Consulter les offres d’emploi

2-year postdoctoral position in Statistics and Machine Learning for Biological processes in Lyon
Publiée le 23/07/2024 16:04.
Référence : 2-year postdoctoral position in Statistics and Machine Learning for Biological processes in Lyon.
Postdoc, Lyon.
Entreprise/Organisme :Centre international de recherche sur le cancer (IARC)
Niveau d'études :Doctorat
Date de début :From September to December 2024
Durée du contrat :24 months
Rémunération :monthly net salary ranging from ∼1900 euros to ∼3100 euros, depending on the level of qualification
Secteur d'activité :Academic
Description :Applications are invited for a 2-year postdoctoral position in statistics and machine learning at the International Agency for Research on Cancer (IARC, World Health Organization, Lyon, France) and Ecole Centrale de Lyon (ECL, Lyon, France). The successful candidate will join the MOBiL project (Multi-omics data integration to investigate biological mechanisms underlying the link between lifestyle behaviors and gastro-intestinal cancers), which is one of the 11 "Projets Structurants" funded within the Shape-Med Lyon initiative.
En savoir plus :https://math.univ-lyon1.fr/icj/
MOBiL_Postdoc.pdf
Contact :yohann.de-castro@ec-lyon.fr
Ingénieur bioinformaticien biostatisticien (Statut : chargé d’étude)
Publiée le 23/07/2024 16:03.
Référence : Bioinformaticien-biostatisticien junior - HCL.
CDD, Service de Biostatistique-Bioinformatique des Hospices Civils de Lyon et Plateforme Gilles Thomas d.
Entreprise/Organisme :HOSPICES CIVILS DE LYON
Niveau d'études :Master
Date de début :Dès que possible
Durée du contrat :CDD temps plein, possibilité d’évolution vers un CDI ou CDI selon conditions administratives
Rémunération :33K€ Brut (échelon I)
Secteur d'activité :Bioinformatique avec si possible expérience en multi-omiques
Description :DENOMINATION DU POSTE Poste : Ingénieur bioinformaticien biostatisticien (Statut : chargé d’étude) Catégorie d’emploi : Catégorie A CONTEXTE Le poste s’inscrit dans le cadre du Centre d’Excellence en cancérologie pédiatrique SOUTH-ROCK récemment labellisé par l’INCa (https://www.crcm-marseille.fr/actualites/communiques-de-presse/southrock-lalliance-lyon-marseille-dans-la-lutte-contre-le-cancer-pediatrique/). En capitalisant sur les complémentarités des équipes cliniques et de recherche de Lyon et Marseille, les objectifs de South-ROCK sont de structurer la recherche translationnelle en oncopédiatrie, autour de programmes de recherche originaux et ambitieux. Il propose de relever les défis d’améliorer le soin et la prévention des cancers pédiatriques, avec un focus sur le contexte développemental pré- et post-natal dans lequel ils apparaissent. Des modèles innovants combinés à l'intégration d'ensembles de données multi-omiques seront utilisés pour comprendre comment le détournement des programmes de développement peut conduire à une transformation maligne, et quel est l’impact de l’âge au diagnostic sur ces processus. Ces informations serviront à la mise en place de nouveaux traitements combinatoires ciblant l'hétérogénéité et la plasticité intra-tumorale, et leurs schémas d’administration seront optimisés mathématiquement. Enfin, l'impact des polluants sur l'initiation et la progression des tumeurs sera évaluée, en mettant l'accent sur les aspects épigénétiques et métaboliques. ENVIRONNEMENT DE TRAVAIL Vous serez intégré dans une équipe dont les missions sont de contribuer à l’analyse de données dans le champ de la santé publique et de la médecine 5P. Ces missions nécessitent le développement de méthodes bioinformatiques et statistiques spécifiques, développement réalisé dans le cadre d’une interaction fructueuse entre le versant hospitalier du service et son versant universitaire (Equipe Biostatistiques Santé – Laboratoire de Biométrie et Biologie Evolutive – UMR CNRS 5558 – Université Lyon 1). L’équipe est constituée d’environ 25 personnes, et a à son actif près de 800 publications. Dans le cadre du projet SOUTH ROCK, vous travaillerez en lien avec les plateformes Gilles Thomas et Share4Kids. Vous participerez à des réunions sur différents sites sur Lyon (HCL, CLB, CRCL) et à des réunions nationales.
