Consulter les offres d’emploi

Estimation bayésienne d’un risque sanitaire radio-induit à partir de cohortes multiples

Publiée le 07/01/2025 19:09.

Stage, Fontenay-Aux-Roses (92).

Entreprise/Organisme :	Autorité de Sûreté Nucléaire et de Radioprotection (ASNR)
Niveau d'études :	Master
Date de début :	17 février 2025
Durée du contrat :	6 mois
Rémunération :	Gratification 1300 euros par mois
Secteur d'activité :	Biostatistique
Description :	Le développement de modèles hiérarchiques bayésiens et l’implémentation d’algorithmes Monte-Carlo par Chaînes de Markov (MCMC) pour la prise en compte d'erreurs de mesure d'exposition complexes dans l'estimation d'un risque sanitaire radio-induit ont déjà fait l’objet de différents travaux de recherche à l’ASNR (ex-IRSN). Jusqu'à présent, ils ont été appliqués séparément à l’estimation du risque de décès par cancer du poumon associé à l’exposition au radon dans différentes cohortes européennes de mineurs d’uranium. L’objectif de ce stage, qui s'intègre dans le projet de recherche européen RADONORM - sera d’affiner l’estimation actuelle de ce risque en considérant simultanément trois cohortes de mineurs d’uranium et en tenant compte des erreurs de mesure d’exposition spécifiques à chacune d’entre elles.
En savoir plus :	https://www.asnr.fr/ Stage_RADONORM_Ancelet.pdf
Contact :	sophie.ancelet@irsn.fr

Poste de Professeur des Universités en Statistique

Publiée le 06/01/2025 16:50.

CDI, Saint Étienne du Rouvray.

Entreprise/Organisme :	Université de Rouen, Laboratoire de Mathématiques Raphaël Salem, Département de Mathématiques UFR ST
Niveau d'études :	Autre
Secteur d'activité :	Enseignement supérieur
Description :	Poste de professeur des universités avec le profil Mathématiques Appliquées, statistique et applications rattaché au Laboratoire de Mathématiques Raphaël Salem, mis au concours 2025 à l'Université de Rouen Normandie.
En savoir plus :	https://lmrs.univ-rouen.fr/content/offres-demplois
Contact :	mohamed.ben-alaya@univ-rouen.fr

Postdoctoral position in Applied Causality for Neutron Spectroscopy Data Analysis

Publiée le 06/01/2025 16:50.

Référence : APIC: Postdoctoral position in Applied Causality for Neutron Spectroscopy Data Analysis.

Postdoc, CEA-Saclay.

Entreprise/Organisme :	CEA
Niveau d'études :	Doctorat
Date de début :	First quarter of 2025
Durée du contrat :	12 months, renewable for 12 months
Rémunération :	following profile
Secteur d'activité :	AI, causality, Bayesian graph, Applied statistics for physics
Description :	nvironment 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 of the Institut Laue-Langevin (ILL) in Grenoble. Notably, the ILL is the current European neutron source, worldwide 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. It 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 deducing the parameters of the interaction Hamiltonian responsible for the material's 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 on identified parameters provides significant modifications to the dispersion curves. Research Focus Causality is a burgeoning field that integrates seamlessly with uncertainty quantification, forming a core part of LIAD’s 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 beyond 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 postdoctoral position.pdf
Contact :	aurore.lomet@cea.fr

Optimisation de méthodes de surveillance épidémiologique multi-sources

Publiée le 06/01/2025 11:16.

Référence : Optimisation de méthodes de surveillance épidémiologique multi-sources.

Thèse, Rennes.

