Consulter les offres d’emploi

Analyse entre les facteurs environnementaux et le développement de l'enfant

Publiée le 18/02/2025 10:56.

Stage, Laboratoire Jean Kuntzmann, 150 place du Torrent, 38400 Saint Martin d’Hères.

Entreprise/Organisme :	Laboratoire Jean Kuntzmann - Université Grenoble Alpes
Niveau d'études :	Master
Sujet :	La santé humaine peut être affectée par de nombreuses expositions environnementales, parmi lesquelles un grand nombre de preuves ont démontré l'impact de la pollution de l'air ambiant, des températures ambiantes élevées et des vagues de chaleur sur la morbidité et la mortalité (Schwartz, 1994). Les expositions au début de la vie sont particulièrement préoccupantes : la vie intra-utérine est une période critique de plasticité au cours de laquelle les agressions environnementales peuvent modifier les programmes de développement avec des effets immédiats visibles à la naissance ou des effets différés qui apparaissent pendant l'enfance, à la puberté ou à l'âge adulte. Ces travaux sont liés au domaine de recherche DOHaD (Developmental Origins of Health and Diseases), qui affirme que plusieurs maladies fréquentes peuvent avoir une origine pendant la période de développement (Sinclair et al. 2007). Chez les animaux, un large corpus de recherche soutient cette hypothèse (Hanson and Gluckman 2011) y compris pour la pollution de l'air (Veras et al. 2009) et l'exposition à la chaleur pendant la gestation (van Wettere et al. 2021). Chez l'homme, des études épidémiologiques ont démontré les effets néfastes de la pollution atmosphérique et de la chaleur sur l'issue de multiples naissances (par exemple, diminution du poids à la naissance, augmentation des naissances prématurées, mortes et néonatales) (Jakpor et al. 2020; Chersich et al. 2020; Song et al. 2023). Plus tard dans la vie, le faible poids du bébé à la naissance contribue de manière significative à la morbidité et à la mortalité périnatales (Pallotto and Kilbride 2006). Au-delà de la période néonatale, le retard de croissance intra-utérin peut avoir des ramifications tout au long de la vie en augmentant le risque de plusieurs maladies cardiovasculaires, respiratoires et métaboliques (Fowden et al. 2006). Du point de vue de l'exposition, les études examinent de plus en plus l'ensemble de la trajectoire d'exposition d'un individu, en tenant compte de chaque semaine, de la conception à la naissance (Gasparrini et al. 2010; Jakpor et al. 2020), en tirant parti de modèles d'exposition de pointe dotés d'une résolution spatiale et temporelle fine (Hough et al. 2020; Hough et al. 2021). Du point de vue du développement, le poids de naissance est une mesure a posteriori qui ne reflète pas nécessairement les différentes trajectoires de croissance au cours de la vie fœtale. Certaines études ont examiné la contribution de l'échographie à la détection d'éventuels effets précoces et de phénomènes de croissance de rattrapage (Iñiguez et al. 2016). En outre, l'identification des fenêtres critiques d'exposition à l'environnement pendant la grossesse présente un intérêt considérable pour mieux prévenir les effets sur la santé du fœtus. Cependant, aucune étude n'a évalué les effets de l'ensemble de la trajectoire d'exposition sur la trajectoire de croissance du fœtus, en tenant compte des aspects longitudinaux de l'exposition et du résultat. Objectifs L'objectif du stage de Master 2 est de développer des modèles statistiques et des méthodes d'estimation prenant en compte la nature longitudinale des données d'exposition et de résultats. La première étape consistera à revoir les packages existants dlnm, nlme et à identifier leurs limites. La seconde étape consistera à développer un nouveau package incluant l'extension aux effets aléatoires et aux interactions entre variables. Ce projet de Master 2 est la première étape d'un projet de doctorat plus général visant à produire de nouvelles connaissances sur les effets de la pollution de l'air et de l'exposition à la chaleur pendant la grossesse sur la croissance du fœtus (dans un contexte de données répétées à la fois pour l'exposition et le résultat). Le CV et la lettre de motivation (y compris les perspectives de carrière) doivent être envoyés aux adresses suivantes adeline.leclercq-samson@univ-grenoble-alpes.fr, vincent.brault@univ-grenoble-alpes.fr, johanna.lepeule@univ-grenoble-alpes.fr Ces documents peuvent être rédigés en français ou en anglais.
Durée du contrat :	5 à 6 mois
