Consulter les offres d’emploi

Postdoctoral proposal: Causal Inference for learning and intervening on welding quality prediction.

Publiée le 29/06/2023 11:01.

Postdoc, Université Paris Saclay.

Entreprise/Organisme :	Laboratoire de recherche MICS
Niveau d'études :	Doctorat
Sujet :	Causal Inference for learning and intervening on welding quality prediction
Date de début :	Septembre 2023
Durée du contrat :	1 an
Rémunération :	classique pour un postdoc en France
Secteur d'activité :	AI/ML/Statistics/Causality
Description :	Bonjour à tous, (english version below) Nous recherchons des candidat.e.s pour une offre de postdoc financée sur 1 an, en inférence causale, à l’Université Paris-Saclay et plus précisément dans les laboratoires de recherche MICS (http://mics.centralesupelec.fr/en/) et Sinclair (https://sinclair-lab.com/). L'annonce détaillée se trouve en attachement. L’offre est immédiatement disponible. Bien cordialement, Myriam TAMI ############################################# Dear all, We are looking for candidates for a funded postdoc offer over 1 year (available immediately), in causal inference, at the University of Paris-Saclay and, more specifically, in the MICS research laboratories (http://mics.centralesupelec.fr/en/) and Sinclair (https://sinclair-lab.com/). The detailed offer is attached. Best regards, Myriam TAMI
En savoir plus :	xx PostDoc-Causal-MICS-TE.pdf
Contact :	myriam.tami@centralesupelec.fr

Un(e) Biostatisticien(ne)

Publiée le 29/06/2023 11:00.

Référence : Biostatisticien_URC_Widal.

CDD, URC Lariboisière – Saint Louis – Fernand Widal 200, rue du Faubourg St Denis, 75010 Paris.

Entreprise/Organisme :	URC Lariboisière – Saint Louis – Fernand Widal/APHP - Paris (75)
Niveau d'études :	Doctorat
Rémunération :	3200
Secteur d'activité :	Recherche clinique
Description :	Au sein de l’équipe biométrie du Pr Eric VICAUT, le(a) biostatisticien(ne) aura pour mission: La réalisation des analyses statistiques : programmation des tables statistiques, graphiques et validation des résultats. La création des listes de randomisation. Rédaction des rapports statistiques. Veille méthodologique, recherche bibliographique. Relations professionnelles Le candidat travaillera en collaboration avec trois autres statisticiens et en lien avec tous les intervenants de la recherche (promoteurs, investigateurs, coordinateurs d'étude clinique, ARC, TEC, data managers). Compétences requises Formation Bac + 8 en statistique. Maîtrise des outils de statistiques appliquées à la recherche clinique. Statistiques Bayésiennes. Bonne maîtrise du logiciel SAS (Base, Stat, Graph, Macro...) et ou R. Anglais scientifique. Sens de responsabilités, rigueur, esprit d’équipe, disponibilité. CDD d’un an renouvelable- Temps plein. Poste à pourvoir immédiatement. Rémunération : selon les grilles de l’Assistance Publique des Hôpitaux de Paris (AP-HP) et l’expérience acquise. Type d'emploi : Temps plein, CDD Statut : Cadre Salaire : à partir de 3 200,00€ par mois Avantages : Prise en charge du transport quotidien Programmation : Du lundi au vendredi Lieu du poste : En présentiel
En savoir plus :	https://recherche-ghparis10.aphp.fr/les-structures-de-recherche/recherche-clinique-translationnelle/ offre d'emploi Biostatisticien URC.pdf
Contact :	abdourahmane.diallo@aphp.fr

INGENIEUR STATISTIQUE F/H

Publiée le 29/06/2023 11:00.

Référence : 2023-1987.

CDI, Champs-sur-Marne.