Entreprise/Organisme :	LTSI/ CHU Rennes
Niveau d'études :	Master
Sujet :	La surveillance épidémiologique est un pilier essentiel de la santé publique, permettant de détecter précocement les épidémies et de mettre en place des mesures de contrôle efficaces. Les systèmes traditionnels, basés principalement sur des réseaux sentinelles, présentent cependant des limitations en termes de réactivité, avec des délais pouvant atteindre plusieurs semaines avant que les données ne soient disponibles et analysées. Cette thèse vise à développer un cadre méthodologique innovant pour optimiser les méthodes de surveillance épidémiologique en exploitant de multiples sources de données hétérogènes. En intégrant des données issues des entrepôts de données de santé (EDS), des informations provenant du web (recherches sur les moteurs de recherche, réseaux sociaux), des données environnementales (conditions météorologiques, pollution atmosphérique) et d'autres sources pertinentes, nous cherchons à améliorer la précision et la rapidité des indicateurs prédictifs. Notre approche s'appuiera sur l'optimisation et l'extension de modèles statistiques avancés, tels que les modèles autorégressifs pénalisés (ex. ARGO, ARGONet), en développant de nouvelles méthodes de régularisation adaptative pour la sélection dynamique de variables. Nous explorerons également l'intégration explicite des dépendances spatio-temporelles pour mieux modéliser la propagation géographique des épidémies. Les méthodes développées seront validées sur différentes pathologies, notamment les infections respiratoires aiguës (IRA), les infections sexuellement transmissibles (IST) et la dengue, dans le cadre du projet ORCHIDEE (Organisation d’un Réseau de Centres Hospitaliers Impliqués Dans la surveillance Epidémiologique et la réponse aux Emergences).
Date de début :	Courant 2025
Durée du contrat :	3 ans
Secteur d'activité :	Santé
Description :	La surveillance épidémiologique est un pilier essentiel de la santé publique, permettant de détecter précocement les épidémies et de mettre en place des mesures de contrôle efficaces. Les systèmes traditionnels, basés principalement sur des réseaux sentinelles, présentent cependant des limitations en termes de réactivité, avec des délais pouvant atteindre plusieurs semaines avant que les données ne soient disponibles et analysées. Cette thèse vise à développer un cadre méthodologique innovant pour optimiser les méthodes de surveillance épidémiologique en exploitant de multiples sources de données hétérogènes. En intégrant des données issues des entrepôts de données de santé (EDS), des informations provenant du web (recherches sur les moteurs de recherche, réseaux sociaux), des données environnementales (conditions météorologiques, pollution atmosphérique) et d'autres sources pertinentes, nous cherchons à améliorer la précision et la rapidité des indicateurs prédictifs. Notre approche s'appuiera sur l'optimisation et l'extension de modèles statistiques avancés, tels que les modèles autorégressifs pénalisés (ex. ARGO, ARGONet), en développant de nouvelles méthodes de régularisation adaptative pour la sélection dynamique de variables. Nous explorerons également l'intégration explicite des dépendances spatio-temporelles pour mieux modéliser la propagation géographique des épidémies. Les méthodes développées seront validées sur différentes pathologies, notamment les infections respiratoires aiguës (IRA), les infections sexuellement transmissibles (IST) et la dengue, dans le cadre du projet ORCHIDEE (Organisation d’un Réseau de Centres Hospitaliers Impliqués Dans la surveillance Epidémiologique et la réponse aux Emergences).
En savoir plus :	https://www.linkedin.com/feed/update/urn:li:activity:7275496987486035969/ sujet.pdf
Contact :	morgane.pierre-jean@univ-rennes.fr

Modélisation d'un espace latent complexe au moyen de Normalizing flow dans un modèle à effets mixtes

Publiée le 30/12/2024 15:08.

Référence : stage master 2 modélisation d'un espace latent complexe dans un modèle à effets mixtes.

Stage, Centre INRAE Jouy-En-Josas.

Entreprise/Organisme :	INRAE
Niveau d'études :	Master
Sujet :	voir fichier joint
Date de début :	début 2025
Durée du contrat :	5 à 6 mois
Rémunération :	gratification de stage standard
Secteur d'activité :	recherche en mathématiques
Description :	voir fichier joint
En savoir plus :	http://genome.jouy.inra.fr/~ekuhn/ 2025_stage_NF_MixedModels.pdf
Contact :	estelle.kuhn@inrae.fr

2-year Postdoctoral Position: Statistical Learning for Survey Sampling and Missing Data

Publiée le 30/12/2024 15:08.

Référence : 2-year Postdoctoral Position: in Statistical Learning for Survey Sampling and Missing Data.