Rémunération :	Indemnités suivant grille officielle
Secteur d'activité :	Recherche - Epidémiologie
Description :	La santé humaine peut être affectée par de nombreuses expositions environnementales, parmi lesquelles un grand nombre de preuves ont démontré l'impact de la pollution de l'air ambiant, des températures ambiantes élevées et des vagues de chaleur sur la morbidité et la mortalité (Schwartz, 1994). Les expositions au début de la vie sont particulièrement préoccupantes : la vie intra-utérine est une période critique de plasticité au cours de laquelle les agressions environnementales peuvent modifier les programmes de développement avec des effets immédiats visibles à la naissance ou des effets différés qui apparaissent pendant l'enfance, à la puberté ou à l'âge adulte. Ces travaux sont liés au domaine de recherche DOHaD (Developmental Origins of Health and Diseases), qui affirme que plusieurs maladies fréquentes peuvent avoir une origine pendant la période de développement (Sinclair et al. 2007). Chez les animaux, un large corpus de recherche soutient cette hypothèse (Hanson and Gluckman 2011) y compris pour la pollution de l'air (Veras et al. 2009) et l'exposition à la chaleur pendant la gestation (van Wettere et al. 2021). Chez l'homme, des études épidémiologiques ont démontré les effets néfastes de la pollution atmosphérique et de la chaleur sur l'issue de multiples naissances (par exemple, diminution du poids à la naissance, augmentation des naissances prématurées, mortes et néonatales) (Jakpor et al. 2020; Chersich et al. 2020; Song et al. 2023). Plus tard dans la vie, le faible poids du bébé à la naissance contribue de manière significative à la morbidité et à la mortalité périnatales (Pallotto and Kilbride 2006). Au-delà de la période néonatale, le retard de croissance intra-utérin peut avoir des ramifications tout au long de la vie en augmentant le risque de plusieurs maladies cardiovasculaires, respiratoires et métaboliques (Fowden et al. 2006). Du point de vue de l'exposition, les études examinent de plus en plus l'ensemble de la trajectoire d'exposition d'un individu, en tenant compte de chaque semaine, de la conception à la naissance (Gasparrini et al. 2010; Jakpor et al. 2020), en tirant parti de modèles d'exposition de pointe dotés d'une résolution spatiale et temporelle fine (Hough et al. 2020; Hough et al. 2021). Du point de vue du développement, le poids de naissance est une mesure a posteriori qui ne reflète pas nécessairement les différentes trajectoires de croissance au cours de la vie fœtale. Certaines études ont examiné la contribution de l'échographie à la détection d'éventuels effets précoces et de phénomènes de croissance de rattrapage (Iñiguez et al. 2016). En outre, l'identification des fenêtres critiques d'exposition à l'environnement pendant la grossesse présente un intérêt considérable pour mieux prévenir les effets sur la santé du fœtus. Cependant, aucune étude n'a évalué les effets de l'ensemble de la trajectoire d'exposition sur la trajectoire de croissance du fœtus, en tenant compte des aspects longitudinaux de l'exposition et du résultat. Objectifs L'objectif du stage de Master 2 est de développer des modèles statistiques et des méthodes d'estimation prenant en compte la nature longitudinale des données d'exposition et de résultats. La première étape consistera à revoir les packages existants dlnm, nlme et à identifier leurs limites. La seconde étape consistera à développer un nouveau package incluant l'extension aux effets aléatoires et aux interactions entre variables. Ce projet de Master 2 est la première étape d'un projet de doctorat plus général visant à produire de nouvelles connaissances sur les effets de la pollution de l'air et de l'exposition à la chaleur pendant la grossesse sur la croissance du fœtus (dans un contexte de données répétées à la fois pour l'exposition et le résultat). Le CV et la lettre de motivation (y compris les perspectives de carrière) doivent être envoyés aux adresses suivantes adeline.leclercq-samson@univ-grenoble-alpes.fr, vincent.brault@univ-grenoble-alpes.fr, johanna.lepeule@univ-grenoble-alpes.fr Ces documents peuvent être rédigés en français ou en anglais.
En savoir plus :	https://svh.imag.fr/ sujet M2 Developpement enfant.pdf
Contact :	vincent.brault@univ-grenoble-alpes.fr

Stage M2/ingénieur.e - Dynamique spatio-temporelle d'une maladie du bananier au Mozambique

Publiée le 18/02/2025 10:56.