Entreprise/Organisme :	CENTRE SCIENTIFIQUE ET TECHNIQUE DU BÂTIMENT
Niveau d'études :	Master
Date de début :	Dès que possible
Rémunération :	Selon profil
Secteur d'activité :	Recherche et Développement, Bâtiment
Description :	La Direction Santé Confort du CSTB recherche un(e) Ingénieur Statisticien(ne) en CDI sur son site basé à Champs-sur-Marne. La Direction Santé Confort est une direction composée de plus de 80 collaborateurs répartis au sein de 5 divisions disposant de compétences, de moyens numériques et expérimentaux mobilisés pour la recherche, l'expertise et les essais dans de nombreux domaines de la santé environnementale, de la qualité des ambiances et du confort dans les bâtiments. Au sein de la Division Qualité des Environnements Intérieurs, l'activité consiste à conduire et coordonner les analyses statistiques dans le cadre : 1. des travaux de recherches et études de la Division, et plus généralement du CSTB sur la thématique du confort et de la santé dans les bâtiments. 2. des travaux de l’Observatoire de la qualité de l’air intérieur (OQAI) www.oqai.fr. Vos principales missions seront : - Gérer des projets impliquant un volet statistique, notamment dans le cadre de projets européens comme PARC : assurer le suivi de projet, gérer les coûts, assurer le suivi du travail avec les partenaires impliqués (fonctionnement en mode projet). - Développer, organiser et valoriser la DATA au sein la division. - Assurer les missions techniques suivantes : 1. Participer à l’élaboration des protocoles et supports d’enquête (stratégie d’échantillonnage, questionnaires) des campagnes de mesure à grande échelle menées par la Division, incluant la rédaction du cahier des charges pour la gestion du flux de données, leur stockage et leur validation; 2. Valider les données collectées lors des campagnes à grandes échelles et leur préparation pour les analyses statistiques (mise en œuvre de stratégies d’imputation des données manquantes, gestion de données censurées); 3. Collecter, nettoyer et transformer les données disponibles en open access; 4. Participer à la mise en œuvre des analyses statistiques : description, méthodes de classification (analyses discriminantes et arbres), modélisation (régression linéaire, logistique, modèles multiniveaux, panel et variabilité temporelle), méthodes d’enquêtes et de sondage (redressement), systèmes d’information géographique, méthodes innovantes mobilisant les connaissances les plus récentes en matière de traitement de données de grande dimension; 5. Rédiger des rapports d’études et des publications scientifiques; Valoriser des travaux via des communications orales en conférences nationales et internationales; 6. Participer à la rédaction des propositions d’études et réponses aux appels à projet qui incluent un volet statistique; 7. Encadrer des stagiaires en statistiques et assurer un appui à des doctorants et post-doctorants. 8. Assurer une veille prospective sur les méthodes d’analyses de données.
En savoir plus :	https://talents.cstb.fr/Pages/Offre/detailoffre.aspx?idOffre=1987&idOrigine=502&LCID=1036&offerRefer 2023-1987 INGENIEUR-E STATISTICIEN-NE.pdf
Contact :	joris.stotzer@cstb.fr

Hybrid Deep Learning and Physical approaches. Application to energy transition

Publiée le 28/06/2023 09:35.

Référence : PhD proposal: Hybrid Deep Learning and Physical approaches. Application to energy transition.

Thèse, Sorbonne Universite - Paris - Fr.

Entreprise/Organisme :	Sorbonne Universite
Niveau d'études :	Master
Sujet :	Abstract: Modeling complex physical system is a fundamental task in a wide range of scientific domains. Physics-based models are reliable, interpretable but may suffer from different drawbacks. Hybrid models, exploiting both physical priors and deep learning ability to model data appears as a promising direction to better solve scientific problems. The objective of this PhD proposal is to explore the development of hybrid physics-machine learning models by exploring fundamental aspects and applicative ones in the context of multi-scale energy systems. This work is part of a multi-disciplinary project aimed at developing machine learning solutions for energy transition and renewal. This PhD proposal will focus on the Machine Learning aspects with the development of methodological and theoretical contributions.
Date de début :	October/ November 2023
Durée du contrat :	36 Months
Secteur d'activité :	Research - Artificial Intelligence
Description :	Context Physics-aware deep learning is an emerging research field aiming at investigating the potential of AI methods to advance scientific research for the modeling of complex natural phenomena. This research topic investigates how to leverage prior knowledge of first principles (physics) together with the ability of machine learning at extracting information from data. This is a fast-growing field 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, etc. Objective The objective of the PhD project is the development of Physics-aware deep learning methods for the modeling of complex spatio-temporal dynamics. The direct application of state-of-the-art deep learning (DL) methods for modeling and solving physical dynamics occurring in nature is limited by the complexity of the underlying phenomena, the need for large amounts of data and their inability to learn physically consistent laws. This has motivated the recent exploration of physics-aware methods incorporating prior physical knowledge. Although promising and rapidly developing, this research field faces several challenges. For this PhD project we will address two main challenges, namely the construction of hybrid models for integrating physics with DL and generalization issues which condition the usability of DL for physics. Integrating DL and physics for spatio-temporal dynamics forecasting and solving PDEs In physics and many related fields, partial differential equations (PDEs) are the main tool for modeling and characterizing the dynamics underlying complex phenomena. Combining PDE models with ML is a natural idea when building physics-aware DL models and it is one of the key challenges in the field. This has been explored for two main directions: (i) augmenting low resolution solvers with ML in order to reach the accuracy of high-fidelity models at a reduced computational cost, and (ii) complementing incomplete physical models with ML by integrating observation data through machine learning. A first direction of the PhD will then be to investigate hybrid physics-DL models using the recently proposed framework of neural operators. The latter opens the possibility of combining and learning multiple spatio-temporal scales within a unified formalism, a challenge in DL. Domain generalization for deep learning based dynamical models Explicit physical models come with guarantees and can be used in any context (also called domain or environment) where the model is valid. These models reflect explicit causality relations between the different variables involved in the model. This is not the case for DL: statistical models learn correlations from sample observations, their validity is usually limited to the context of the training domain. This is a critical issue for the adoption of ML for modeling the physical world. In relation with the construction of hybrid models as described above, one will investigate this issue along two main directions. The first one is a purely data-based approach and exploits ideas from learning from multiple environments through task decomposition. The second one, takes a dual perspective, relying on prior physical knowledge of the system equations and directly targets the problem of solving parametric PDEs, exploiting ideas from meta-learning.
En savoir plus :	https://pages.isir.upmc.fr/gallinari/open-positions/ 2023-06-06-PhD position description-Hybrid-models-Energy-Systems.pdf
Contact :	patrick.gallinari@sorbonne-universite.fr