Postdoc, Montreal and Ottawa, Canada.

Entreprise/Organisme :	McGill University and the University of Ottawa
Niveau d'études :	Doctorat
Date de début :	01/09/2025, or flexible
Durée du contrat :	2 years
Rémunération :	70 000$
Secteur d'activité :	Statistical learning, Missing data, Survey sampling, Causal Inference
Description :	National statistical offices increasingly use machine learning to address unit nonresponse with inverse probability weighting. Machine learning may be used to model complex, high- dimensional relationships but introduces challenges such as variance estimation and model selection. We plan to investigate the Riesz Representer approach, combined with cross-fitting, to ensure consistent variance estimation and obtain square-root consistent estimators. This proposal will also explore hyperparameter selection and adaptive weight trimming to improve stability. This research aims to enhance the reliability of statistical inference in surveys with nonresponse.
En savoir plus :	https://canssi.ca/wp-content/uploads/Statistical-Learning-for-Unit-Nonresponse-Treatment-in-Surveys- Statistical-Learning-for-Unit-Nonresponse-Treatment-in-Surveys-Using-Riesz-Representers.pdf
Contact :	mehdi.dagdoug@mcgill.ca

Exploring Transfer Learning techniques with Generative AI for the prediction of chemical processes

Publiée le 22/12/2024 18:11.

Stage, Solaize, Lyon, France.

Entreprise/Organisme :	IFP Energies Nouvelles
Niveau d'études :	Master
Sujet :	Exploring Transfer Learning techniques with Generative AI for the prediction of chemical processes performance
Date de début :	Mars 2025
Durée du contrat :	5-6 mois
Secteur d'activité :	Energies Renouvelables
Description :	IFPEN is an important player in the triple energy, ecological, and digital transition by offering differentiating technological solutions in response to societal and industrial challenges of energy and climate. The implementation of new methodological approaches combining "data science and experimentation" is among the studied solutions that allow for faster progress and reduced R&I costs. The prediction of the output impurities content, such as sulphur or nitrogen, is a key factor when developing new catalysts or new processes. Data scarcity and poor generalization to new experimental conditions often limit the quality of the kinetic models or even and standard machine learning techniques. One of the solutions for improving models is reusing knowledge from previous datasets. Transfer Learning is a promising approach to model new catalysts or processes. Previous studies conducted at IFPEN led to important improvements using a Bayesian approach. Other techniques, that use Generative Adversarial Networks (GANs), along with feature augmentation, allow model’s deep understanding of the dataset’s feature distribution, thus improving model training and robustness.
En savoir plus :	NA TL_GAN_Internship_proposition2024.pdf
Contact :	youba.abed@ifpen.fr

M2 Research internship in mathematical statistics: Censored Deconvolution for relative survival.

Publiée le 19/12/2024 09:16.

Stage, Marseille.

