Archives

Machine learning for time series prediction in environmental sciences

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

Laboratoire/Entreprise : LIFAT EA 6300, Université de Tours
Durée : 4 to 6 months
Contact : nicolas.ragot@univ-tours.fr
Date limite de publication : 2024-03-04

Contexte :
This internship takes place in the JUNON Project (directed by the BRGM) which goal is to elaborate digital services through large scale digital twins in order to improve the monitoring, understanding and prediction of environmental resources evolution and phenomena, for a better management of natural resources.

Sujet :
The goal of this internship will be to analize data and to build prediction models about pollutants and greenhouse gases using meteorological data as well as measurements of pollutants observed in the past (other factors could also be included).

see: http://www.rfai.lifat.univ-tours.fr/internship-position-master-2-in-artificial-intelligence-machine-learning-data-analysis-for-time-series/

Profil du candidat :
Academic level equivalent to a Master 2 in progress or Engineer in its 5th year, in computer science

Formation et compétences requises :
– a good experience in data analysis and machine learning (in python) is required
– some knowledge and experiences in deep learning and associated tools will be highly considered
– some knowledge in time series analysis and forecasting will be highly considered
– curiosity and ability to communicate and share your progress and to make written reports
– ability to propose solutions
– autonomy and good organization skills

Adresse d’emploi :
LIFAT, 64 Avenue Jean Portalis, 37200 TOURS

Document attaché : 202402011448_Fiche de poste stage Junon.pdf

Vers une prédiction des régimes d’écoulements gaz-liquide par l’intelligence artificielle

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

Laboratoire/Entreprise : Laboratoire de Génie Chimique
Durée : 6
Contact : rachid.ouaret@toulouse-inp.fr
Date limite de publication : 2024-03-04

Contexte :
La distribution des fluides est un enjeu majeur des réacteurs gaz-liquide, notamment pour les
réacteurs de structures fines et de type monolithe. En effet, dans ces réacteurs, composés de
canaux millimétriques parallèles, aucune redistribution au cœur du réacteur ne peut
contrebalancer les défauts d’injection pouvant impacter la conversion et la sélectivité des
réactions en présence. Pour faire face à ce problème, des distributeurs innovants, obtenus par
impression 3D, ont été brevetés au Laboratoire de Génie Chimique, mais leur validation
nécessite de pouvoir caractériser les écoulements dans un grand nombre de canaux
simultanément. Un capteur résistif innovant a été mis au point au LGC pour caractériser en
temps réel, sans visualisation, des écoulements gaz-liquide dans un grand nombre de canaux
millimétriques parallèles. Un traitement de signal spécifique a été développé, mais il nécessite de
connaître a priori le régime d’écoulement dans chaque canal interrogé, ce qui s’avère complexe
avec les méthodes de traitement du signal classique. Par ailleurs, les signaux de tension délivrés
par le capteur regorgent d’informations non encore exploitées, comme l’amplitude du signal ou
des variations périodiques secondaires du signal, qui, mises en perspective, peuvent permettre
d’identifier le régime d’écoulement. La caractérisation des régimes d’écoulement peut être
abordée par les modèles d’apprentissage automatique (machine learning) en mettant en œuvre les
méthodes de classification. Ces modèles, de plus en plus utilisés dans la littérature de spécialité, visent à identifier qualitativement les régimes d’écoulement et/ou quantitativement les débits ou
les taux de vide, à partir de données caractéristiques de l’écoulement [1] ou de données indirectes
issues des capteurs [2], et ce dans différents types de réacteurs gaz-liquide (voir la revue de Yann
et al. 2018 [3]). Face à ces possibilités, ce stage s’inscrit dans le cadre de l’utilisation des outils
de l’intelligence artificielle pour la caractérisation des écoulements confinés à bulles

Sujet :
Ce stage vise à développer des modèles utilisant l’intelligence artificielle pour compléter et
améliorer le traitement des informations issues d’un capteur résistif développé au LGC, afin
d’étendre sa gamme d’application et d’ainsi caractériser au mieux les écoulements et la
maldistribution dans des réacteurs structurés. Le stage s’inscrit dans le volet de modélisation par
les modèles d’apprentissage automatique et visera à identifier les critères d’entrée
(caractéristiques du signal à exploiter) et à évaluer les performances de différents modèles sur les
données recueillies. Ce stage vise à :
● identifier les paramètres d’entrée pertinents (caractéristiques du signal à extraire, ou
signal temporel complet) pour alimenter les modèle de l’apprentissage statistique. Ceci
nécessite de :
○ collaborer avec un autre stage relatif au volet collecte des données ;
○ tester les outils statistiques classiques permettant de hiérarchiser les variables
d’entrée selon leur importance.
● mettre en œuvre les modèle d’apprentissage pour la classification des régimes
d’écoulement.
● Prédire les régimes d’écoulement, le taux de vide et/ou la vitesse de bulles