Postdoc "Modeling the Dynamics of Plants Physiology with Statistical and Deep Learning Approaches"

Publiée le 27/06/2023 07:56.

Postdoc, AgroParisTech, 22 place de l’Agronomie, 91120 Palaiseau.

Entreprise/Organisme :	UMR INRAE/AgroParisTech MIA Paris-Saclay
Niveau d'études :	Doctorat
Date de début :	4 septembre 2023
Durée du contrat :	1 an
Description :	Context: Statistical models for the dynamics of plant physiology aim to describe and analyze the process underlying plant development. In its simplest formulation, the model is a non-linear mixed-effects model in which a limited number of physiological parameters control the shape and rate of the dynamic traits. These physiological parameters can in turn be described as random variables whose distributions depend on a set (possibly high-dimensional) of explanatory cofactors. The inference of such models is rather complex, as it often requires the use of sampling techniques such as SAEM or MCEM [1,2]. Subject: The aim of this post-doc is twofold: 1. First, to develop an alternative inference strategy based on recent tools and techniques from deep learning to fit state-of-the-art non-linear mixed-effect models for physiological dynamics. To this end, the inference will be presented as an optimization problem where the target is a neural network, and where the loss function will be chosen according to the nature of the physilogical feature (continuous or discrete). 2. Second, more refined statistical models involving differential equations will be considered. These differential equations will be incorporated into the neural network model using physics-informed neural networks (PINN, [3]). All developments will be implemented using libraries for high-performance numerical computing and optimization (PyTorch, Jax). The models will be applied to the data collected in the G2WAS ANR project. The data consist of 250 grape varieties that have been dynamically phenotyped during 3 weeks for vegetative biomass production by imaging at the PhenoArch platform. Each variety underwent 3 different hydric scenarios (from well watered to severe drought stress). A set of 60K genetic markers will be used as explanatory variables in the statistical model to explain and predict the dynamics of plant physiology.
En savoir plus :	xx post-doc_G2WAS.pdf
Contact :	tristan.mary-huard@agroparistech.fr

Epidémiologiste Ingénieur.e de recherche/Post-Doctorant.e (h/f)

Publiée le 27/06/2023 07:56.

Référence : EPIDEMIO 2023 RG4485.

CDD, Nantes, France.

Entreprise/Organisme :	Registre des cancers de Loire-Atlantique Vendée / Institut cancérologique de l'Ouest
Niveau d'études :	Doctorat
Date de début :	septembre 2023
Durée du contrat :	3 ans au minimum
Rémunération :	A définir selon expérience
Secteur d'activité :	Epidémiologie - Santé publique
Description :	En lien avec l'Institut de Cancérologie de l'Ouest, le registre des cancers de Loire-Atlantique/Vendée (Nantes) recrute un épidémiologiste (ou biostatisticien) post-doctorant ou plus expérimenté (type ingénieur de recherche) pour une durée de 3 ans minimum à compter de septembre-octobre 2023. La mission s'inscrit dans le cadre du programme SHS-épidémiologie du projet SIRIC-ILIAD et consistera à travailler sur les inégalités sociales et géographiques dans la prise en charge du cancer du sein à partir de données populationnelles déja recueillies. Les travaux seront menés en lien notamment avec l'Institut de Cancérologie de l'Ouest, le CHU de Nantes et les équipes Equity (UMR 1295) et Ester (UMR 1085).
En savoir plus :	xx Offre poste épidémio RegistreNantes juin2023.pdf
Contact :	registre4485@chu-nantes.fr

Chargé/e d'études statistiques sur les conditions de travail et les risques psychosociaux

Publiée le 26/06/2023 12:15.