Référence : Dynamique spatio-temporelle d'une maladie du bananier au Mozambique.

Stage, Montpellier, Campus International de Baillarguet.

Entreprise/Organisme :	CIRAD - Equipe FORISK, UMR Plant Health Institute of Montpellier
Niveau d'études :	Master
Sujet :	Dynamique spatio-temporelle de la fusariose race tropicale 4 au Mozambique : comprendre et modéliser la propagation d’une maladie majeure du bananier
Date de début :	A partir d'avril 2025
Durée du contrat :	6 mois
Rémunération :	Gratification selon les standards réglementaires
Secteur d'activité :	Agriculture ; Epidemiologie végétale ; Auto-suffisance alimentaire
Description :	La fusariose race tropicale 4 (Foc TR4) est une maladie dévastatrice du bananier qui entraîne la mort de la plante. Alors que 80 % des variétés cultivées sont vulnérables, aucune méthode de lutte efficace n'existe actuellement pour limiter les dégâts occasionnés par la maladie. Foc TR4 représente un risque économique mais aussi pour l'auto-suffisance alimentaire de nombreux pays. Ce stage a pour objectif de développer des connaissances essentielles pour l’épidémiosurveillance de Foc TR4 à partir de données documentant l’émergence de cette maladie au Mozambique. En s’appuyant sur des observations épidémiologiques réalisées sur près de 3000 plantes pendant 2 ans, le ou la stagiaire développera un modèle retraçant la propagation de la maladie en fonction de la présence ou non de mesures de contention de la maladie ainsi que de variables climatiques. Ce travail sera essentiel pour développer de nouvelles connaissances sur l'épidémie de Foc TR4, ainsi que pour déterminer la fréquence optimale d’échantillonnage sur le terrain et pour concevoir des méthodes de détection exploitables sur le terrain.
En savoir plus :	https://www.linkedin.com/posts/mathilde-chen-38916b65_stage-foc-tr4-mozambique-activity-729537113643
Contact :	mathilde.chen@cirad.fr

Stage M1 ou M2 Machine Learning à l'intersection de PAC-Bayes et prédiction conforme

Publiée le 05/02/2025 10:40.

Stage, Laboratoire ERIC - Bron.

