Consulter les offres d’emploi

PHD POSITION IN DEVELOPMENTAL COGNITIVE NEUROSCIENCE & DATA SCIENCE
Publiée le 20/05/2025 13:31.
Thèse, Paris.
Entreprise/Organisme :Université Paris Cité
Niveau d'études :Master
Sujet :Preterm birth affects approximately one in ten children globally and presents significant developmental risks. This PhD project proposes an interdisciplinary approach, combining neuroscience, developmental psychology, and advanced data science methods, to study premature children's developmental trajectories. The project has three main objectives: (1) identify distinct multilevel profiles in premature children aged 9–10 using genetic, brain, cognitive, and behavioral data through sophisticated machine learning techniques (including recurrent neural networks and temporal convolutional networks); (2) analyze their developmental trajectories to age 15 using latent class mixed models (LCMM); and (3) determine predictive factors through multivariate statistical analysis. Drawing on the ABCD® study cohort of over 10,000 children (including 2,000 premature), this research will leverage state-of-the-art statistical methods and machine learning models to deepen our understanding of preterm-born children's development. Clinically, identifying risk and protective factors through these advanced analytical approaches will guide the development of personalized early interventions. The innovative data science methodology developed during this PhD could also be adapted to various clinical applications.
Date de début :October 1, 2025
Durée du contrat :3 years
Description :Applications are invited for a 3-year PhD position starting October 1st, 2025, to study preterm-born children's developmental trajectories. The project will adopt an interdisciplinary approach combining neuroscience, developmental psychology, and data science. The PhD candidate will be funded by the CNRS through the MITI (Mission pour les Initiatives Transverses et Interdisciplinaires) for 3 years to complete the project. The candidate will be based at the LaPsyDÉ Lab (https://www.lapsyde.com/, CNRS UMR 8240, Université Paris Cité) at La Sorbonne in Paris, France and will collaborate with Edouard Duchesnay, GAIA Brain Imaging and Data Science Lab (https://gaia.neurospin.fr/, CNRS UMR 9027, CEA) at Neurospin center in Saclay.
En savoir plus :https://sites.google.com/view/irismenu/phd-position-in-developmental-cognitive-neuroscience-and-data
PHD_OFFER_MITI.pdf
Contact :iris.menu@u-paris.fr
Thèse en statistique appliquée
Publiée le 16/05/2025 09:43.
Référence : ADH13015.
Thèse, UTT/Sfax université.
Entreprise/Organisme :Université de technologie de Troyes et Univesrité de Sfax
Niveau d'études :Master
Sujet :Analyse Spectrale des Graphes de Barabási-Albert par les Matrices Aléatoires et Applications à la Détection d’Intrusions
Date de début :Janvier 2026
Durée du contrat :36 mois
Rémunération :NA
Secteur d'activité :Académique
Description :Cete thèse vise à développer une analyse spectrale des graphes de Barabási-Albert (BA) en utlisant la théorie des matrices aléatoires et à appliquer ces techniques à la détecton d’intrusions dans les réseaux informatques. L’objectf est d’étudier les propriétés spectrales des graphes BA, d’identfer des signatures caractéristques, et d’exploiter ces connaissances pour proposer des méthodes efcaces de détecton d’anomalies dans les réseaux. L’approche inclut une combinaison d’analyse mathématque et de techniques d’apprentssage automatque.
En savoir plus :https://www.utt.fr
ThèseStat-Cotutelle-UTT-Sfax.pdf
Contact :malika.kharouf@utt.fr
Evaluation de l’influence du paysage sur le risque acarologique : approche par modélisation
Publiée le 12/05/2025 18:07.
Référence : Thèse tiques et paysage INRAE Nantes.
Thèse, INRAE (unité BIOEPAR), Nantes.