Référence : Dares/2023-29.

CDD, 39-43, Quai André-Citroën 75015 Paris.

Entreprise/Organisme :	Ministère du travail/Direction de l'animation, de la recherche et des études statistiques (DARES)
Niveau d'études :	Master
Date de début :	01/07/2023
Durée du contrat :	36 mois
Secteur d'activité :	Etudes Statistiques
Description :	Vous contribuerez à réaliser et exploiter les enquêtes du département Conditions de travail et santé (CTS). Au sein de l'équipe dédiée à l'enquête Conditions de travail, dont la prochaine édition sera collectée en 2024, vous serez en particulier responsable du volet auprès des individus. A ce titre, vous assurerez la préparation technique, institutionnelle et scientifique de ce volet. Vous organiserez et suivrez la collecte en collaboration avec l'Insee, qui la réalise avec son réseau enquêteur : élaboration et programmation du questionnaire, documents d'enquête, formations, etc. Vous assurerez l'apurement, le redressement, la documentation et la diffusion des données. Vous contribuerez à la définition et la réalisation du programme d'exploitation, des premiers résultats aux études sur des thèmes plus précis. En cohérence avec la tonalité de l'édition 2024 de l'enquête, vous assurerez une veille sur les travaux, études et recherches sur les risques psychosociaux, la violence au travail, les liens entre travail et santé mentale et vous exploiterez l'enquête sur ces sujets. Vous pourrez être amené.e à exploiter d'autres sources sur vos domaines de compétence, selon le calendrier des activités, particulièrement l'enquête TraCov2 sur le vécu du travail depuis la crise sanitaire, collectée début 2023. Les études que vous réaliserez, seul.e ou en collaboration, donneront lieu à des publications dans les supports de la Dares (Dares Analyses, Résultats ou Focus ; document d'études), dans d'autres supports de la statistique publique (Insee références…) ou dans des revues scientifiques. Vous collaborerez également à la valorisation des enquêtes par des présentations à différents publics lors de séminaires et colloques académiques ou institutionnels. Vous contribuerez aussi à l'organisation de séminaires ou au lancement et au suivi d'appels à projet de recherche et serez donc amené.e à suivre le travail d'équipes de recherche extérieures qui réalisent des travaux quantitatifs ou qualitatifs, dans différentes disciplines (sociologie, ergonomie, économie, gestion, etc.). Spécificités du poste / Contraintes : Comme tout agent du service statistique public, vous serez soumis.e au secret statistique. Les partenaires institutionnels avec qui vous serez en relation sont divers : Insee, Direction de la recherche, des études, de l'évaluation et des statistiques (Drees), Directio générale de l'administration et de la fonction publique (DGAFP), autres services statistiques ministériels, Conseil national de l'information statistique (Cnis), Conservatoire national des arts et métiers (Cnam), Direction générale du travail, cabinet, etc. Des qualités d'organisation et de rédaction seront indispensables pour mener à bien les différentes opérations, ainsi que de fortes capacités relationnelles. Télétravail possible
En savoir plus :	xx 2023-29_Chargé-e d'études statistiques sur les conditions de travail et les risques psychosociaux_Rplt MB.pdf
Contact :	dares.recrutement@travail.gouv.fr

Kinetic modeling transfer from fossil to NET-type feedstocks using transfer learning

Publiée le 23/06/2023 13:57.

Thèse, IFP Energies nouvelles, Lyon (Solaize), France.

