
L’annonce est détaillée ci-dessous.

Sujet :
Le LIRIS (UMR CNRS 5205) cherche à renforcer son impact sur l’apprentissage automatique, thématique centrale de l’enjeu « Information et Société Numérique » de l’INSA Lyon, dont l’intelligence artificielle est un pilier. La personne recrutée devra démontrer ses capacités à mener une recherche de haut niveau portant sur les aspects fondamentaux des méthodes et des algorithmes d’apprentissage automatique à partir de données complexes (structurées ou non structurées comme les textes, les images,ou les graphes). Le développement de synergies entre l’apprentissage neuronal, flexible et performant, et l’apprentissage symbolique, robuste et permettant l’interaction humaine, sera clairement apprécié, notamment pour l’IA explicable et frugale. Elle devra aussi avoir mis en œuvre et étudié les méthodes d’apprentissage de modèles et démontré sa capacité à développer des méthodes innovantes pour l’analyse et l’interprétation de données dans des cadres applicatifs variés.

Profil du candidat :
La personne recrutée devra avoir démontrée sa capacité à développer sa recherche au travers de collaborations nationales et internationales via des projets structurants avec le monde académique et/ou industriel. En termes de prises de responsabilités, elle pourra prendre en charge l’animation des activités de recherche du LIRIS sur l’apprentissage automatique. Son projet de recherche s’intégrera dans l’équipe DM2L (priorité du LIRIS) ou l’équipe IMAGINE.

Formation et compétences requises :
N’hésitez pas à prendre contact pour plus d’information.
Équipe DM2L:
Céline Robardet (celine.robardet@insa-lyon.fr)
Rémy Cazabet(remy.cazabet@univ-lyon1.fr)

Adresse d’emploi :
INSA Lyon/LIRIS

Two postdoctoral fellows – AI for breast cancer screening

Offre en lien avec l’Action/le Réseau : DOING/Doctorants

Laboratoire/Entreprise : ETS Montréal, CentraleSupelec
Durée : 18 months
Contact : pablo.piantanida@mila.quebec
Date limite de publication : 2024-02-29

Contexte :
We are excited to share an interesting opportunity for two postdoctoral fellows, each with an 18-month tenure, to actively contribute to groundbreaking research in the field of AI for breast cancer screening.

Sujet :
Our project, funded by FRQS and Health Data Hub, titled “AI Foundation Models for Breast Cancer Screening: Advancing Early Detection through AI,” is calling for skilled individuals to become part of our international team between the International Laboratory on Learning Systems (ILLS) together with the Quebec AI Institute, located in Montreal (QC, Canada), and MICS located in CentraleSupelec within Paris-Saclay University (France). This role offers a key position in shaping the development and progress of AI-driven solutions for early breast cancer detection.

For further details check: https://sites.google.com/mila.quebec/pablo-piantanida/openings?authuser=0#h.kyzvdsd2q45m

Profil du candidat :
= Position Qualifications =
+ PhD program in Computer Science, Machine Learning, Computer Engineering, Mathematics, or related field (e.g. applied mathematics/statistics).
+ Very good understanding of Machine Learning theory and techniques, as well as of computer vision.
+ Strong publication track in recognized venues of computer vision (CVPR, ECCV, ICCV), machine learning (NeurIPS, ICLR, ICML) and/or medical image computing (MedIA, IEEE TMI, MICCAI).
+ Good programming skills in Python (PyTorch).
+ Applications/ domain-knowledge in medical image processing is a plus.
+ Good communication skills in written and spoken English.
+ Creativity and ability to formulate problems and solve them independently.

Formation et compétences requises :
= How to apply =
If you are interested, please send us the following elements as soon as possible
and not later than January 20th:
+ Detailed CV.
+ Letter of motivation.
+ Elements of bibliography or personal achievements related to a research activity.
+ 2 references or recommendation letters.

If you are interested and meet the qualifications, please submit your application letter and CV by email.