Entreprise/Organisme :	Université Lyon 2 - Laboratoire ERIC
Niveau d'études :	Master
Sujet :	Conformal Prediction from a PAC-Bayesian Perspective
Durée du contrat :	4 à 6 mois
Rémunération :	600 euros/month
Secteur d'activité :	Recherche universitaire en Machine Learning
Description :	Machine learning algorithms are becoming increasingly widespread in our society. With the rapid expansion of these algorithms, many questions arise concerning their reliability and the generalisation performance when the algorithms under study are applied to new data. For this reason, a deep mathematical analysis of the most widely used algorithms is playing an increasingly important rôle in current research. New tools appear at a fast pace that help investigate why these algorithms generalise well. To derive relevant statistical guarantees, a number of approaches have been developed, such as the notion of uniform stability, the complexity measure of hypothesis spaces or the PAC-Bayesian theory. The PAC-Bayesian approach has recently lead to successive breakthroughs in the discovery of novel generalisation bounds that could not until now be produced using alternative theories. It has also been used to derive new algorithms for minimizing such bounds (known as self-bounding algorithms). Other approaches have also be used to produce different kinds of statistical guarantees in prediction and risk control, which are various applications to the concept of Conformal Prediction. Unlike traditional models that output only a single prediction, conformal prediction assigns a set of possible outcomes associated to each input, ensuring that the true outcome is included in this set with a user-specified probability (e.g., 95%). Hence, Conformal Prediction is a statistical framework that provides reliable uncertainty estimates for predictions made by machine learning models. As a particular instance of Conformal Prediction, split Conformal Prediction works by splitting data into a training set and calibration set. The calibration set is used to adjust the prediction sets to statistically guaranteed coverage at the desired confidence level. The strengths of Split Conformal Prediction lies in its inherent simplicity, flexibility, and statistical guarantees. Other approaches have also been developed with narrower prediction sets, such as Jackknife+. In another direction, the fundamental problem of producing conditional coverage was investigated in recent new works. Indeed, traditional Conformal Prediction techniques usally provide what is called "marginal coverage" guarantees, meaning that the interval length does not depend of the input. Several methods use the quantile regression trick to overcome this issue, thereby ensuring that the prediction intervals contain the true outcome on average across the entire population, with part of the interval beeing conditional of the input. However, these methods may not offer adequate coverage for specific subgroups within the data. Recent results have pushed the limits of Standard Conformal Prediction capabilities by addressing the issue of building schemes that can account for conditional dependency of the prediction interval on the covariates. To sum up, the PAC Bayes and the Conformal based approach both provide generalisation guarantees for the algorithms under study, but from different viewpoints. Let us add that exciting recent work has successfully combined these two tools to derive generalisation guarantees on the coverage properties of an algorithm using conformal prediction, showing that the approaches can be complementary in establishing strong generalisation results. During the proposed internship, we wish to investigate, in particular, recent contributions to Conformal Prediction that manage to enhance the reliability of prediction intervals in Machine Learning models. This approach allows to generate prediction intervals that maintain both marginal coverage and approximate conditional validity for clusters or subgroups naturally present in the data. Our main objectives in this internship will be to: (i) reinforce the results obtained in the recent literature through the lens of PAC-Bayes theory (which applies very well to combinations of models) and (ii) investigate exciting applications to fairness, where notions of subgroups naturally appear when it comes to study different populations. During his internship, the candidate will attempt to establish theoretical guarantees on the predictions made by a model by combining the theories of Conformal Prediction and PAC-Bayesian. The work can be conducted as follows: (i) understand the similarities and differences between Conformal Prediction and PAC-Bayesian theory, (ii) provide additional guarantees on Conformal Prediction using PAC-Bayesian theory, (iii) study the applicability of the obtained theoretical results to Fairness.
En savoir plus :	https://eric.msh-lse.fr/ Stage_Conformal_Prediction ERIC Lyon 2.pdf
Contact :	stephane.chretien@univ-lyon2.fr

Stage M2 - Intégration de jeux de données protéomiques et PTM-omiques

Publiée le 05/02/2025 10:40.

Stage, Paris 15ème arrondissement.