ÉTAPES DU TRAVAIL ATTENDU
1. Synthèse bibliographique des publications abordant l’identification et la caractérisation
des régimes d’écoulement,
2. Élaboration d’une stratégie d’analyse innovante des données issues des capteurs pour
les ’écoulements gaz-liquide
3. Mise en œuvre des modèles de données (apprentissage statistique, …)
4. Rédaction d’un rapport récapitulatif

Profil du candidat :
Niveau master 1 ou 2 (2ᵉ année ou 3ᵉ année en cycle d’ingénieur)
● Connaissances approfondies en apprentissage automatique (Réseaux de Neurones, …)
avec une bonne maîtrise de la programmation (i.e. Python, R et/ou Matlab),
● Bases en science physique sont très appréciées.
● Maîtrise de l’anglais, motivation, persévérance, curiosité.

Formation et compétences requises :
Statistique appliquée,
Informatique
Traitement du signal

Adresse d’emploi :
Le stage se déroulera au Laboratoire de Génie Chimique (LGC) situé à TOULOUSE (31)
(https://lgc.cnrs.fr), pendant 6 mois, et sur un rythme hebdomadaire de 35h/semaine. La
gratification est de 4,35€ par heure de présence active. Le travail de stage sera directement
encadré par le LGC de Toulouse, et fera l’objet de réunions d’avancement hebdomadaires.

Document attaché : 202402011131_Offre_stage_projet_ETI_2024_vf.pdf

Génération de dashboards interactifs pour les motifs impactant la survie

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

Laboratoire/Entreprise : Equipe BdTln du LIFAT
Durée : 4 à 6 mois
Contact : youssef.oubelmouh@etu.univ-tours.fr
Date limite de publication : 2024-03-04

Contexte :
L’attrition des employés est un problème croissant dans les entreprises technologiques à l’échelle mondiale, et plus particulièrement au sein des entreprises informatiques/cabinets de conseil. La compréhension des tendances liées à l’attrition des employés est cruciale pour le développement de stratégies efficaces de gestion des ressources humaines. Cependant, les travaux récents dans le domaine de l’analyse de données ne prennent pas en compte la notion du temps et des durées dans l’étude de l’attrition des employés [1]. Pour mieux saisir l’aspect temporel de l’attrition, une méthode a été développée pour combiner les techniques d’exploration de motifs séquentiels dans les séquences d’événements avec l’analyse de survie [2]. Cette approche permet d’extraire les motifs qui modifient la courbe de survie par rapport à un contexte donné. Par exemple, le motif a une survie très différente de , indiquant ainsi que est un motif ayant un impact sur la survie de . Afin d’exploiter les motifs extraits caractérisant la survie, les utilisateurs RH ont besoin d’un outil pour visualiser et explorer cette collection de motifs. Cet outil devrait permettre de projeter l’impact des motifs en s’appuyant sur des indicateurs clés de performance pour faciliter la prise de décision.

Sujet :
L’objectif de ce stage est donc de développer des dashboards interactifs permettant une visualisation approfondie des motifs impactant la survie, facilitant ainsi la prise de décision en matière de rétention des employés pour les professionnels des ressources humaines.

Profil du candidat :
Cursus en informatique et science des données avec un goût pour la visualisation.

Formation et compétences requises :
Compétences requises : Bonnes connaissances en JavaScript, CSS, HTML. Connaissances en traitement de données, expérience souhaité avec des outils de visualisation de données, compétences en programmation (Python) appréciées.
Connaissance souhaitées : React, Chart.JS et/ou D3.JS

Adresse d’emploi :
3 place Jean Jaurès, 41000 blois

Document attaché : 202402011025_stage_Master2_dashboards_retention_employés.pdf

Chargé-e de recherche web sémantique pour les données spatio-temporelles

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

Laboratoire/Entreprise : TETIS
Durée : CDI
Contact : maguelonne.teisseire@teledetection.fr
Date limite de publication : 2024-03-05

Contexte :
L’INRAE recrute un(e) chargé(e) de recherche pour renforcer l’UMR TETIS à Montpellier dans le domaine du web sémantique pour les données spatio-temporelles. Si vous êtes passionné par la recherche agro-environnementale et la gestion durable des territoires, doté de compétences analytiques exceptionnelles et que vous souhaitez rejoindre une équipe dynamique, nous vous encourageons à postuler.