Adresse d’emploi :
ETS Montreal (1100 Notre-Dame St W, Montreal, Quebec H3C 1K3) and CentraleSupelec (3 Rue Joliot Curie, 91190 Gif-sur-Yvette)

Document attaché : 202401040542_Postdoc Fellowships.pdf

Challenges of Mixed Data Clustering

Offre en lien avec l’Action/le Réseau : SimpleText/– — –

Laboratoire/Entreprise : DVRC
Durée : 4 mois
Contact : sonia.djebali@devinci.fr
Date limite de publication : 2024-02-29

Contexte :
Industrial context

The energy sector is in the midst of significant transformation, prompted by the need to increase the use of renewable energy sources and improve energy efficiency, becoming a Smart Grid. This cutting-edge technology allows for the analysis, management, and coordination of energy production, consumption, and distribution, all with the goal of promoting more sustainable practices. A challenge arises from the fact that the data is mixed, containing both numerical and categorical information, often in the form of a data stream. Analyzing this kind of data requires adapted methods. As a result, traditional methods that are designed for numerical data are not well-suited to this type of data.
Advanced tools for analyzing complex systems that can handle rich and heterogeneous data are crucial for Trusted Third Parties for Energy Measurement and Performance to provide independent energy performance analysis and recommendations for clients. It is important that these tools are also easily interpretable by energy experts to facilitate classification and recommendation.
Creating clusters of similar buildings is an effective way to handle complex energy data. Hierarchical clustering of mixed data is a crucial approach that allows energy experts to easily associate clusters with recommendations. It is an essential tool for not only the energy sector but also has diverse applications in fields such as biology, medicine, marketing, and economics.

Sujet :
Scientific context

Although mixed data is widespread, clustering tools specifically designed for it are limited. Some of the bottlenecks have already been defined in a previous scientific paper. Here is a non-exhaustive list of bottlenecks one can encounter when handling mixed data in a pipeline:

Data preprocessing: Data preprocessing is a critical step in mixed data clustering like handling missing data, encoding categorical data, and scaling numerical data.
Feature selection: Mixed data clustering requires feature selection to be performed before clustering. However, selecting relevant features can be a challenging and time-consuming task.
Metric selection: Choosing the right distance metric to measure the similarity between different data types.
Evaluation: There is a lack of standard evaluation criteria for mixed data clustering, which makes it hard to compare different methods.
Computational complexity: Mixed data clustering involves dealing with different types of data and distance metrics, which can result in high computational complexity.
Visualization: It is difficult to create visualizations that effectively communicate the relationships between different data types.
Interpretation: Understanding the relationships between different data types can be challenging, especially if the clusters are not well-separated or the data are altered before using any methods.

Profil du candidat :
Etudiant(e) de niveau M1 ou M2 en informatique (Master ou école d’ingénieurs).

Formation et compétences requises :
Connaissance en Machine Learning, Clustring, Python et expérience dans l’utilisation de bibliothèques de ML,
Forte appétence pour la recherche académique
Capacité à effectuer des recherches bibliographiques
Rigueur, synthèse, autonomie, capacité à travailler en équipe

Adresse d’emploi :
Pole Léonard de Vinci
92 916 Paris La Défense Cedex

Document attaché : 202312221037_2024_Stage_MixedData.pdf

Stage M2 : Deep learning faiblement supervisé pour l’aide au diagnostic du lymphome

Offre en lien avec l’Action/le Réseau : – — –/– — –

Laboratoire/Entreprise : GREYC UMR CNRS 6072
Durée : 5/6 mois
Contact : olivier.lezoray@unicaen.fr
Date limite de publication : 2024-03-31

Contexte :
Le lymphome est une pathologie cancéreuse caractérisée par la prolifération de cellules du système lymphatique. Il s’agit en réalité plus « des lymphomes » que « du lymphome » de par la variété des différentes cellules qui peuvent proliférer et des variétés de la gravité des différents lymphomes. Le diagnostic se fait en anatomie et cytologie pathologiques à partir de prélèvements dans le ganglion. A partir de ces prélèvements, on réalise – entre autres – une lame de cytologie par apposition : les cellules du ganglion sont déposées sur une lame de verre et colorées pour en observer les caractéristiques. Or, en dehors de certaines situations évidentes, les cellules de la plupart des différents types de lymphomes ont des caractéristiques morphologiques difficiles à discriminer avec l’œil humain. Il serait donc intéressant d’entrainer un programme d’intelligence artificielle à identifier (ou non) ces caractéristiques à partir d’une banque de lames de cytologie d’empreintes ganglionnaires lymphatiques, dont le diagnostic de lymphome (et de son type) est établi.