En savoir plus :NA
Poste_BioInformaticien Junior.pdf
Contact :delphine.maucort-boulch@chu-lyon.fr
Biostatisticien senior pour la Bioinformatique
Publiée le 23/07/2024 16:03.
Référence : Biostatisticien senior pour la Bioinformatique - HCL.
CDD, LYON.
Entreprise/Organisme :HCL
Niveau d'études :Doctorat
Date de début :Dès que possible
Durée du contrat :1 an renouvelable avec possibilité d'évolution vers un CDI
Rémunération :40 k€ (échelon 4 et plus en fonction de l'expérience)
Secteur d'activité :Bioinformatique
Description :DENOMINATION DU POSTE Poste : Ingénieur biostatisticien spécialisé en bioinformatique (Statut :Chargé d’étude) Catégorie d’emploi : Catégorie A CONTEXTE Le poste s’inscrit dans le cadre du Centre d’Excellence en cancérologie pédiatrique SOUTH-ROCK récemment labellisé par l’INCa (https://www.crcm-marseille.fr/actualites/communiques-de-presse/southrock-lalliance-lyon-marseille-dans-la-lutte-contre-le-cancer-pediatrique/). En capitalisant sur les complémentarités des équipes cliniques et de recherche de Lyon et Marseille, les objectifs de South-ROCK sont de structurer la recherche translationnelle en oncopédiatrie, autour de programmes de recherche originaux et ambitieux. Il propose de relever les défis d’améliorer le soin et la prévention des cancers pédiatriques, avec un focus sur le contexte développemental pré- et post-natal dans lequel ils apparaissent. Des modèles innovants combinés à l'intégration d'ensembles de données multi-omiques seront utilisés pour comprendre comment le détournement des programmes de développement peut conduire à une transformation maligne, et quel est l’impact de l’âge au diagnostic sur ces processus. Ces informations serviront à la mise en place de nouveaux traitements combinatoires ciblant l'hétérogénéité et la plasticité intra-tumorale, et leurs schémas d’administration seront optimisés mathématiquement. Enfin, l'impact des polluants sur l'initiation et la progression des tumeurs sera évaluée, en mettant l'accent sur les aspects épigénétiques et métaboliques. ENVIRONNEMENT DE TRAVAIL Vous serez intégré dans une équipe dont les missions sont de contribuer à l’analyse de données dans le champ de la santé publique et de la médecine 5P. Ces missions nécessitent le développement de méthodes bioinformatiques et statistiques spécifiques, développement réalisé dans le cadre d’une interaction fructueuse entre le versant hospitalier du service et son versant universitaire (Equipe Biostatistiques Santé – Laboratoire de Biométrie et Biologie Evolutive – UMR CNRS 5558 – Université Lyon 1). L’équipe est constituée d’environ 25 personnes, et a à son actif près de 800 publications. Dans le cadre du projet SOUTH ROCK, vous serez amené à coordonner les actions des bioinformaticiens/biostatisticiens, en lien avec les plateformes Gilles Thomas et Share4Kids. Vous participerez à des réunions sur différents sites sur Lyon (HCL, CLB, CRCL) et à des réunions nationales.
En savoir plus :NA
Poste_BioInformaticien Senior.pdf
Contact :delphine.maucort-boulch@chu-lyon.fr
Data scientist - Chargé(e) de production statistique et d'études sur les demandeurs d'emploi
Publiée le 23/07/2024 16:03.
Référence : 2024-16.
CDD, Paris 75015.