Entreprise/Organisme :	SESSTIM, Université Aix-Marseille
Niveau d'études :	Master
Sujet :	Context Survival analysis is a statistical theory targeted at the study of human lifetime. In particular, relative survival methodology deals with the case of datasets that do not contain the reason of death of the patients, this information (supposed binary: studied cause or other causes) being unavailable. This is often the case in large cancer studies extracted from cancer registries. The relative survival methodology [1], developed explicitly for this issue, is based on competing risks and considers the overall lifetime of patients as being the minimum between a populational survival time and an excess survival time. This is unfortunately not very practical to estimate the lost lifetime due to the disease, a key metric in the literature [2]. This internship explores new deconvolutional approaches to estimate the lost lifetime due to the disease. Objectives The main objective of the internship is to explore deconvolutional approaches in relative survival field targeted at direct estimation of the distribution of the lost lifetime w.r.t. the disease in a relative survival setup. A few different leads are already identified to propose non-parametric estimations procedures for this distribution: extending the work of [3] to a slightly different setup and/or the proposals in [4] are two of the potential directions to construct relevant estimators. We expect the development of theoretical results for the produced estimators, alongside small and large sample properties. The proposed work is part of the NetPlus project funded by the Cancéropôle PACA. Communication and publication of the results will be integral part of the work. Simulations and real data applications will be done in the –rising—Julia programing language. Upon success and common agreement, a follow-up through a 1-year contract is possible. Candidate’s profile The following are strictly required: - A master 2 level in mathematics, with majors in analysis, probability and statistics - Strong knowledge in mathematical modeling and theoretical statistics - Very good written English and programming skills, with good experience in latex and git Knowledges of standard survival analysis, deconvolutional statistics and the Julia programming language (which will be used for investigations) are not required but will be nice bonuses. Additional information - Length: 5 to 6 months, with a potential follow-up by a one-year engineer contract. - Location: At SESSTIM, on the Faculté des Sciences Médicales et Paramédicales in Marseille, France. - Wages: Regulatory internship stipend at the Université Aix-Marseille (4€35/hour for 35h/week, about 600€/month) - To apply: Please carefully read the announcement and review the references before applying. Then, please send your application with a resume and a few motivational lines by mail, with [Internship2025] in the subject, to oskar.laverny@univ-amu.fr. You can add link to previous scientific (unrelated) projects you did, if any. [1] M. Pohar Perme, J. Stare, et J. Estève, « On Estimation in Relative Survival », Biometrics, vol. 68, no 1, p. 113‑120, mars 2012, doi: 10.1111/j.1541-0420.2011.01640.x. [2] D. Manevski, N. Ružić Gorenjec, P. K. Andersen, et M. Pohar Perme, « Expected life years compared to the general population », Biomedical journal 2023, doi: 10.1002/bimj.202200070. [3] F. Comte, A. Samson, et J. J. Stirnemann, « Hazard estimation with censoring and measurement error: application to length of pregnancy », Test 2018, doi: 10.1007/s11749-017-0548-0. [4] I. Van Keilegom et E. Kekeç, « Estimation of the density for censored and contaminated data », Stat, vol. 13, no 1, p. e651, 2024, doi: 10.1002/sta4.651.
Durée du contrat :	6 mois
Description :	Stage de 5 à 6 mois en statistiques visant à la construction d'estimateurs déconvolutionels sous censure dans le champ de l'analyse de survie dite relative.
En savoir plus :	https://sesstim.univ-amu.fr/sites/default/files/intership_offer_1.pdf intership_offer.pdf
Contact :	oskar.laverny@univ-amu.fr

Stage/thèse en modélisation des sols

Publiée le 11/12/2024 11:14.

Référence : DeepHorizon.

Stage, Palaiseau.

Entreprise/Organisme :	UMR MIA, AgroParisTech
Niveau d'études :	Master
Sujet :	Système d’inférence spatiale des sols avec incertitude quantifiée
Date de début :	février 2025 ou plus tard
Durée du contrat :	4 à 6 mois
Secteur d'activité :	Recherche interdisciplinaire entre apprentissage statistique et science environnementales
Description :	In the framework of the EU-project DeepHorizon (https://cordis.europa.eu/project/id/101156701), we are looking for an excellent PhD candidate to develop statistical methods supporting the development of a spatial soil inference system for European soils. A soil inference system uses known measurements, each with a certain level of uncertainty, to predict related soil properties with minimal error, by applying a series of logically connected (pedo)transfer functions (PTFs). The PhD candidate will start with an inventory of existing soil pedotransfer functions relevant to European soils and to calibrate usual mechanistic biogeochemical models. A large part of the work involves the exploration, development and application of new statistical approaches relevant for the inference system. The approaches should handle missing data along with uncertainty quantification of the input soil properties and propagation of the uncertainty throughout the inference engine. The candidate is expected to collaborate closely with other PhD candidates of the project consortium and with a project partner in Belgium, for which temporary stay could be envisioned. There is the possibility of a Master internship (4-6 months) on a sub-topic of the thesis.
En savoir plus :	https://cordis.europa.eu/project/id/101156701 PhD_topic_PTFs.pdf
Contact :	tabea.rebafka1@agroparistech.fr

PhD in modeling of soils

Publiée le 11/12/2024 11:14.

Référence : DeepHorizon.

Thèse, AgroParisTech , Palaiseau.