Sujet :
La pathologie computationnelle est un domaine en plein essor qui s’avère très prometteur pour amé- liorer l’accès aux soins de santé. En particulier, l’aide au diagnostic a fortement évolué ces dernières années avec l’utilisation d’approches de deep learning. Si ces méthodes permettent d’extraire des caractéristiques plus discriminantes à des fin de diagnostic, elles sont très couteuses en volume de données nécessaire. En effet, cela demande aux pathologistes de réaliser des annotations au niveau pixel de scans de grande taille de lames (au niveau du gigapixel) afin que les modèles puissent effectuer leur apprentissage supervisé. Pour surmonter cette limitation en pathologie digitale, des approches faiblement supervisées sont apparues. Cette fois la lame scannée reçoit une unique annotation avec des caractéristiques provenant des tuiles de la lame scannée. Pour l’apprentissage, les tuiles peuvent toutes hériter du label de la lame ou bien des sacs de tuiles héritent du label (apprentissage à instances multiples). La prédiction médicale se fait alors au niveau de la lame entière : une lame est positive si elle contient au moins une tuile tumorale. Ces approches sont très prometteuses [1] et nous souhaitons les explorer pour l’aide au diagnostic de lames d’empreintes ganglionnaires lymphatiques dans un contexte de suspicion de lymphome.

Profil du candidat :
— Etudiant.e en Master 2 Recherche ou en dernière année d’école d’ingénieur, spécialisé en informatique, image et/ou intelligence artificielle.

Formation et compétences requises :
— Une formation en machine et deep learning est indispensable.
— Des connaissances et expériences en apprentissage profond et programmation (Python, Tensor-
Flow/PyTorch) sont nécessaires.
— Autonomie et curiosité pour la recherche scientifique.

Adresse d’emploi :
Laboratoires : Laboratoire GREYC (UMR CNRS 6072), CHU de Normandie
Encadrants : Marie-Laure Quintyn-Ranty (Praticien Hospitalier CHU Caen Normandie), Olivier Lézoray (PR UNICAEN), Alexis Lechervy (MC UNICAEN).
Stage : Durée de 5-6 mois, à Caen, au Campus 2, ENSICAEN, Bâtiment F.

Document attaché : 202312220817_sujetMasterCHU2024.pdf

ACM Reproducibility and Replicability – Save The Date! June 18-20

Date : 2024-06-18 => 2024-06-20
Lieu : Rennes, France

Save the date! The ACM Conference on Reproducibility and Replicability will take place on:

June 18-20, 2024 at INRIA, Rennes, France
This will be a hybrid event – remote participation is welcome.
https://acm-rep.github.io/2024

About ACM REP
The 2024 ACM Conference on Reproducibility and Replicability (ACM REP ‘24) aims to bring together experts and practitioners engaged in the advancement and conduct of reproducible science in computing disciplines.

What’s next?
The call for paper will open soon, the deadline for paper submission will be: January 29, 2024.

For more info: https://acm-rep.github.io/2024

Notre site web : www.madics.fr
Suivez-nous sur Tweeter : @GDR_MADICS
Pour vous désabonner de la liste, suivre ce lien.

Poste PR 27 – Sorbonne Université : Traitement et représentation de données et de connaissances pour l’Intelligence Artificielle

Offre en lien avec l’Action/le Réseau : – — –/– — –

Laboratoire/Entreprise : LIP6 – Sorbonne Université – UFR 919
Durée : indéterminée
Contact : bernd.amann@lip6.fr
Date limite de publication : 2024-04-21

Contexte :
Le profil de recherche se situe à l’interface des domaines de la Science des Données, de l’Intelligence Artificielle et des Bases de Données. Les objectifs sont d’une part de renforcer les activités de recherche sur le traitement et la représentation des données pour leur transformation en modèles exploitables par les systèmes intelligents et en connaissances interprétables par les humains, et d’autre part de structurer ces thématiques de recherche transverses aux trois équipes BD, LFI et MOCAH du laboratoire LIP6.

Le profil d’enseignement couvre de nombreuses thématiques d’enseignement (Bases de Données, Sciences des données, Big Data, IA….). Ce recrutement a pour objectif l’amélioration du ratio PR/MC et s’inscrit également dans le projet d’établissement de Sorbonne Université et en particulier dans l’objectif de former davantage d’étudiants au numérique et à la science des données (Licence, Master et Formation Continue), et dans le renforcement des collaborations avec l’Institut SCAI.

Laboratoire d’accueil: Le LIP6, UMR 7606, Unité Mixte de Recherche CNRS et Sorbonne Université, est un laboratoire de recherche en informatique se consacrant à la modélisation et la résolution de problèmes fondamentaux motivés par les applications, ainsi qu’à la mise en œuvre et la validation des solutions au travers de partenariats académiques et industriels. Les 19 équipes du LIP6 articulent leurs activités autour de quatre axes transverses : « Intelligence artificielle et science des données », « Architecture, systèmes et réseaux », « Sécurité, sûreté et fiabilité », « théorie et outils mathématiques pour l’informatique ».