Entreprise/Organisme :INRAE
Niveau d'études :Master
Sujet :Evaluation de l’influence de la connectivité entre les éléments boisés du paysage sur le risque acarologique : approche par modélisation L’émergence des maladies animales et zoonotiques transmises par les tiques est influencée par des interactions complexes entre les tiques, les agents transmis, les hôtes réservoirs vertébrés et leurs habitats. Les changements de composition du paysage peuvent modifier fortement les rapports entre les espèces et l’abondance des populations, jouant ainsi sur le « risque acarologique », défini par la densité de tiques infectées par un agent pathogène. Ce travail vise à une réflexion méthodologique approfondie sur la façon de modéliser l’influence du degré de fragmentation des paysages agricoles bocagers sur le risque acarologique dans des espaces boisés, sur l’exemple des bactéries du genre Borrelia, agents de la maladie de Lyme. Des analyses statistiques bayésiennes sur des jeux existants de données observées et paysages réels permettront d’identifier les variables influençant le risque dans des habitats boisés d’un paysage bocager. Ces variables seront intégrées dans un modèle dynamique reposant sur le couplage entre un modèle de paysage et un modèle de transmission de bactéries au sein de populations de tiques. Développé dans un cadre conceptuel de métapopulations, ce modèle permettra d’explorer des scénarios d’une manière théorique et par confrontation avec les données, notamment sur l’influence respective des caractéristiques des éléments boisés (taille, composition) et de leur agencement dans l’espace.
Date de début :01/11/2025
Durée du contrat :3 ans
Rémunération :2200€ brut /mois
Description :"Evaluation de l’influence de la connectivité entre les éléments boisés du paysage sur le risque acarologique : approche par modélisation" Cette thèse sera co-encadrée par Thierry Hoch, Suzanne Bastian (tous de l'UMR Oniris-INRAE BIOEPAR, Santé Animale) et Emily Walker (UR INRAE BIOSP, Mathématiques et Numérique). Le descriptif du projet est disponible sur le site de candidature de l'Ecole Doctorale : https://amethis.doctorat.org/amethis-client/prd/consulter/offre/1626 La date limite de candidature est fixée au 10 juin 2025.
En savoir plus :https://amethis.doctorat.org/amethis-client/prd/consulter/offre/1626
Contact :thierry.hoch@inrae.fr
PREDICTION OF SHORT-TERM READMISSIONS AFTER HOSPITALIZATION FOR ACUTE INFECTION
Publiée le 05/05/2025 09:50.
Référence : Thèse.
Thèse, Institut Pasteur Paris.
Entreprise/Organisme :Inserm
Niveau d'études :Master
Sujet :La réadmission dans les suites proches d’une hospitalisation est associée à une morbidité (incluant une durée de séjour prolongée et des coûts associés) et une mortalité accrue. Elle concerne environ 5% de l’ensemble des patients hospitalisés. Si de nombreux facteurs peuvent intervenir dans le taux de réadmission, notamment liés à l’âge et aux pathologies associées mais aussi des facteurs extérieurs tels que la pression sur la demande d’hospitalisation (par exemple en période d’épidémies hivernales ou de vacances) une part de celui-ci est probablement évitable et il a été suggéré que ce taux pouvait être utilisé comme marqueur de la qualité des soins. Plus concrètement, disposer d’un modèle permettant de prédire la probabilité de réadmission pourrait fournir au praticien une aide à la décision de sortie d’un malade lorsqu’elle est envisagée et/ou à la prise en charge dans les suites immédiates post-hospitalisation (i.e.suivi et consultation précoce post-hospitalisation, rééducation, etc.). Ce projet s’intéressera à une pathologie spécifique, la pathologie infectieuse aigue d’origine bactérienne, pour laquelle il est attendu un contrôle de l’infection au cours de la prise en charge hospitalière initiale et un taux de réadmission modéré, représentant ainsi un domaine dans lequel le taux de réadmission pourrait être plus directement lié à la qualité de la prise en charge que dans d’autres spécialités. Un modèle prédictif sera construit, il utilisera les données PMSI du patient, du séjour index et des séjours antérieurs et des variables proxy de la pression extérieure pour prédire le risque de réadmission. On s’intéressera également spécifiquement au sous-groupe de patients les plus graves, transférés en réanimation, pour lesquels la réadmission précoce (d’un service d’aval avec retour en réanimation) peut être un marqueur de la survenue de complications aggravant le pronostic. L’identification des admissions potentiellement évitables permettront de comparer pour une période donnée les taux de réadmission observés et estimés par le modèle et par-delà identifier les structures pour lesquelles le gain serait important.