Sujet :
L’UMR TETIS a pour objectif de maîtriser les processus permettant de mobiliser l’information spatiale pour la recherche agro-environnementale, la gestion durable des ressources naturelles et des territoires. L’équipe MISCA (Modélisation, Information Spatiale, extraction de Connaissances et Analyse) développe de nouvelles méthodologies hybrides combinant des approches orientées données avec des approches orientées processus dans le cadre des actions “Objectiver” et “Évaluer” du projet d’Unité. Vous viendrez renforcer cette équipe avec vos compétences en web sémantique pour les données spatio-temporelles.

Profil du candidat :
https://jobs.inrae.fr/concours/concours-charges-recherche-classe-normale-profil-h-f/cr-2024-mathnum-3

Formation et compétences requises :
Vous êtes titulaire d’un doctorat ou équivalent. Une spécialisation en informatique dans le domaine de la représentation des connaissances ou de la science des données appliquées aux données spatio-temporelles est vivement recommandée. Vous êtes sensible aux questions environnementales.

Une expérience de collaboration scientifique pluridisciplinaire sera un plus.

Adresse d’emploi :
UMR TETIS
Maison de la Télédetection
500, rue J.F.Breton 34093 MONTPELLIER Cedex 5

COnférence en Recherche d’Information et Applications CORIA

Date : 2024-04-03 => 2024-04-04
Lieu : La Rochelle

CORIA (COnférence en Recherche d’Information et Applications) est la principale manifestation soutenue par l’Association Francophone de Recherche d’Information et Applications ARIA (http://www.asso-aria.org).

Dates importantes

Soumission des articles résumés, courts et longs : jeudi 1er février 2024

Notification aux auteurs : mardi 5 mars 2024

Conférence : les 3 et 4 avril 2024 à La Rochelle

CORIA vise à rassembler les équipes et les personnes menant des travaux scientifiques dans le domaine de la recherche d’information et de ses applications : recherche d’information sur le web, sur les réseaux sociaux ou sur des collections spécifiques, systèmes de recommandation, fouille de documents, d’images, d’enregistrements audio, de vidéos, assistants personnels et chatbots… Devenue activité quotidienne du grand public, la recherche d’information est essentielle à de nombreux usages du numérique. L’activité scientifique et technologique associée ne cesse de croître en interaction avec d’autres domaines de l’informatique et d’autres disciplines, mathématiques, linguistique, sciences cognitives, mais aussi en lien direct avec l’industrie et les acteurs de l’internet, des médias, de la culture, de la santé ou de l’éducation. Les modèles récents intègrent l’apprentissage automatique, la fouille de données, le traitement automatique des langues, le traitement de la parole et du signal, l’analyse d’images ou encore l’informatique affective.

La conférence CORIA est ouverte à l’ensemble de la communauté scientifique internationale concernée par la recherche d’information du point de vue théorique comme du point de vue des applications. Le public visé par CORIA est celui des chercheurs académiques, incluant les étudiants en master et doctorat, des industriels et de tous les spécialistes du domaine. Toutes les publications CORIA sont diffusées en accès ouvert sur le site de l’ARIA et sont indexées par DBLP.

Soumissions

Les soumissions doivent être rédigées selon le style CEURART à une colonne et être soumises sous forme de fichiers PDF via le système EasyChair.

Système de soumission : https://easychair.org/conferences/?conf=coria2024    

Modèle Overleaf : https://www.overleaf.com/latex/templates/template-for-submissions-to-ceur-workshop-proceedings-ceur-ws-dot-org/wqyfdgftmcfw 

Modèle de présentation téléchargeable : http://ceur-ws.org/Vol-XXX/CEURART.zip 

Il est possible de soumettre des articles dans 3 formats : 

– résumé (2 pages + références) : traduction résumée d'un papier déjà publié, résultat négatif, prise de position, description d'un projet; 

– court (8 pages + références) : résultats préliminaires ou état de l'art;  

– long (12 à 16 pages + références) : article scientifique complet.