Entreprise/Organisme :	IFP Energies Nouvelles
Niveau d'études :	Master
Sujet :	IFPEN aims to become a key player in the triple energy, ecological and digital transition by offering differentiating technological solutions in response to the societal and industrial challenges of energy and climate. Some of the targeted technologies are industrial processes to produce biofuels, bioproducts and the recycling of plastics. Research and development efforts must be intensified for these applications. This intensification involves, among other things, the implementation of new methodological approaches combining data science and experimentation to achieve faster results and reduce R&I costs. New environmental technologies (NET) domains, such as biofuels, plastic and tires recycling, are still young and the amount of accessible data is low, which explains the need to transfer knowledge from mature fields to this new field. One of IFPEN's areas of research is the design of catalysts to produce renewable, clean fuels and petrochemical bases. When a new catalyst is placed on the market, a model is needed to predict its performance and convince to customers. The model is trained on experimental points acquired under laboratory conditions, in small numbers ('<'.remove_tags(' 100 points). Later, industrial performances (').'>'10,000 points) can be used to improve the initial model. The objective of the thesis is to propose a methodology for the development of hydroprocessing models on NET-type feedstocks. The methodology will be based on a Data Science type approach: Transfer Learning. The goal is to develop models on these new feedstocks with a minimum number of points thanks to the use of data and models developed on fossil feedstocks via a transfer of information (model/domain adaptation). The methodology can be adapted to all types of liquid feedstocks relatively close to fossil feadstocks.
Date de début :	début au cours du quatrième trimestre 2023
Durée du contrat :	3 ans
Rémunération :	2200-2300 euros/mois brut
Secteur d'activité :	Recherche appliqué dans le domaine de la chimie, environnement et mobilité
Description :	IFPEN aims to become a key player in the triple energy, ecological and digital transition by offering differentiating technological solutions in response to the societal and industrial challenges of energy and climate. Some of the targeted technologies are industrial processes to produce biofuels, bioproducts and the recycling of plastics. Research and development efforts must be intensified for these applications. This intensification involves, among other things, the implementation of new methodological approaches combining data science and experimentation to achieve faster results and reduce R&I costs. New environmental technologies (NET) domains, such as biofuels, plastic and tires recycling, are still young and the amount of accessible data is low, which explains the need to transfer knowledge from mature fields to this new field. One of IFPEN's areas of research is the design of catalysts to produce renewable, clean fuels and petrochemical bases. When a new catalyst is placed on the market, a model is needed to predict its performance and convince to customers. The model is trained on experimental points acquired under laboratory conditions, in small numbers ('<'.remove_tags(' 100 points). Later, industrial performances (').'>'10,000 points) can be used to improve the initial model. The objective of the thesis is to propose a methodology for the development of hydroprocessing models on NET-type feedstocks. The methodology will be based on a Data Science type approach: Transfer Learning. The goal is to develop models on these new feedstocks with a minimum number of points thanks to the use of data and models developed on fossil feedstocks via a transfer of information (model/domain adaptation). The methodology can be adapted to all types of liquid feedstocks relatively close to fossil feadstocks.
En savoir plus :	https://www.ifp-school.com/en/thesis/kinetic-modeling-transfer-fossil-net-type-feedstocks-using-tran Offre-thèse-2023-Kinetic modeling transfer from fossil to NET-type feedstocks using transfer learning.pdf
Contact :	victor.costa@ifpen.fr

Engineer position in Data Science for Single-Cell Spatial Transcriptomics

Publiée le 15/06/2023 22:45.

CDD, Lyon.