Entreprise/Organisme :	UMR MIA, AgroParisTech
Niveau d'études :	Master
Sujet :	Developing a statistical spatial soil inference system with quantified uncertainty
Date de début :	march 2025 or later
Durée du contrat :	3 years
Rémunération :	monthly gross salary ~ 2,100 €
Secteur d'activité :	Interdisciplinary research in statistical machine learning and environmental sciences
Description :	In the framework of the EU-project DeepHorizon (https://cordis.europa.eu/project/id/101156701), we are looking for an excellent PhD candidate to develop statistical methods supporting the development of a spatial soil inference system for European soils. A soil inference system uses known measurements, each with a certain level of uncertainty, to predict related soil properties with minimal error, by applying a series of logically connected (pedo)transfer functions (PTFs). The PhD candidate will start with an inventory of existing soil pedotransfer functions relevant to European soils and to calibrate usual mechanistic biogeochemical models. A large part of the work involves the exploration, development and application of new statistical approaches relevant for the inference system. The approaches should handle missing data along with uncertainty quantification of the input soil properties and propagation of the uncertainty throughout the inference engine. The candidate is expected to collaborate closely with other PhD candidates of the project consortium and with a project partner in Belgium, for which temporary stay could be envisioned.
En savoir plus :	https://cordis.europa.eu/project/id/101156701 PhD_topic_PTFs.pdf
Contact :	tabea.rebafka1@agroparistech.fr

Étude de l’impact de la discrétisation pour l’estimation du modèle linéaire fonctionnel

Publiée le 02/12/2024 09:55.

Référence : Stage de M2.

Stage, Paris (CEREMADE) ou Rouen (LMRS).

Entreprise/Organisme :	Université Paris-Dauphine/Université de Rouen Normandie/Université Paris Cité
Niveau d'études :	Master
Sujet :	voir fichier pdf joint
Date de début :	Printemps 2025
Durée du contrat :	4 à 6 mois
Secteur d'activité :	Recherche
Description :	L'analyse des données fonctionnelles est une branche de la statistique dont l'objectif est d'étudier des données qui se présentent sous forme de courbes (évolution de la température, électricité,...). La majorité des résultats de statistique mathématique existants supposent que les courbes sont observées en tout point, ce qui n'est pas le cas en général en pratique. L'objectif du stage sera d'explorer les vitesses de convergence dans le modèle de régression linéaire fonctionnel lorsque l'on tient compte du fait que les données sont observées sur une grille. Le stage pourra se prolonger par une thèse financée par le projet ANR FUNMathStat.
En savoir plus :	https://sites.google.com/view/funmathstatanrproj/job-and-internship-offers Sujet_Stage_M2_these.pdf
Contact :	gaelle.chagny@univ-rouen.fr

PhD position in mathematical statistics

Publiée le 27/11/2024 11:32.

Référence : PhD position Post-selection inference for latent variable models.

Thèse, Toulouse.

Entreprise/Organisme :	Institut de Mathématiques de Toulouse
Niveau d'études :	Master
Sujet :	Post-selection inference for latent variable models
Date de début :	Octobre 2025
Durée du contrat :	3 ans
Description :	Post-selection inference for latent variable models
En savoir plus :	https://www.math.univ-toulouse.fr/~fbachoc/PhD_offer_post_selection_inference_latent_variables.pdf
Contact :	francois.bachoc@math.univ-toulouse.fr

Maître de conférences en "Statistiques, Machine Learning et application aux SHS"

Publiée le 27/11/2024 11:31.

CDI, Campus Portes des Alpes, Bron.

Entreprise/Organisme :	Université Lyon 2
Niveau d'études :	Doctorat
Date de début :	01/09/2025
Description :	Maître de conférences en "Statistiques, Machine Learning et application aux SHS"
En savoir plus :	https://eric.msh-lse.fr/wp-content/uploads/2024/11/2025-univlyon2-posteMCF26.pdf
Contact :	julien.jacques@univ-lyon2.fr

Master2 Internship : Physics-Informed Generative Neural Networks for stochastic PDEs

Publiée le 30/10/2024 09:08.