Les soumissions, anonymisées, seront évaluées par 3 membres du comité de programme. 

Dans le cas de soumissions de résumés d’articles déjà publiés, elles ne devront pas être anonymisées,  et seront évaluées par un membre du comité de programme. L’article d’origine doit être indiqué afin d’ôter toute ambiguïté.

Des articles de longueur inférieure à la limite peuvent être soumis sans que cela soit préjudiciable. CORIA accepte les articles en anglais lorsque les auteurs ne sont pas francophones, mais privilégie les articles en français quand l’un des auteurs est francophone pour les versions finales.

Thèmes (liste non exhaustive) :

– Apprentissage et fouille pour la RI : apprentissage profond, apprentissage de représentations, apprentissage d’ordonnancement, classification;

– Représentation de l’information : indexation, entités liées, multimédia, profils, bases de connaissances;

– Compréhension de requêtes : intention de recherche, suggestion de requêtes, difficulté des requêtes, adaptation aux requêtes;

– Interaction utilisateur : interrogation flexible, modélisation de l’utilisateur, du contexte et de l’usage, accessibilité, RI conversationnelle, personnalisation, RI collaborative, RI interactive;

– Systèmes question/réponse, systèmes de dialogue, chatbots classiques et ChatGPT;

– RI et Humanités Numériques;

– Traitement automatique de la langue naturelle écrite et orale pour la recherche d’information : résumé automatique, détection d’entités nommées et de relations, analyse de sentiments et fouille d’arguments;

– RI et connaissances : web sémantique, web des données, ontologies;

– RI pour les assistants personnels et/ou vocaux;

– RI multilingue : recherche d’information multilingue, traduction automatique, RI interlangue;

– Passage à l’échelle : architectures, performance, compression;

– Analyse du Web : grands graphes, utilisation de la topologie du web, citations, analyse de liens;

– Réseaux sociaux : analyse de réseaux, d’opinions, diffusion d’information, prédiction d’activités, détection d’événements;

– Filtrage et recommandation : filtrage collaborative, démarrage à froid;

– Multimédia (image, audio, vidéos, sons, musiques) et texte : indexation, recherche, catégorisation, alignement; 

– Systèmes de recherche d’information dédiés : recherche d’information génomique, géographique, médicale, recherche de brevets;

– Ressources et évaluation de la RI : évaluation, bancs d’essais, métriques, expérimentations qualitatives des systèmes;

– Transparence, équité et explicabilité des systèmes de RI…

—

Liana Ermakova et Philippe Mulhem

Co-chairs du comité de programme de CORIA 2024

Lien direct

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

CR

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

Laboratoire/Entreprise : Unité BioSP – INRAE
Durée : CDI
Contact : samuel.soubeyrand@inrae.fr
Date limite de publication : 2024-03-06

Contexte :
L’unité Biostatistique et processus SPatiaux (BioSP) à INRAE (Avignon) développe des travaux en statistique, en systèmes dynamiques, en écologie-épidémiologie 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. Vous serez intégré-e dans l’équipe Recherche de l’unité et contribuerez à au moins deux de ses priorités scientifiques : « statistique pour l’épidémiologie prédictive » et « observer et modéliser les distributions d’espèces ». Pour mener vos recherches, vous pourrez bénéficier de l’expertise des chercheur-e-s et ingénieur-e-s de l’unité (en statistique spatio-temporelle, systèmes dynamiques, apprentissage automatique, calcul scientifique, épidémiologie quantitative), de sa plateforme de calcul et de ses nombreux liens avec diverses équipes de recherche méthodologique et appliquée, à INRAE et au-delà.

Candidatures ouvertes du 30 janvier au 05 mars 2024 sur INRAE jobs :
https://jobs.inrae.fr/
Profil : https://jobs.inrae.fr/concours/concours-charges-recherche-classe-normale-profil-h-f/cr-2024-spe-3