Entreprise/Organisme :Direction de l'animation de la recherche des études et des statistiques (DARES)
Niveau d'études :Master
Date de début :01/09/2024
Durée du contrat :36 mois
Rémunération :à partir de 30k
Secteur d'activité :Direction et pilotage des politiques publiques
Description :Encadrement (oui ou non) : non Activités principales : Au sein du département Suivi et indemnisation des demandeurs d'emploi (D-SIDE), vous serez, en collaboration avec d'autres membres du département, en charge de la production et de l'analyse mensuelle et trimestrielle des statistiques sur les demandeurs d'emploi inscrits à France Travail. Cette source est primordiale pour l’analyse conjoncturelle du marché du travail et fait l’objet d’une attention particulière des partenaires sociaux. À ce titre, vous serez amené.e à maintenir et développer, en collaboration avec les services informatiques, les outils statistiques destinés à la production et au contrôle de ces données dans un temps restreint (chargement, apurement, corrections des variations saisonnières, détection d’anomalies…). Sur ce sujet, vous serez le référent des services statistiques régionaux du ministère. Vous serez par ailleurs au cœur des travaux visant à mesurer les impacts de la mise en place de la loi pour le Plein emploi (1er janvier 2025) sur ces statistiques. En binôme avec un autre membre du département, vous serez amené.e à réaliser des analyses à la demande de la direction de la Dares, des cabinets ministériels, ou des corps d'inspection sur les demandeurs d'emploi. Vous conduirez également des études plus approfondies sur ce thème, par exemple sur les trajectoires des bénéficiaires du RSA ou l’accompagnement des demandeurs d'emploi. En binôme avec un autre membre du département, vous réaliserez enfin des analyses et/ou des études approfondies sur le recours au chômage partiel, dispositif fortement mobilisé durant la crise sanitaire (production d’'indicateurs conjoncturels, analyse des modalités de recours au dispositif, etc.). Dans le cadre de ce poste, vous serez amené.e à mettre en œuvre des compétences économiques, statistiques et informatique très variées : manipulation de données volumineuses, traitement des données temporelles et analyse économique, le tout au sein d'une équipe soudée et dynamique. Le poste requiert un goût pour l'innovation en matière de développement de nouveaux outils pour améliorer l’efficacité du processus (format parquet, générations de rapports automatiques, datavisualisations, contrôles automatiques ...). Il permet de constituer une expérience précieuse des métiers de la statistique publique qui pourrait être valorisée dans le cas d'une candidature à certains concours (en particulier attaché.e et administrateur.rice Insee). Partenaires institutionnels : Outre les membres du département, vous travaillerez avec les statisticiens de France Travail, de la mission de l'Action régionale de la Dares, avec les services études, statistiques et évaluation des Dreets, ou encore avec l'Insee. PROFIL RECHERCHE : E : Savoir agir dans un contexte complexe, faire preuve de créativité, trouver de nouvelles solutions, former d’autres agents, être référent dans le domaine. M : Mettre en œuvre la compétence de manière régulière, corriger et améliorer le processus, conseiller les autres agents, optimiser le résultat. A : Savoir effectuer, de manière occasionnelle ou régulière, correctement les activités, sous le contrôle d’un autre agent, savoir repérer les dysfonctionnements. N : Disposer de notions de base, de repères généraux sur l’activité ou le processus (vocabulaire de base, principales tâches, connaissance du processus, global…) Connaissances : - Analyse statistique, notamment en séries temporelles : A - Analyse économique : A - Evaluation des politiques publiques: A - Logiciels statistiques (R, SAS) : M Savoir-être : Indiquez au moyen de *** en fonction des attentes - Savoir travailler en équipe : M - Savoir être autonome, tout en rendant compte de son activité : M - Etre rigoureux : E - Savoir prendre des initiatives, faire des propositions : M Savoir-faire : - Capacité de synthèse : Savoir dégager les messages essentiels, hiérarchiser l'information : M - Capacité d'analyse : Savoir analyser et expliquer un phénomène : M - Savoir rédiger des documents à usage interne : A PRESENTATION DE LA DARES La Dares a 3 missions principales : - éclairer le débat économique et social sur les questions relatives au marché du travail ; - fournir des études et des statistiques utiles à la conception et la mise en œuvre des politiques publiques dans son champ ; - promouvoir les travaux d'évaluation des politiques publiques et animer la recherche sur ses domaines de compétences. Pour cela, la Dares : - élabore des statistiques sur les questions relatives à l'emploi, au chômage, aux politiques de l'emploi, à la formation professionnelle, aux conditions de travail et au dialogue social, en utilisant des sources administratives ou des enquêtes reconnues d'utilité publique; - réalise et publie des analyses, des études prospectives et des travaux d'évaluation éclairant le fonctionnement du marché du travail et ses évolutions; - entretient des liens étroits avec la recherche, en lançant notamment des appels à projet de de recherche et en accueillant des chercheurs; - fait des propositions et chiffrages de réformes pour le cabinet de la ministre. La Dares comprend environ 170 agents, dont une forte proportion de chargés d'études statisticiens et économistes. La Sous-direction de l'Emploi et du Marché du travail est chargée de produire des statistiques, des études et des travaux d'évaluation portant notamment sur le chômage, l'emploi et les métiers et de contribuer aux réflexions du ministère en vue d'adapter ou de réformer les politiques publiques sur ces différents sujets. Le Département Suivi et indemnisation des demandeurs d'emploi (DSIDE), inséré dans la sous-direction Emploi et marché du travail de la Dares, est chargé de produire des statistiques, des études et des travaux d'évaluation sur le chômage et l’accompagnement des demandeurs d’emploi. Il compte 10 personnes, dont 4 travaillant sur l'indemnisation et l'accompagnement des demandeurs d'emploi sous la supervision d'un chef de pôle, ainsi que 3 sur la production des statistiques des demandeurs d’emploi et d’activité partielle, et sur le retour à l'emploi, sous la supervision de l'adjointe à la cheffe de département.