Entreprise/Organisme :	Institut Pasteur
Niveau d'études :	Master
Sujet :	Contexte : Le protéome est l’ensemble des protéines présentes dans des échantillons biologiques (cellules, organismes, etc.). La plateforme protéomique de l’Institut Pasteur a pour vocation l’étude à grande échelle des protéomes de pathogènes (virus, bactéries, etc.) et des interactions de ces pathogènes avec leur hôte. Dans ce but, elle travaille en collaboration avec différents laboratoires de recherche de l’Institut Pasteur. L’expérience utilisée le plus couramment à la plateforme se base sur la spectrométrie de masse et consiste à réaliser des analyses « bottom-up » (les protéines sont préalablement digérées en peptides pour une meilleure détection). Ces expériences produisent des données volumineuses qui nécessitent plusieurs étapes d’analyses pour être interprétées. D’un point de vue statistique, les jeux de données produits possèdent certaines caractéristiques particulières. Ainsi, on mesure des dizaines de milliers de peptides dans seulement quelques échantillons (données de type « large p, small n »). Il en résulte des matrices d’intensités mesurées qui possèdent des dizaines de milliers de lignes (les peptides) et seulement quelques colonnes (les échantillons). Elles peuvent être entachées de valeurs manquantes (survenant lorsque la protéine n’a pas été détectée dans un échantillon par exemple). Un sujet d’étude particulier concerne les modifications post-traductionnelles (« Post-translational modifications », ou PTM) de protéines. Ces modifications, notamment la phosphorylation, jouent un rôle clé dans la communication cellulaire. Leurs variations d'abondance peuvent perturber les signaux cellulaires, entraînant des désordres et des maladies. Comparer l'évolution d'un protéome non modifié à celle d'un phospho-protéome (ou autre PTM-ome) sous différentes conditions biologiques permet de déterminer si l’abondance de la modification est liée à celle de la protéine d'origine au fil des conditions. En cas d'absence de différence, on peut conclure que les conditions biologiques n'affectent pas l’abondance des modifications, et donc les signaux cellulaires. Ce type d'analyse aide à la compréhension du fonctionnement de maladies infectieuses et, in fine, à identifier des processus cellulaires à cibler pour améliorer le traitement de patients infectés. Contenu du stage : Sous la supervision d'un ingénieur de recherche statisticien de l'Institut, vous contribuerez au développement d'un programme en R, ainsi que de son interface en Shiny, pour simplifier ce type d'analyses au sein de la plateforme protéomique. Une première version de l'application est déjà en cours d'élaboration, mais plusieurs défis restent à relever, notamment la mise en place de méthodes statistiques pour plus de deux conditions biologiques et pour la visualisation des résultats. Ces améliorations sont essentielles pour rendre l'application pleinement opérationnelle dans le cadre des activités quotidiennes de la plateforme. Une comparaison exhaustive de méthodes d’intégration de ce type de données est à mener pour déterminer quelle approche statistique est la plus optimale à utiliser. Nous recherchons un(e) candidat(e) motivé(e) par cette problématique biologique concrète, par le développement de méthodes statistiques en R et par la création d’interfaces intuitives en Shiny, permettant d’exporter des résultats sous forme de tableurs Excel, fichiers PowerPoint ou Word. Idéalement, le/la candidat(e) possède de solides connaissances en mathématiques/statistiques, notamment en modèles de régression, clustering et analyses multivariées, et des connaissances en R, qu’il/elle pourra approfondir durant le stage.
Date de début :	printemps 2025 (1er avril au plus tôt)
Durée du contrat :	6 mois
Description :	Contexte : Le protéome est l’ensemble des protéines présentes dans des échantillons biologiques (cellules, organismes, etc.). La plateforme protéomique de l’Institut Pasteur a pour vocation l’étude à grande échelle des protéomes de pathogènes (virus, bactéries, etc.) et des interactions de ces pathogènes avec leur hôte. Dans ce but, elle travaille en collaboration avec différents laboratoires de recherche de l’Institut Pasteur. L’expérience utilisée le plus couramment à la plateforme se base sur la spectrométrie de masse et consiste à réaliser des analyses « bottom-up » (les protéines sont préalablement digérées en peptides pour une meilleure détection). Ces expériences produisent des données volumineuses qui nécessitent plusieurs étapes d’analyses pour être interprétées. D’un point de vue statistique, les jeux de données produits possèdent certaines caractéristiques particulières. Ainsi, on mesure des dizaines de milliers de peptides dans seulement quelques échantillons (données de type « large p, small n »). Il en résulte des matrices d’intensités mesurées qui possèdent des dizaines de milliers de lignes (les peptides) et seulement quelques colonnes (les échantillons). Elles peuvent être entachées de valeurs manquantes (survenant lorsque la protéine n’a pas été détectée dans un échantillon par exemple). Un sujet d’étude particulier concerne les modifications post-traductionnelles (« Post-translational modifications », ou PTM) de protéines. Ces modifications, notamment la phosphorylation, jouent un rôle clé dans la communication cellulaire. Leurs variations d'abondance peuvent perturber les signaux cellulaires, entraînant des désordres et des maladies. Comparer l'évolution d'un protéome non modifié à celle d'un phospho-protéome (ou autre PTM-ome) sous différentes conditions biologiques permet de déterminer si l’abondance de la modification est liée à celle de la protéine d'origine au fil des conditions. En cas d'absence de différence, on peut conclure que les conditions biologiques n'affectent pas l’abondance des modifications, et donc les signaux cellulaires. Ce type d'analyse aide à la compréhension du fonctionnement de maladies infectieuses et, in fine, à identifier des processus cellulaires à cibler pour améliorer le traitement de patients infectés. Contenu du stage : Sous la supervision d'un ingénieur de recherche statisticien de l'Institut, vous contribuerez au développement d'un programme en R, ainsi que de son interface en Shiny, pour simplifier ce type d'analyses au sein de la plateforme protéomique. Une première version de l'application est déjà en cours d'élaboration, mais plusieurs défis restent à relever, notamment la mise en place de méthodes statistiques pour plus de deux conditions biologiques et pour la visualisation des résultats. Ces améliorations sont essentielles pour rendre l'application pleinement opérationnelle dans le cadre des activités quotidiennes de la plateforme. Une comparaison exhaustive de méthodes d’intégration de ce type de données est à mener pour déterminer quelle approche statistique est la plus optimale à utiliser. Nous recherchons un(e) candidat(e) motivé(e) par cette problématique biologique concrète, par le développement de méthodes statistiques en R et par la création d’interfaces intuitives en Shiny, permettant d’exporter des résultats sous forme de tableurs Excel, fichiers PowerPoint ou Word. Idéalement, le/la candidat(e) possède de solides connaissances en mathématiques/statistiques, notamment en modèles de régression, clustering et analyses multivariées, et des connaissances en R, qu’il/elle pourra approfondir durant le stage.
En savoir plus :	https://research.pasteur.fr/fr/team/proteomics/ stageIP.pdf
Contact :	quentin.giaigianetto@pasteur.fr