Sujet :
Les données de diversité représentent un corpus d’information massif et majeur pour comprendre les interactions complexes entre les processus écologiques, épidémiologiques et biophysiques en jeu en santé et en agroécologie. Ces données doivent par exemple permettre de mieux comprendre et anticiper les émergences d’agents pathogènes ou de résistances aux produits de protection des plantes dans les systèmes multi-hôtes contraints par les changements globaux, ou encore de mieux comprendre et anticiper la régulation ou la conservation des micro- et macro-espèces dans des réseaux trophiques complexes contraints par les interventions humaines. Les données de diversité sont de plus en plus résolutives, fréquentes spatialement et temporellement, plurielles en termes de niveaux d’organisation et de groupes d’espèces, et hétérogènes. De telles données sont typiquement collectées par diverses équipes de recherche au département Santé des Plantes et Environnement (SPE) d’INRAE et à l’international, et ce pour divers micro- et macro-organismes constitutifs des phytobiomes (systèmes incluant les plantes, leur environnement et les communautés d’organismes associées). Vous contribuerez à relever les nouveaux défis méthodologiques associés à ces données de diversité en dépassant la vision généralement statique des approches actuelles. Vous mènerez ainsi des recherches en écologie des communautés avec une visée méthodologique (stratégies d’échantillonnage, réduction de la dimensionnalité, processus spatio-temporels, méthodes d’inférence et de prédiction, couplage de données hétérogènes de diversité, de l’échelle moléculaire à l’échelle des espèces et de leurs fonctions) afin de représenter et caractériser les dynamiques spatio-temporelles de communautés, et de les prédire sous divers scénarios de contrôle. Vous développerez ainsi une vision spatio-temporelle et multi-échelle des communautés avec en arrière-plan l’objectif d’élucider les conditions favorisant, par exemple, la régulation des bioagresseurs, la durabilité des résistances, l’évitement des émergences, la conservation de la biodiversité.

Profil du candidat :
Vous avez mené des recherches dans un des champs de l’apprentissage statistique, de l’apprentissage profond ou des modèles génératifs à base de réseaux de neurones profonds OU dans l’adaptation et l’application de ce type d’approches pour l’écologie ou l’épidémiologie.

Des connaissances en écologie des communautés, analyse de données de diversité, processus ponctuels, réseaux probabilistes ou apprentissage profond sont des atouts.

Formation et compétences requises :
Concours ouvert aux candidat-e-s titulaires d’un doctorat (ou équivalent) soit en statistique ou data science, soit en écologie-épidémiologie quantitative.

Adresse d’emploi :
INRAE – BioSP
228 route de l’aérodrome
Domaine Saint Paul
84914 Avignon

CR

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

Laboratoire/Entreprise : Unité BioSP – INRAE
Durée : CDI
Contact : edith.gabriel@inrae.fr
Date limite de publication : 2024-03-06

Contexte :
L’unité Biostatistique et processus SPatiaux (BioSP) à INRAE (Avignon) développe des travaux en statistique, en systèmes dynamiques, en écologie-épidémiologie 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 d’apprentissage (présence de structures de dépendances spatiales ou spatio-temporelles). L’hybridation entre ces deux approches représente un enjeu scientifique majeur. 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.

Pour postuler, rendez-vous sur le site INRAE jobs du 30 janvier au 05 mars 2024 : https://jobs.inrae.fr/

Sujet :
A BioSP, vous développerez des recherches en apprentissage 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 compétences théoriques dans l’un des domaines de l’apprentissage, vous viendrez renforcer l’unité dans l’utilisation de ces techniques et dans l’évolution des approches de statistiques spatiales. 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’équipe Géostatistique de l’Ecole de Mines de Paris, https://chaire-geolearning.org/

Profil du candidat :
Vous êtes titulaire d’un doctorat, avec des compétences et une expérience dans l’un des domaines de l’apprentissage (Machine Learning, Deep Learning, domain adaptation, transfer learning, weakly supervised learning et knowledge distillation, Generative Adversial Networks, Deep Generative Models). Vous avez montré votre capacité à apporter des développements dans l’un de ces domaines, de préférence dans le traitement de données montrant des dépendances spatiales ou spatio-temporelles, si possible en apportant 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.

Formation et compétences requises :
Vous êtes titulaire d’un doctorat, avec des compétences et une expérience dans l’un des domaines de l’apprentissage (Machine Learning, Deep Learning, domain adaptation, transfer learning, weakly supervised learning et knowledge distillation, Generative Adversial Networks, Deep Generative Models). Vous avez montré votre capacité à apporter des développements dans l’un de ces domaines, de préférence dans le traitement de données montrant des dépendances spatiales ou spatio-temporelles, si possible en apportant 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.