En savoir plus :https://www.welcometothejungle.com/fr/companies/dares
2024-17_Data scientist - Chargé(e) de production statistique et d'études sur les demandeurs d'emploi_Rplt G. Guillermin.pdf
Contact :dares.recrutement@travail.gouv.fr
Propriété des M-estimateurs dans les HSMM et applications
Publiée le 23/07/2024 16:03.
Référence : Postdoc-HSMM.
Postdoc, Université Technologique de Compiègne, Compiègne.
Entreprise/Organisme :UTC
Niveau d'études :Doctorat
Date de début :au plus tard le 1er décembre 2024
Durée du contrat :12 ou 13 mois
Rémunération :Fonction du niveau d'expérience
Secteur d'activité :Recherche
Description :voir fichier joint
En savoir plus :https://www.utc.fr/~nlimnios/
Sujet_postdoc_HSMM.pdf
Contact :nikolaos.limnios@utc.fr
Postdoctoral Research Position in AI-Driven Neutron Spectroscopy Data Analysis
Publiée le 23/07/2024 16:03.
Référence : APIC - CEA Saclay.
Postdoc, Saclay (Ile de France).
Entreprise/Organisme :CEA
Niveau d'études :Doctorat
Date de début :T4-2024
Durée du contrat :12 mois renouvelable 12 mois
Rémunération :selon profil
Secteur d'activité :Causality, machine learning, AI, simulation
Description :Environment: The project relies on a collaboration between two partners: DRF/IRAMIS/LLB and DES/LIAD. These labs have joined their expertise to work on a novel approach to determine the interaction parameters of a given Hamiltonian, by leveraging innovative AI methodologies to analyze neutron scattering spectroscopy data. LLB is a joined CEA-CNRS lab, renowned for its expertise in neutron spectroscopy. It contributes to the development of neutron instruments for the ESS, the next generation European source to be constructed in Lund (Sweden), but also at the Paul-Scherrer Institut (PSI) in Switzerland, and at the High Flux Research Reactor ofthe Institut Laue-Langevin (ILL) in Grenoble. Notably, the ILL is the current European neutron source, world-wide recognized for its very intense neutron flux and world-class scientific infrastructure. The LLB has also developed advanced numerical tools for calculating the dispersion of collective excitations in condensed matter along with their neutron cross-sections. LIAD focuses on AI research and uncertainty quantification, emphasizing causality, causal discretization methods, and the analysis of special data types like time series. Its is developing machine learning techniques to quantify uncertainties, particularly in neutronics. Causality is a burgeoning field, integral to LIAD’s research, aiming to create novel approaches for causal discretization and handling heterogeneous data. Over the past two decades, causality has been increasingly integrated into machine learning to enhance model interpretability beyond simple correlations. Project Summary: Neutron spectroscopy experiments are pivotal in determining the spectrum of collective excitations in condensed matter, which in turn allows to deduce the parameters of the interaction Hamiltonian responsible for the material physical properties. These collective excitations, often represented as waves (or particles) propagating through a crystal lattice, are characterized by their energy (E) and wave vector (q). Neutron scattering techniques enable direct imaging of the dispersion relation E=f(q), encapsulating the essential physics. Traditionally, these data are fitted through trial-and-error methods using numerical simulations. Our project aims to overcome this approach by developing an innovative AI-based method to determine Hamiltonian parameters and establish causal links between these parameters and dispersion curves. Unlike correlation, which is commonly used in machine and deep learning to measure the relationship between variables, causality aims at identifying whether one variable directly influences another. Correlation shows association but does not imply causation, meaning it does not reveal why variables move together. Hence, causality is essential to ensure that an intervention of identified parameters provides significant modifications on the dispersion curves. Research Focus: Causality is a burgeoning field that integrates seamlessly with uncertainty quantification, forming a core part of LIAD ongoing research. This project will involve: • Developing causal discovery and inference methods for effective discretization and handling heterogeneous data. • Integrating causal models into machine learning to provide explicable predictive models, moving be-yond mere correlations. • Employing Directed acyclic graphs (DAGs) to represent causal relationships among variables. • Innovating methods where the nodes of the causal graph are interpretable subsets of variables, enhancing the causal discretization’s relevance and quantifying the associated uncertainty. Objectives: The primary objective is to create a powerful AI-based tool for analyzing neutron scattering data. This tool will: • Efficiently determine Hamiltonian interaction parameters. • Establish and quantify causal relationships between these parameters and the observed dispersion relations. • Enhance the explanatory power and predictive accuracy of the models used in neutron spectroscopy.