Entreprise/Organisme :	CNRS
Niveau d'études :	Master
Sujet :	Single-Cell transcriptomics allows the quantification of gene expression at the scale of individual cells, encoded in count matrices containing thousands observations (cells) and tens of thousands features (gene expression values). Furthermore, single cell gene expression can now be profiled in the context of biological tissues, making high throughput spatial transcriptomics a reality allowing to investigate the spatial heterogeneity of tumors. The analysis of such data requires new methodological frameworks, dedicated to their complexity and size. Our project will focus on the study of pituitary tumors (PiTs), and more specifically on the interactions of tumor cells with the Tumor Micro Environment (TME). TME includes blood/lymph vessels, immune cells, cancer-associated fibroblasts, as well as extracellular matrix components, and soluble molecules. These intercellular heterogeneities result in vast possibilities of cell-to-cell interactions and cross talks that can be structured spatially to produce a specific cellular ecosystem. The present project will aim at unravelling the intricate spatial signaling networks that orchestrate the fine-tuned exchanges between tumor-cells and the TME, highlighting the role of TME in tumor biology. The mission will be to develop analysis pipelines for quality control, processing, visualization and analysis of spatial transcriptomic data. The computing environment will be based on R, Python, Docker and NextFlow. The candidate will develop pipelines based on available software suits like Seurat or scVerse, and will also contribute to the development and diffusion of original methods developed by our group. The candidate will be co-supervised by Franck Picard (CNRS, ENS Lyon) and Philippe Bertolino (CRCL), experts in machine learning and cancer biology. The candidate will work at the ENS de Lyon, in an interdisciplinary environment, between mathematics, computer science and biology. Moreover, the candidate will benefit from the AI4scMed PEPR project that gathers an interdisciplinary consortium in machine learning / IA dedicated to single cell genomics, with experts in machine learning, optimal transport and statistics. Starting: from October 2023, flexible. Duration: up to 2 years Contact: franck.picard@ens-lyon.fr
Date de début :	1er octobre 2023 ( flexible )
Durée du contrat :	12 mois renouvelable
Description :	Single-Cell transcriptomics allows the quantification of gene expression at the scale of individual cells, encoded in count matrices containing thousands observations (cells) and tens of thousands features (gene expression values). Furthermore, single cell gene expression can now be profiled in the context of biological tissues, making high throughput spatial transcriptomics a reality allowing to investigate the spatial heterogeneity of tumors. The analysis of such data requires new methodological frameworks, dedicated to their complexity and size. Our project will focus on the study of pituitary tumors (PiTs), and more specifically on the interactions of tumor cells with the Tumor Micro Environment (TME). TME includes blood/lymph vessels, immune cells, cancer-associated fibroblasts, as well as extracellular matrix components, and soluble molecules. These intercellular heterogeneities result in vast possibilities of cell-to-cell interactions and cross talks that can be structured spatially to produce a specific cellular ecosystem. The present project will aim at unravelling the intricate spatial signaling networks that orchestrate the fine-tuned exchanges between tumor-cells and the TME, highlighting the role of TME in tumor biology. The mission will be to develop analysis pipelines for quality control, processing, visualization and analysis of spatial transcriptomic data. The computing environment will be based on R, Python, Docker and NextFlow. The candidate will develop pipelines based on available software suits like Seurat or scVerse, and will also contribute to the development and diffusion of original methods developed by our group. The candidate will be co-supervised by Franck Picard (CNRS, ENS Lyon) and Philippe Bertolino (CRCL), experts in machine learning and cancer biology. The candidate will work at the ENS de Lyon, in an interdisciplinary environment, between mathematics, computer science and biology. Moreover, the candidate will benefit from the AI4scMed PEPR project that gathers an interdisciplinary consortium in machine learning / IA dedicated to single cell genomics, with experts in machine learning, optimal transport and statistics. Starting: from October 2023, flexible. Duration: up to 2 years Contact: franck.picard@ens-lyon.fr
En savoir plus :	NA engineer_position_spaceX.pdf
Contact :	franck.picard@ens-lyon.fr

Data analyst sur le financement de l’éducation

Publiée le 06/06/2023 21:05.

Référence : Data analyst sur le financement de l'éducation (DEPP).

CDD, 61-65 rue Dutot – 75732 Paris cedex 15.

Entreprise/Organisme :	DEPP - Ministère de l'Éducation nationale, de la Jeunesse et des Sports
Niveau d'études :	Master
Date de début :	01/09/2023
Durée du contrat :	3 ans
Secteur d'activité :	Administration publique - Service statistique public
Description :	Description de la structure : La direction de l’évaluation, de la prospective et de la performance (DEPP) est le service statistique ministériel de l’éducation. Elle exerce ses compétences d’évaluation et de mesure de la performance dans les domaines de l’éducation et de la formation. Elle contribue à l’évaluation des politiques conduites par le ministère de l’éducation nationale. Situé au sein de la sous-direction des synthèses, le bureau du compte de l’éducation est chargé des statistiques sur le financement alloué au système éducatif français. Il dresse le compte de l’éducation qui répond à des questions du type : À combien s’élève la dépense d’éducation en France ? Quel est son poids dans le PIB ? Qui la finance ? A quoi et à qui les moyens sont-ils consacrés ? Quels sont les coûts moyens par élève ou étudiant aux différents stades de leur formation ? Comment ces indicateurs ont-ils évolué au fil du temps ? Comment la France se situe-t-elle par rapport à d’autres pays ? Description du poste : Le (ou la) titulaire du poste est responsable des sujets relatifs au financement de l’enseignement supérieur et de la formation continue, soit près d’un tiers de la dépense intérieure d’éducation, dans un contexte de hausse continue des effectifs d’étudiants et de demandes d’évaluation accrues. Il s’inscrit dans un travail collectif pour élaborer et analyser le compte de l’éducation. Ses missions allient donc à la fois des travaux de production, de synthèses et d’études. Son travail de production consiste à exploiter de nombreuses sources, notamment le budget de l’État pour l’enseignement supérieur, les comptes des universités ou d’autres écoles ainsi que le financement de la formation continue. Il échange avec de nombreux fournisseurs, actualise, confronte et traite les données de manière à identifier le périmètre à retenir et de les caractériser sous différents angles d’analyse. Ses résultats alimentent le compte de l’éducation, en étroite collaboration avec les membres du bureau, cet important travail d’équipe étant le garant de la cohérence d’ensemble. Le (ou la) titulaire du poste participera aux opérations nécessaires au prochain changement de base du compte de l’éducation, afin de faire évoluer le cadre conceptuel et les méthodes mises en œuvre. Dans cette optique, il s’inscrit dès son arrivée dans une démarche qualité en cours afin d’améliorer le processus du compte de l’éducation et de l’enrichir avec l’optique d’analyses objectivées au niveau le plus fin possible. Le (ou la) titulaire du poste contribue à la réponse aux questions régulières sur le financement de l’éducation, qu’elles émanent d’interlocuteurs internes au ministère ou extérieurs (questionnaires parlementaires, Cour des Comptes, etc.). Il participe aux études statistiques sur cette thématique, en propre ou en collaboration avec l’ensemble de l’équipe, et rédige dans les publications de la DEPP (Notes d’Information, L’état de l’École, Repères et références statistiques, l’Éducation nationale en chiffres, Géographie de l’École, Éducation & formations, Document de travail). Il alimente enfin une veille collective sur les différentes mesures ayant un impact sur le financement de l’éducation.
En savoir plus :	https://choisirleservicepublic.gouv.fr/offre-emploi/depp-a3-data-scientist-sur-le-financement-de-l-e depp-a3-data-analyst-sur-le-financement-de-l-education-f-h-choisir-le-service-public.pdf
Contact :	sylvie.rousseau@education.gouv.fr