Référence : Stage M2 MIA Paris-Saclay.

Stage, 22 place de l’agronomie, 91120 Palaiseau, France.

Entreprise/Organisme :	UMR MIA Paris-Saclay
Niveau d'études :	Master
Sujet :	Physics-Informed Generative Neural Networks for stochastic PDEs
Date de début :	Mars 2025
Durée du contrat :	6 mois
Rémunération :	~700€/mois
Secteur d'activité :	Recherche
Description :	Il s'agit de généraliser les approches de machine learning pour résoudre les EDPs (les PINNs) au contexte des EDPs stochastique. Le but final est d'apprendre au modèle à simuler des champs aléatoire plutôt qu'une solution déterministe. Les applications sont nombreuses en statistiques spatiales où les SPDEs sont très utilisées. Le projet se situe donc à l'interface des modèles génératif, des PINNs, et de la statistique spatiale.
En savoir plus :	https://mia-ps.inrae.fr/node/721 M2_Internship_GPINN__physics_informed_neural_networks_for_stochastics_PDEs.pdf
Contact :	hugo.gangloff@inrae.fr

Développement d'algorithmes pour l'analyse de la perte d'autonomie des personnes âgées

Publiée le 21/10/2024 17:47.

Référence : Offre d'emploi pour jeune docteur en R&D chez SIPAD.

CDI, 38 rue Blomet, 75015 Paris.

Entreprise/Organisme :	SIPAD
Niveau d'études :	Doctorat
Date de début :	Dès que possible
Durée du contrat :	CDI
Rémunération :	Entre 50 000 à 60 000 euros par an
Secteur d'activité :	Accompagnement des personnes en perte d'autonomie à domicile
Description :	Au sein du l’entreprise Sipad, dans le cadre de votre premier contrat CDI depuis votre soutenance (statut de Jeune Docteur), en lien permanent avec les équipes des différentes entités opérationnelles, votre rôle de « Jeune docteur » sera d'identifier et utiliser les travaux de Recherche les plus récents sur les différents domaines cités, d'accompagner le directeur technique et ses équipes sur la mise en œuvre de projets pour ses clients, d'apporter votre expertise en conduite de projets de recherche et de participer à la consolidation d’une première phase de recherche déjà menée par l’entreprise dans le domaine de l’analyse automatique de la perte d’autonomie des personnes âgées. Vos missions principales consisteront donc en : - Investiguer et évaluer les dernières avancées en recherche et technologiques (veille scientifique, veille technique) - Implémenter des algorithmes et entraîner des modèles d’intelligence artificielle - Identifier des sources de réflexions sur des évolutions possibles des technologies ou des méthodes de management - Travailler en étroite coopération avec les équipes opérationnelles pour passer de la phase recherche à la phase de mise en production (intégration et recherche finalisée) - Présenter régulièrement le fruit de vos découvertes et de vos réflexions - Rédiger des dossiers de recherche avec les équipes projets - Suivant les avancées de recherche, publier des articles scientifiques ou participer à des conférences Ce poste évoluera vers un rôle de soutien et d’accompagnement d’étudiants en M2 et éventuellement dans leur parcours de thèse Cifre. Nos avantages : - Locaux dans le cœur du 15ème arrondissement de Paris - Télétravail jusqu'à 2 jours par semaine - Proximité et convivialité cultivées à tous les niveaux de l'entreprise Le profil recherché Jeune docteur spécialisé en Data Science, Informatique, Math Appliquées, Intelligence Artificielle Vous maîtrisez également la programmation informatique permettant de concevoir et d'implémenter les solutions de Machine Learning ou Deep Learning (Python, R, …) ainsi que des outils collaboratifs de versioning comme Git. Vous avez une bonne connaissance de méthodes de conduite de projet et de l'organisation des entreprises. La maîtrise du français et de l'anglais à l'écrit et à l'oral est nécessaire.
En savoir plus :	https://sipad.com/notre-solution SIPAD_Offre Emploi_Jeune Docteur.pdf
Contact :	c.faure@sipad.com

Page précédente 1 2 3 <4> 5 Page suivante