En savoir plus :NA
APIC_postdoc_position.pdf
Contact :aurore.lomet@cea.fr
Datascientist
Publiée le 23/07/2024 16:03.
Référence : Datastat2024.
CDI, Paris.
Entreprise/Organisme :Idele
Niveau d'études :Master
Date de début :Selon disponibilités
Rémunération :Selon grille et expérience
Secteur d'activité :Elevage
Description :Idele recrute un DataScientist pour rejoindre Data’Stat qui est composé actuellement de 12 personnes. Les sujets sont variés et les thématiques en imagerie grandissantes. Plus de détails dans l’offre jointe.
En savoir plus :https://idele.fr/
24-27 - Ingénieur - interne externe.pdf
Contact :elodie.doutart@idele.fr
Junior statistical methodologist
Publiée le 23/07/2024 16:03.
Référence : Junior statistical methodologist.
CDI, Remote.
Entreprise/Organisme :Saryga
Niveau d'études :Doctorat
Secteur d'activité :Biostatistics
Description :As junior statistical methodologist, you will: • Provide statistical input and technical support on methods related to clinical trial designs, complex models, quantitative decision-making and/or biomarker research • Perform research work to develop new methodologies, write and / or participate to writing scientific publications • Collaborate with academia (supervision of students, cooperation with universities on research projects…) • Provide trainings to statisticians and non-statisticians You will have the opportunity to work on various therapeutic areas, often in complex settings with great value to the patients (rare diseases, innovative mechanisms of action…). The position is a permanent employment contract, full time, 100% remote in France (with some travels to attend meetings or conferences).
En savoir plus :https://saryga.com/careers/
2024-07_Saryga_Job_Statistical_methodologist_junior.pdf
Contact :gaelle.saint-hilary@saryga.com
Research engineer or postdoctoral position in Biostatistics or bioinformatics in Paris.
Publiée le 10/06/2024 11:50.
CDD, Institut Pasteur, Paris.
Entreprise/Organisme :Inserm
Niveau d'études :Doctorat
Date de début :As soon as possible
Rémunération :Salary will be based on qualifications and experience according to the Inserm salary grid.
Description :Masters and engineers are eligible to apply. The research topic will revolve around health care pathways (HCP) through state sequence analysis (SSA). Initially used in social science, SSA was more recently applied in the study of HCP.
En savoir plus :NA
Postdoctoral Position Repsico 20240522.pdf
Contact :laurence.watier@pasteur.fr
Postdoc 18 months : Statistical methods for the inference of admixture graphs
Publiée le 10/06/2024 11:50.
Référence : Postdoc : Admixture graphs.
Postdoc, Montpellier (with possible visits to Paris and Madison, Wisconsin).
Entreprise/Organisme :Centre de Biologie pour la Gestion des Populations (Montpellier) and University of Wisconsin-Madison
Niveau d'études :Doctorat
Sujet :Development of statistical methods for the reconstruction of routes of biological invasion: inference of complex evolutionary scenario from genomic data using admixture graphs.