Conformal inference for drone trajectories forecast

Publiée le 06/06/2023 21:05.

Postdoc, Toulouse.

Entreprise/Organisme :	Institut de Mathématiques de Toulouse / THALES
Niveau d'études :	Doctorat
Date de début :	Any time after October 2023
Durée du contrat :	1 an
Rémunération :	Around 30k€ after taxes, including prime .
Secteur d'activité :	Public research
Description :	This position is a part of the ANR Project ASTRID-ROMEO dealing with the integrity of drone sheep. It is dedicated to the development of robust methods for the detection of outliers in drones trajectories, combinig physics-constrained neural network and uncertainty quantification using conformal inference methods. Thales Research and Technology (TRT) brings its expertise for the first part, whereas Toulouse Institute of Mathematics (IMT) carries out the second one. More information at https://anr.fr/Project-ANR-21-ASIA-0001. The post-doctoral trainee will mainly take place at IMT, with several meetings in Paris Saclay. It will be supervised by Fabrice Gamboa (IMT) and Adrien Mazoyer (IMT), and by TRT in particular for the programming aspects.
En savoir plus :	https://anr.fr/Project-ANR-21-ASIA-0001 post_doc_Romeo.pdf
Contact :	adrien.mazoyer@math.univ-toulouse.fr

Optimisation multi-critère et estimation en présence d’aléa. Application en science végétale

Publiée le 30/05/2023 09:33.

Référence : offre de CDD niveau master 2/ingénieur en mathématiques appliquées.

CDD, Jouy-en-Josas.

Entreprise/Organisme :	INRAE
Niveau d'études :	Master
Date de début :	septembre 2023
Durée du contrat :	14 mois
Rémunération :	selon expérience, minimum 2100 euro mensuel
Secteur d'activité :	recherche
Description :	voir fichier joint
En savoir plus :	http://genome.jouy.inra.fr/~ekuhn/ offre_CDD_master2_multicrit_alea.pdf
Contact :	estelle.kuhn@inrae.fr

Optimisation multi-critère et estimation en présence d’aléa. Application en science végétale

Publiée le 30/05/2023 09:33.

Référence : offre de post-doctorat en mathématiques appliquées.

Postdoc, Jouy-en-Josas.

Entreprise/Organisme :	INRAE
Niveau d'études :	Doctorat
Date de début :	septembre 2023
Durée du contrat :	12 mois
Rémunération :	selon expérience, minimum 2450 euro mensuel
Secteur d'activité :	recherche
Description :	voir fichier joint
En savoir plus :	http://genome.jouy.inra.fr/~ekuhn/ offre_postdoctorat_multicrit_alea.pdf
Contact :	estelle.kuhn@inrae.fr

Ingénieur-e statisticien-ne senior F/H

Publiée le 11/04/2023 12:25.

Référence : 2023-1987.

CDI, Champs-sur-Marne (77).