Adresse d’emploi :
INRAE – BioSP
228 route de l’aérodrome
Domaine Saint Paul
84914 Avignon

Document attaché : 202401311038_ML_2024_BioSP.pdf

STAGE M2 : Gestion de données de l’électromobilité

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

Laboratoire/Entreprise : UHA – IRIMAS
Durée : 6 mois
Contact : laurent.moalic@uha.fr
Date limite de publication : 2024-03-06

Contexte :
Le développement de la mobilité électrique est plus que jamais au cœur des orientations stratégiques à travers le monde. Cette rupture avec les mobilités thermiques, pour être efficace et avoir un impact significatif sur l’environnement notamment, doit s’accompagner de la mise en place d’infrastructures de recharge à grande échelle. Il est donc primordial que l’implantation des bornes de recharge soit pertinente, en termes de positionnement des infrastructures et de dimensionnement.

Sujet :
L’objet de ce stage est de fournir une première étape vers un déploiement de bornes de recharge optimal.
Trois thèmes feront l’objet de ce stage :
• Il s’agira dans un premier temps d’identifier l’ensemble des données géographiques et socio-économiques susceptibles d’impacter le fonctionnement d’un réseau de bornes de recharge.
• Dans un deuxième temps, ce stage fera ressortir les corrélations existant entre les données caractérisant le territoire et le fonctionnement réel d’un réseau de recharge.
• Finalement, la mise en œuvre d’un algorithme d’apprentissage automatique visera à prédire le fonctionnement d’une borne de recharge d’après son implantation.

Profil du candidat :
• Le candidat doit être en master M2 ou cycle ingénieur en informatique ou en mathématiques appliquées.
• Des compétences en Systèmes d’Information Géographique (SIG) ou dans le domaine de la mobilité serait un plus.

Formation et compétences requises :
M2 ou cycle Ingénieur

Adresse d’emploi :
Mulhouse

Document attaché : 202401311007_SujetStageMaster1.pdf

Poste MCF Informatique Université de Haute-Alsace, ENSISA / Laboratoire IRIMAS, équipe MSD

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

Laboratoire/Entreprise : Université Haute-Alsace
Durée : indéterminée
Contact : maxime.devanne@uha.fr
Date limite de publication : 2024-03-06

Contexte :
Nous recrutons un(e) MCF en Informatique (CNU 27) dans notre équipe (dynamique et sympa) à l’Université de Haute-Alsace pour une prise de poste le 1er septembre 2024. Le profil recherche du poste est en analyse de séries temporelles avec des enseignements en réseau.

Conditions d’accueil particulières à l’UHA :
– Décharge d’enseignement pendant deux ans (96 h ETD la première année, 32 h ETD la deuxième année).
– Éligibilté à des projets spécifiques nouveaux recrutés (10 000 €) expertisés par la Commission de la Recherche.

Sujet :
La personne recrutée intégrera l’équipe MSD d’IRIMAS pour ses activités de recherche et la spécialité Informatique et Réseaux de l’ENSISA pour ses activités d’enseignement.

Les profils précis attendus par chaque laboratoire sont précisés ci-dessous. N’hésitez pas à contacter l’équipe pour plus d’informations sur le poste :
– Recherche : Germain Forestier (germain.forestier@uha.fr)
– Enseignement : Jonathan Weber (jonathan.weber@uha.fr)

Profil du candidat :
Profil recherche:
La/Le candidat(e) intégrera l’équipe MSD (Modélisation et Science des données) du département Informatique (https://msd-irimas.github.io) de l’IRIMAS. Il/Elle justifiera d’une expérience significative dans l’analyse et la fouille de séries temporelles et viendra renforcer l’axe de recherche « Science des données » de l’équipe. Au sein de cet axe, la/le candidat(e) s’attachera à développer les travaux actuels du département informatique sur la classification de séries temporelles de diverses origines (capteurs embarqués, satellites, dispositif chirurgicaux, etc.) par des approches de deep learning. Une expérience de projets de recherche nationaux et internationaux ; l’existence de collaborations avérées (publications, séjours scientifiques, projets) entre le candidat et des équipes internationales renommées sera appréciée. De plus, la/le candidat(e) s’appliquera de par ses capacités et activités à favoriser les interactions avec les équipes des départements « informatique », « Automatique, signal et Image » et « Mathématiques » de l’IRIMAS. Enfin, il/elle s’investira dans la vie de l’équipe.