Sujet :
Profil Recherche

L’IA et les données : Dans beaucoup d’applications du monde réel, certaines solutions d’intelligence artificielle (IA), et en particulier les méthodes statistiques, reposent sur la disponibilité de grandes quantités de données. Dans ce contexte, une bonne intégration entre les infrastructures de gestion et d’analyse des données et les outils d’IA joue un rôle essentiel dans le développement d’applications efficaces et pérennes. La fertilisation entre les domaines des bases de données (BD) et de l’IA est une voie à double sens. Tout d’abord, dans le sens de “l’IA pour les BD”, les nouvelles méthodes et les nouveaux modèles de l’IA peuvent être appliqués à l’automatisation et à l’optimisation des pipelines de gestion et d’analyse de données massives. Deuxièmement, dans le sens des “BD au service de l’IA”, les méthodes de gestion de données peuvent apporter plus d’efficacité et d’expressivité à l’ingénierie des données et des modèles d’apprentissage machine mobilisés dans les pipelines d’analyses prédictives.

L’IA et la connaissance : Les modèles d’IA centrés sur l’humain peuvent combiner des données provenant de traces d’interaction avec l’utilisateur, des connaissances de ces utilisateurs, ainsi que la prise en compte d’informations et de connaissances subjectives. Les algorithmes et méthodes dans ce domaine doivent raisonner dans l’incertain, dans l’imprécis et sur des connaissances subjectives ou mal définies, tout en étant capables d’expliquer et de justifier leur raisonnement. Elles doivent être interprétables pour que leur construction, leur représentation et leurs décisions puissent être compréhensibles, acceptées et adoptées par leurs utilisateurs. De plus, ces modèles doivent être dynamiques, capables d’évoluer au fur et à mesure des interactions avec leurs utilisateurs et de s’intégrer dans les systèmes d’information.

Profil Enseignement

La personne recrutée interviendra de façon équilibrée sur les différents niveaux de formation, du L1 au M2. La personne recrutée contribuera significativement aux enseignements de Licence d’informatique dont les besoins couvrent l’ensemble de la discipline (algorithmique, programmation (notamment objet, concurrente, fonctionnelle, web),
mathématiques discrètes, structures de données, système, architecture, réseaux, compilation, bases de données…)

En Master, selon son profil, la personne recrutée renforcera les enseignements du parcours « AgeNts Distribues, Robotique, Recherche Opérationnelle, Interaction, DEcision » (ANDROIDE) et/ou des autres parcours avec une forte composante IA.

Contact

Recherche : Fabrice Kordon ([Fabrice.Kordon@lip6.fr](mailto:Fabrice.Kordon@lip6.fr))

Enseignement:
Licence d’informatique : Jean-Lou Desbarbieux, directeur [(jean-lou.desbarbieux@lip6.fr](mailto:jean-lou.desbarbieux@lip6.fr))

Master d’informatique: Fourmaux, directeur [(olivier.fourmaux@sorbonne-universite.fr](mailto:olivier.fourmaux@sorbonne-universite.fr))

Profil du candidat :
Le profil du candidat doit correspondre aux thématiques de recherche et d’enseignement du poste.

Formation et compétences requises :
Candidats titulaires, à la date de clôture des inscriptions, d’une habilitation à diriger des recherches. Le doctorat d’Etat est admis en équivalence de l’habilitation à diriger des recherches.
Les titulaires de diplômes universitaires, qualifications et titres de niveau équivalent peuvent être dispensés de la possession de l’habilitation à diriger des recherches par le CNU.
Les candidats exerçant une fonction d’enseignant-chercheur, d’un niveau équivalent à celui de l’emploi à pourvoir, dans un établissement d’enseignement supérieur d’un État autre que la France, titulaires de
diplômes universitaires, qualifications et titres de niveau équivalent peuvent être dispensés de la possession de l’habilitation à diriger des recherches par le conseil académique.

Adresse d’emploi :
Sorbonne Université (UP6) – FACULTE DES SCIENCES – UFR 919 Ingénierie
Campus Pierre et Marie Curie, 4 place Jussieu 75005 Paris

Document attaché : 202312211431_35_LIP6_Traitement_representation_PR27_EC.pdf