Date de début :Between October 2024 and March 2025
Durée du contrat :18 months
Rémunération :>2650€ per month (after taxes) depending on post-PhD experience
Secteur d'activité :Recherche
Description :Admixture graphs (AG) describe the demographic history of a set of populations as a directed acyclic graph that represents population splits and merges. They are particularly useful in studying biological invasions, as they can model the recent introduction history of individuals from native and invasive population samples. AGs have great, as yet unexplored, potential for selecting a set of (most probable) invasion scenarios from large-scale population polymorphism data (obtained from the entire genome of the organisms under study). AGs can be inferred using statistical methods that employ simplified models of evolution based on allele frequency covariances between population samples. The selected graphs can then be exploited by more sophisticated methods, that use complex models and likelihood free inference techniques for model choice, parameter estimation, or goodness of fit. The inference of AGs is an active field of research, with recent methods based on maximum likelihood or Bayesian approaches. Because these methods need to explore the huge space of possible graphs, they are subject to a number of algorithmic and mathematical challenges. The aim of the post-doctoral project is to study the behaviour of these methods on simulated and real datasets (mainly full-genome polymorphism data for a large number of population samples from two invasive insect species), and, based on the results, to propose new improved statistical methods. Possible lines of research could include i) the integration of uncertainty in the estimation of the covariance of population allele frequencies and its adaptation to more complex data (e.g., Pool-Seq data); ii) the exploration of the AG space and the resolution of identifiability issues, using the related but distinct literature on phylogenetic networks; and iii) the improvement of model choice approaches to compare AGs (e.g. via likelihood-based scores).
En savoir plus :https://umr-cbgp.fr/offre-de-postdoctorat-18-mois-sep-2024/
Admixture Graphs PostDoctoral position ADVERSISING TEXT ONLY - 24-05-2024.pdf
Contact :arnaud.estoup@inrae.fr
Foundation Models for Physics-Aware Deep Learning
Publiée le 10/06/2024 11:50.
Référence : PhD position Sorbonne Université, Paris, Fr, Foundation Models for Physics-Aware Deep Learning.
Thèse, Paris.
Entreprise/Organisme :Sorbonne Universite
Niveau d'études :Master
Sujet :Abstract: Physics-aware deep learning aims at investigating the potential of AI methods to advance scientific research for the modeling of complex natural phenomena. This is a fast-growing research topic with the potential to boost scientific progress and to change the way we develop research in a whole range of scientific domains. An area where this idea raises high hopes is the modeling of complex dynamics characterizing natural phenomena occurring in domains as diverse as climate science, earth science, biology, fluid dynamics. Despite significant advances, this remains an emerging topic that raises several open problems in machine learning and application domains. Among all the exploratory research directions, the idea of developing foundation models for learning from multiple physics is emerging as one of the fundamental challenges in this field. This PhD proposal is aimed at exploring different aspects of this new challenging topic. Two main challenges will be investigated: learning from multiple physics and generalization with few shot learning.
Date de début :October/ November 2024
Durée du contrat :36 Months
Rémunération :2100 Euro Gross Salary
Secteur d'activité :Research - Artificial Intelligence
Description :Research Directions Foundation models have become prominent in domains like natural language processing (GPT, Llama, Mistral, etc) or vision (CLIP, DALL-E, Flamingo, etc). Trained with large quantities of data using self-supervision, they may be used or adapted for downstream tasks while benefiting through pre-training from large amounts of training data. Initial attempts at replicating this framework in scientific domains is currently being investigated in fields as diverse as protein (Jumper et al. 2021), molecule (Zhou 2023), weather forecasting (Pathak 2022, Nguyen 2023, Kochkov 2024). Is the paradigm of foundation models adaptable to more general physics modeling such as the complex behavior of dynamical systems? Large initiatives are emerging on this fundamental topic (https://iaifi.org/generative-ai-workshop). Some preliminary attempts are currently being developed (McCabe 2023, Subramanian 2023, Hao 2024). They suggest that learning from multiple steady-state or time dependent partial differential equations (PDEs) could enhance the prediction performance on individual equations. This high stake, high gain setting might be the next big move in the domain of data-driven PDE modeling. The objective of the PhD is to explore different directions pertaining to the topic of foundation models for physics, focused on the modeling of dynamical systems.
En savoir plus :https://pages.isir.upmc.fr/gallinari/open-positions/
2024-04-20-PhD-Description-Foundation-models-Physics.pdf
Contact :patrick.gallinari@sorbonne-universite.fr
PhD position: Flexible statistical models for compound climate events
Publiée le 10/06/2024 11:50.
Référence : PhD position: Flexible statistical models for compound climate events.