Profil enseignement:
La/Le candidat(e) effectuera son enseignement principalement dans les trois années de la spécialité Informatique et Réseaux de l’ENSISA (https://www.ensisa.uha.fr/formations/ecole-ingenieur-informatique-et-reseaux/), éventuellement dans les autres spécialités d’ingénieurs de l’Ecole. La/Le candidat(e) devra posséder de solides compétences en informatique et des connaissances permettant d’aborder les aspects réseaux qui constitueront la majorité de son service. Une implication dans les enseignements d’apprentissage automatique (Intelligence Artificielle, Deep Learning) ainsi que ceux de cybersécurité, deux thèmes en développement dans la spécialité, sera également possible. Il/Elle s’impliquera dans les enseignements DDRS (Développement Durable et Responsabilité sociétale) de la spécialité. De plus, la/le candidat(e) s’investira également dans les enseignements du cycle post-bac de l’ENSISA (l’ENSISA étant partenaire INSA). L’enseignant(e)-chercheur(e) s’impliquera dans la vie de l’école (encadrement de projets, suivi de stages et d’apprentis, …) et envisagera à moyen terme la prise de responsabilités administratives collectives.

Formation et compétences requises :
Titulaire d’un Doctorat en Informatique (ou un diplôme équivalent)

Adresse d’emploi :
Université Haute-Alsace, ENSISA
12 rue des Frères Lumière
68093 Mulhouse, France

Réalisation d’un benchmark des méthodes de détection d’armées de robots dans les réseaux sociaux

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

Laboratoire/Entreprise : Laboratoire d’Informatique de Bourgogne (LIB)
Durée : 5-6 mois
Contact : eric.leclercq@u-bourgogne.fr
Date limite de publication : 2024-03-06

Contexte :
Dans les réseaux sociaux, la manipulation de l’information est une problématique pouvant avoir des conséquences néfastes importantes. Les stratégies de diffusion d’informations manipulées sont complexes, et peuvent avoir recours à la mise en oeuvre d’armées de robots ayant différents rôles dans le réseau. Par exemple, un groupe de robots peut avoir pour tâche de spammer certains messages ou mots clés afin de manipuler les tendances et de gagner une visibilité importante en peu de temps, d’autres robots peuvent avoir un profil évolué ainsi qu’une activité quotidienne, leur permettant de passer pour des utilisateurs légitimes et de donner plus de poids aux messages qu’ils pourraient diffuser dans certaines communautés. Toutefois, la détection de ces armées de robots est complexe, et l’évolution rapide de leur comportement et de leur organisation restreint les types d’algorithmes utilisables.

Le projet ANR Beelzebot est un projet interdisciplinaire regroupant des chercheur en informatique, en sciences de la communication et du langage. Il a pour objectif de définir des mécanismes pour détecter les armées de robots sur Twitter en se basant sur des méthodes non-supervisées, ainsi qu’à caractériser les activités de ces armées.

Sujet :
L’objectif du stage, dans le cadre du projet ANR Beelzebot, est de réaliser un textit{benchmark} des techniques de détection de robots existantes, afin d’en révéler les limites et de voir leur capacité à prendre en compte à différents jeux de données.

En plus des jeux de données publics, plusieurs jeux de données collectés sur Twitter sont à disposition, comme par exemple les discussions autour des élections présidentielles françaises de 2022 ou le COVID, contenant de plusieurs millions à plusieurs milliards de tweets. L’environnement matériel des serveurs de stockage et de traitement est opérationnel au Data Center Régional de l’UBFC.

Plus précisément, le stage consiste à réaliser un état de l’art pour identifier les méthodes de détection de robots exploitables (par exemple lorsque le code est déjà disponible), puis à établir un protocole expérimental permettant de comparer ces méthodes entre elles et enfin à réaliser les expériences correspondantes et mesurer les critères définis dans le protocole. Une attention particulière sera portée sur la reproductibilité de l’implémentation du protocole qui devra permettre de prendre en compte rapidement de nouvelles méthodes de détection ou de nouveaux jeux de données.

Ce travail constitue un travail préparatoire, qui pourra être poursuivi au cours d’une thèse financée par la projet ANR.

Profil du candidat :
étudiant en Master 2 avec spécialité informatique

Formation et compétences requises :
Formation Scientifique avec une solide base en informatique
Curiosité et rigueur scientifique
Compétences en gestion de données et programmation

Adresse d’emploi :
Université de Bourgogne
Laboratoire d’Informatique de Bourgogne
UFR Sciences et Techniques
9, Avenue Alain Savary
21078 Dijon

Document attaché : 202401300744_SujetStageBeelzebot.pdf