Date de début :Octobre ou novembre 2025
Durée du contrat :3 ans
Rémunération :2 077,41 € brut mensuel (contrat doctoral)
Secteur d'activité :Santé publique, biostatistique
Description :Voir document joint 1) Développer et évaluer un algorithme de prédiction des ré-hospitalisations suivant une première hospitalisation pour infection aiguë. 2) Développer et évaluer un algorithme de prédiction spécifique aux réadmissions précoces en réanimation suivant une première admission en réanimation durant une hospitalisation pour infection bactérienne aiguë. 3) Estimer la proportion de ré-hospitalisations évitables.
En savoir plus :https://research.pasteur.fr/fr/member/laurence-watier/
SFdS_PRIA_20250430.pdf
Contact :laurence.watier@pasteur.fr
Clustering de valeurs extrêmes sur des séries chronologiques
Publiée le 25/04/2025 09:24.
Référence : Thèse en Statistique.
Thèse, Laboratoire de Mathématiques de Bretagne Atlantique (UMR CNRS Vannes) et ALDECIS.
Entreprise/Organisme :Université Bretagne Sud et ALDECIS
Niveau d'études :Master
Sujet :Clustering de valeurs extrêmes sur des séries chronologiques
Date de début :septembre 2025
Durée du contrat :3 années
Rémunération :2400€ brut mensuel + frais de transport (dont ceux vers les bureaux d’Aldecis)
Secteur d'activité :Statistique
Description :L'objectif est de développer une procédure statistique automatique de détection des anomalies extrêmes, s’inscrivant dans une approche combinant apprentissage automatique (Machine Learning) et apprentissage profond (Deep Learning). Cette méthode aura pour objectif d’identifier les observations atypiques et de les regrouper en clusters selon leurs similarités structurelles, en vue de mutualiser l’application cohérente de traitements correctifs ciblés et de proposer des mesures préventives (soit par risques de propagation, soit par faiblesses structurelles identiques).
En savoir plus :http://web.univ-ubs.fr/lmba/durrieu/CV/Annonce_THESE.pdf
Contact :gilles.durrieu@univ-ubs.fr
Physically interpretable AI emulator for hydrological extremes
Publiée le 03/04/2025 09:18.
Référence : PhD thesis, Montreal, Canada.
Thèse, Polytechnique Montréal, Canada.
Entreprise/Organisme :Polytechnique Montréal, Canada
Niveau d'études :Doctorat
Sujet :This PhD project offers a unique opportunity to contribute either to the advancement of deep learning methodologies or to hydrological impact studies, depending on the candidate's expertise and interests. The focus is on developing physically-coherent deep learning (DL) emulators that can downscale low-resolution climate projections to high-resolution outputs. These emulators will ensure physical consistency between key meteorological variables (e.g., precipitation, temperature) and improve their interpretability for practical applications. From a deep learning perspective, this project aims to address challenges in uncertainty quantification and the integration of physical constraints into DL emulators, offering the potential to work on cutting-edge techniques in AI applied to environmental systems. Alternatively, from a hydrological impact studies perspective, the project aims to assess climate change's impacts on small watersheds using emulated meteorological variables, with a particular focus on streamflow prediction and extreme events such as flooding. This interdisciplinary project has far-reaching implications for both fields, contributing to better climate adaptation strategies and enhanced hydrological risk assessments.
Secteur d'activité :AI for climate
Description :See above description of thesis project.
En savoir plus :https://www.polymtl.ca/expertises/en/physically-interpretable-ai-emulator-hydrological-extremes-carr
Contact :julie.carreau@polymtl.ca
Intégration de données multi-omiques appariées à grande échelle
Publiée le 31/03/2025 08:16.
Thèse, Jouy-en-Josas ou Toulouse.