Thèse, Namur (Belgium).
Entreprise/Organisme :University of Namur (Belgium)
Niveau d'études :Master
Date de début :October 1st, 2024 or later
Durée du contrat :4 years
Rémunération :a net salary of around 2400 euros/month
Description :Please see attached file
En savoir plus :http://annakiriliouk.weebly.com/
MISphd.pdf
Contact :anna.kiriliouk@unamur.be
Associate Director, Director - Data Scientist - Bioinformatics
Publiée le 10/06/2024 11:50.
Référence : MT825BIO.
CDI, Europe.
Entreprise/Organisme :Millet Talent
Niveau d'études :Master
Secteur d'activité :Biotechnologie
Description :Responsibilities: - Develop in silico capabilities to enhance multi-omics technologies for measuring transcripts, proteins, and metabolites at bulk and spatial levels, aiming to uncover new mechanisms of action for our compounds. - Utilize computational biology techniques, data integration, and biological knowledge to drive hypothesis generation. - Establish new predictive capabilities using computational biology to translate omics data into biological insights for predictive safety assessments. - Collaborate with academic research groups, leverage external grants, and contribute to publications in peer-reviewed journals. - Provide education and training to the whole team in omics data interpretation and related fields. - Mentor and support junior staff members and postdoctoral researchers. Required Skills/Experience: - PhD in computational biosciences (such as computational biology, bioinformatics, genomics, or computer science) preferred; MSc (or equivalent) with experience in independent research involving high-throughput omics data will also be considered. - Extensive experience with various large-scale omics data types, including transcriptomics, proteomics, metabolomics, epigenetics, genomics, or CRISPR gene editing data analysis. Expertise in additional computational biology domains is a plus. - Experience in developing predictive safety models for organs such as the liver, heart, kidney, or lungs. - Proficiency in data science techniques, including machine learning and statistical analysis for biological applications. - Strong programming skills in R or Python, along with experience in data visualization frameworks. - Collaborative team player with the ability to explain complex topics to scientists from other disciplines. - Proven track record of leading highly collaborative cross-functional teams. - Prior experience in the biopharmaceutical industry with a general understanding of drug development and pharmacology. - Effective communication skills in English, both written and spoken. Preferred Skills/Experience: - Experience in independent scientific research. - Background in computational toxicology and predictive safety, with knowledge of molecular mechanisms of disease or human biomedicine, particularly in a drug safety context. - Familiarity with drug discovery or pharmaceutical development, including new modalities such as Car-T, ADC, cell and gene therapies, and oligonucleotide-based therapeutics. - Ability to manage multiple projects simultaneously.
En savoir plus :NA
Biotech_Director Data Scientist_MTalent.pdf
Contact :yanick.millet@millet-talent.com
Chargé·e de recherche en santé au travail
Publiée le 10/06/2024 11:50.
CDD, Paris 3ème.
Entreprise/Organisme :Conservatoire national des Arts et Métiers
Niveau d'études :Master
Durée du contrat :2 ans renouvelables
Description :Le Cnam recrute un.e chargé.e de recherche pour travailler, au sein du laboratoire MESuRS, sur le programme de recherche de sa chaire partenariale « Entreprises & Santé » avec Malakoff-Humanis. La personne recrutée réalisera des analyses statistiques de données en santé au travail (cf. descriptif plus détaillé sur le fichier pdf).
En savoir plus :https://mesurs.cnam.fr/rejoindre-le-labo/
Poste CR 2024.pdf
Contact :mohamed.benhalima@lecnam.net
PhD position in Bayesian Causal Graph and uncertainty quantification
Publiée le 10/06/2024 11:50.
Référence : PhD causality and uncertainty applied on synchrotron.
Thèse, CEA-Saclay.