Protocoles séquentiels et adaptatifs pour planifier les études de bioéquivalence (données éparses)

Publiée le 05/02/2025 10:39.

Stage, Lille.

Entreprise/Organisme :	Université de Lille, ULR 2694 Metrics
Niveau d'études :	Master
Sujet :	Approches par modélisation pour la planification de protocoles séquentiels ou adaptatifs dans les études de bioéquivalence avec échantillonnage épars
Date de début :	dès que possible
Durée du contrat :	6 mois
Rémunération :	Standard stage de M2
Secteur d'activité :	Statistique
Description :	L'approche non compartimentales (NCA), recommandée pour analyser et planifier les études de bioequivalence (BE) en pharmacocinétique (PK), nécessite de nombreuses concentrations pour chaque sujet. Cela rend difficile son application à certaines populations, telles que les patients atteints de cancer. C'est pourquoi une approche alternative, basée sur une modélisation par modèle non linéaire à effets mixtes, a été developpée (approche MBBE). Plus récemment, la planification en 2 étapes avec des protocoles séquentiels (TSS) et adaptatifs (TSA) des études de BE par NCA a été transposée à l'approche MBBE, et évaluée sur des études avec échantillons PK riches. L'objectif de ce stage est d'étendre et d'évaluer cette approche à des études de BE avec échantillons épars. Différentes approches non-asymptotiques seront développées afin de corriger l'erreur standard d'estimation de l'effet du traitement sur les paramètres sur lesquels est effectué le test de BE : 1) un terme de correction tenant compte du nombre de paramètres du modèle PK, 2) la distribution a posteriori de l'effet traitement obtenue par Monte Carlo Hamiltonien (HMC) implémenté dans le langage Stan, 3) la méthode Sampling Importance Resampling 4) un bootstrap non paramétrique (rééchantillonnage de cas). Ces solutions seront ensuite évaluées par des simulations d'essais cliniques utilisant une étude de cas d’un médicament anticancéreux à haute variabilité indiqué pour le traitement de la leucémie myéloïde chronique. Les critères d'évaluation comprendront la taille finale de l'échantillon nécessaire, le taux d'erreur de type I (la proportion de jeux de données pour lesquels l'hypothèse nulle de non BE (H0) est rejetée en simulant sous H0), et la puissance (la proportion de jeux de données pour lesquels H0 est rejetée en simulant sous l'hypothèse alternative de BE).
En savoir plus :	No link Stage M2 Statistique Bioequivalence 2025.pdf
Contact :	florence.loingeville@univ-lille.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

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

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

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