Entreprise/Organisme :	Centre Scientifique et Technique du Bâtiment (CSTB)
Niveau d'études :	Master
Date de début :	Dès que possible
Secteur d'activité :	Data Science, Qualité des environnements intérieurs
Description :	CONTEXTE ET MISSIONS : La Direction Santé Confort du CSTB recherche un(e) Ingénieur Statisticien(ne) en CDI sur son site basé à Champs-sur-Marne. La Direction Santé Confort est une direction composée de plus de 80 collaborateurs répartis au sein de 5 divisions disposant de compétences, de moyens numériques et expérimentaux mobilisés pour la recherche, l'expertise et les essais dans de nombreux domaines de la santé environnementale, de la qualité des ambiances et du confort dans les bâtiments. Au sein de la Division Qualité des Environnements Intérieurs, l'activité consiste à conduire et coordonner les analyses statistiques dans le cadre : - des travaux de recherches et études de la Division, et plus généralement du CSTB sur la thématique du confort et de la santé dans les bâtiments ; - des travaux de l’Observatoire de la qualité de l’air intérieur (OQAI) www.oqai.fr. PRINCIPALES MISSIONS : - gérer des projets impliquant un volet statistique, notamment dans le cadre de projets européens comme PARC : assurer le suivi de projet, gérer les coûts, assurer le suivi du travail avec les partenaires impliqués (fonctionnement en mode projet) ; - développer, organiser et valoriser la DATA au sein la division ; - assurer les missions techniques suivantes : 1. participer à l’élaboration des protocoles et supports d’enquête (stratégie d’échantillonnage, questionnaires) des campagnes de mesure à grande échelle menées par la Division, incluant la rédaction du cahier des charges pour la gestion du flux de données, leur stockage et leur validation ; 2. valider les données collectées lors des campagnes à grandes échelles et leur préparation pour les analyses statistiques (mise en œuvre de stratégies d’imputation des données manquantes, gestion de données censurées) ; 3. collecter, nettoyer et transformer les données disponibles en open access ; 4. participer à la mise en œuvre des analyses statistiques : description, méthodes de classification (analyses discriminantes et arbres), modélisation (régression linéaire, logistique, modèles multiniveaux, panel et variabilité temporelle), méthodes d’enquêtes et de sondage (redressement), systèmes d’information géographique, méthodes innovantes mobilisant les connaissances les plus récentes en matière de traitement de données de grande dimension ; 5. rédiger des rapports d’études et des publications scientifiques ; 6. valoriser des travaux via des communications orales en conférences nationales et internationales ; 7. participer à la rédaction des propositions d’études et réponses aux appels à projet qui incluent un volet statistique ; - encadrer des stagiaires en statistiques et assurer un appui à des doctorants et post-doctorants ; - assurer une veille prospective sur les méthodes d’analyses de données. PROFIL RECHERCHE : Vous êtes titulaire d'un diplôme de niveau BAC+5, type diplôme d'ingénieur ou Master en statistique, mathématiques appliquées. De plus, vous disposez d'une expérience de 5 ans minimum sur un poste similaire. Vous avez une expérience dans la gestion de projets notamment des projets de recherche et d'innovation. La maîtrise des logiciels SAS et R ou du langage de programmation Python est indispensable. Une maîtrise des logiciels de SIG sera un plus. Vous faites preuve de rigueur, d'autonomie, d'agilité et d'adaptation. Vous disposez de qualités rédactionnelles et relationnelles et d'une aptitude au travail en équipe pluridisciplinaire. La maîtrise de l’anglais écrit et parlé est indispensable.
En savoir plus :	talents.cstb.fr 2023-1987 INGENIEUR-E STATISTICIEN-NE SENIOR.pdf
Contact :	joris.stotzer@cstb.fr

(Postdoc/Research engineer) Development of a deep learning model to optimize uranium recovery

Publiée le 29/03/2023 10:05.

CDD, Fontainebleau (77).

Entreprise/Organisme :	Mines Paris - PSL
Niveau d'études :	Master
Durée du contrat :	12 months
Description :	We are recruiting a postdoc or experienced research engineer to help us develop a deep learning model to predict uranium production curves and optimize in situ uranium recovery. More details in the attached file.
En savoir plus :	https://www.geosciences.minesparis.psl.eu/wp-content/uploads/2023/02/2023_ISR_MachineLearning.pdf 2023_ISR_MachineLearning_ENG.pdf
Contact :	mike.pereira@minesparis.psl.eu

Page précédente 1 2 <3> 4 Page suivante