Entreprise/Organisme :Université Paris Saclay
Niveau d'études :Master
Sujet :Within the LIAD laboratory (Laboratory of Artificial Intelligence and Data Science) of the SGLS service (Software Engineering Service for Simulation) of CEA, you will work in a team specialized in handling uncertainties in numerical simulation. You will contribute to the DALLIAE project, which aims at Anomaly Detection on Synchrotron Beamlines through Explainable Artificial Intelligence. This PhD position is part of a collaboration between various CEA teams (LIAD, NRX in Grenoble), the University of Lorraine, and the European Synchrotron (ESRF), each bringing expertise in AI, beamline physics, and instrumentation. The DALLIAE project aims to propose a method based on causal (Bayesian) graphs to detect and interpret anomalies during beamline experiments, focusing on directed acyclic graphs (DAGs). The goal is to introduce a hierarchical causal graph and use a surrogate causal model to identify pertinent causal links. This approach is crucial due to the multi-scale nature of the instruments. The method will quantify uncertainties associated with the causal links, considering the variety of instruments, parameters, and the underrepresentation of anomalies. This approach will limit the impact of operational anomalies in major X-ray or laser instruments, allowing a quick understanding of the causes of malfunctions for a reliable response. The project aims to develop interpretable AI to support beamline operators and scientists, complementing diagnostic tools for timely corrective actions.
Date de début :09/2024
Durée du contrat :36 months
Rémunération :following profile
Secteur d'activité :AI, machine learning, statistics, causality, applied mathematics
Description :Within the LIAD laboratory (Laboratory of Artificial Intelligence and Data Science) belonging to the SGLS service (Software Engineering Service for Simulation), you will work in a team specialized in handling uncertainties in numerical simulation. You will contribute to the strengthening of these activities through the DALLIAE project, which aims for Anomaly Detection on Synchrotron Beamlines through Explainable Artificial Intelligence. This PhD position is part of a collaboration between various CEA teams (LIAD, NRX -- Nanostructures and X-Rays Team in Grenoble), the university of Lorraine and the European Synchrotron (ESRF), each bringing distinct skills such as AI, beamline physics, and instrumentation. The DALLIAE project aims to propose a generic method based on causal (Bayesian) graphs to detect anomalies during beamline experiments and their interpretability. Among causal graphs, we will focus particularly on directed acyclic graphs (DAGs). The goal is to introduce a hierarchical causal graph and utilize the notion of a surrogate causal model to identify the most pertinent simple (single parameter) and joint (parameter combination) causal links that characterize the causes of an anomaly. This approach is essential due to the multi-scale nature of the instruments and the complete beamline, which requires a nuanced understanding of causal relationships across different scales. We will also focus on quantifying uncertainties associated with identified causal links to ensure their relevance. This search for causality is all the more difficult due to the variety of instruments, parameters, their modification during the experiment, the combinatorial number of joint effects to study, and the underrepresentation of anomalies in the data. In practice, this method will limit the impact of operational anomalies of major X-ray or laser instruments for which it is necessary to understand the links between beam characteristics and the physical parameters of the beamline optics. Sudden or slow anomalies/variations can thus be observed over time, such as focusing aberrations that directly affect the quality and speed of measurements. Therefore, understanding and characterizing the causes of these malfunctions and deviations from optimal measurement chain performance is crucial for quick response and maximum reliability in the operation of the beamline or laser. Although there are many anomaly detection methods in AI literature, they are generally based on correlation, which is not effective in conveying cause-and-effect relationships. Thus, the objective of the project is to propose interpretable AI based on causal graphs to support beamline operators and scientists. The task is to develop a causality-based model to determine the sensor parameters involving anomalies. The method will complement the diagnostic tools for corrective action in suitable time frames. Therefore, the work can be divided into the following tasks: - Understanding and handling the data produced by the beamlines: measurement instrument parameters and different types of anomalies. This will rely on the expertise of project partners, specialists in physics, optics, and instrumentation related to beamlines. - Designing the model based on causal graphs that explain the links between different parameters and anomalies. We will focus particularly on: - hierarchical causal graphs to represent the multi-scale dimension of application (from the instrument to the beamline), - detecting latent variables that can provide error in the causal discovery process, - quantifying the uncertainty of the causal link to ensure the reliability of the causal graph, - taking into account the heterogeneous data, their dimensionality, and interactions between potential causes, - proposing a model to detect the anomaly or estimate the time before failure based on causal graph. For this, the framework of Bayesian causal graphs will be considered to propose a surrogate model of the simulation model generally used to calibrate the parameters of the instruments.
En savoir plus :NA
CEA_Synchrotron.pdf
Contact :aurore.lomet@cea.fr

Page précédente  1  <2>  3  4  Page suivante

 
 
©2024 SFdS
Société Française de Statistique
Institut Henri Poincaré
11 rue Pierre et Marie Curie
75231 Paris cedex 5
Tél. : +33 (0)1 44 27 66 60
Notre site a été supporté par :