Entreprise/Organisme :INRAE
Niveau d'études :Master
Sujet :Le/la doctorant·e sera en charge de la mise au point de méthodes d’intégration de données omiques pour identifier les relations entre marques génétiques d’intérêt et signaux transcriptomiques, spécifiques ou partagés entre plusieurs sous-populations. Ces méthodes seront la base pour la définition de relations spécifiques à une espèce donnée ou, au contraire, conservées entre espèces et permettront une meilleure caractérisation de la variabilité des phénomènes de régulation. Pour motiver les développements méthodologiques de cette thèse, le/la doctorant·e s’appuiera sur des données chez le porc qui ont été générées et précédemment analysées dans le cadre du projet H2020 GENE-SWitCH. Brièvement, des données transcriptomiques (RNA-seq) dans trois tissus (muscles, duodenum, foie) couplées avec le séquençage du génome entier ont été collectées pour 3 races commerciales (Large White, Landrace, Duroc), avec n=100 animaux par race. L’analyse eQTL présentées dans Crespo-Piazuelo et al. (2023) s’est focalisé sur un modèle global pour les 3 races, et n’a pas pu mettre en évidence des associations spécifiques à l’une ou plusieurs d’entre elles.
Date de début :automne 2025
Durée du contrat :36 mois
Rémunération :environ 2200-2300€ bruts
Secteur d'activité :Recherche
Description :La thèse sera réalisée sur le site INRAE de Jouy-en-Josas dans l’Unité GABI (Génétique Animale et Biologie Intégrative). Il sera toutefois possible de la localiser alternativement sur le site INRAE de Toulouse dans l’Unité MIAT (Mathématiques et Informatique Appliqués à Toulouse). Dans les deux cas, l’équipe d’encadrement sera composée d’Andrea Rau (GABI) et de Nathalie Vialaneix (MIAT). Nous nous appuierons notamment sur des réunions hebdomadaires en visioconférence ainsi que des outils collaboratifs (e.g., Mattermost pour des messages quotidiens et les comptes rendus des réunions hebdomadaires, Gitlab pour le partage de scripts R/Python, Nextcloud pour le partage de documents) pour assurer une bonne communication entre le/la doctorant·e et l’équipe d’encadrement. Nous prévoyons également d’organiser ponctuellement mais régulièrement des séjours courts (~1 semaine) dans l’unité complémentaire pour permettre le/la doctorant·e de bénéficier des deux environnements scientifiques.
En savoir plus :No link
PhD_2025_GABI-MIAT_Rau-Vialaneix.pdf
Contact :nathalie.vialaneix@inrae.fr
Phd proposal in Physics-informed Machine Learning with applications in Materials Science
Publiée le 21/03/2025 13:07.
Thèse, Clermont-Ferrand, France.
Entreprise/Organisme :Phimeca - Aubert & Duval / SIGMA Clermont - LIMOS
Niveau d'études :Master
Sujet :Development of a Robust Inverse Optimization Methodology for the Design of New Steel Grades
Durée du contrat :3 years
Description :This PhD proposal is an excellent opportunity for persons interested in hybrid modeling, combining physics-based and AI-driven approaches, to accelerate the development of new steel grades while enhancing their robustness against various sources of uncertainty. Title: Development of a Robust Inverse Optimization Methodology for the Design of New Steel Grades Context and Objectives: The development of new steel grades follows a complex process, requiring multiple iterations between the target chemical composition, transformation processes, and heat treatments. This process is constrained by costs and uncertainties related to processing parameters and final material properties. The objective of this PhD is to develop a digital virtual testing tool that identifies the most promising chemical compositions for specific performance requirements. The approach relies on a multi-objective, multi-criteria inverse optimization, leveraging hybrid models that combine phenomenological laws with data-driven machine learning methods. Scientific and Technological Challenges: This research aims to overcome several methodological and technological challenges, including: - Hybrid modeling, combining multi-fidelity physical models and machine learning algorithms to establish relationships between chemical composition and material properties. - The development of a forward and backward simulation chain, integrating nested and multi-scale models to assess the impact of elaboration, transformation, and heat treatment parameters. - The inverse optimization problem formulation in a high-dimensional space (continuous and discrete variables, uncertainties, industrial constraints), requiring the development of robust statistical learning algorithms. Work Plan: - Literature review on inverse optimization methods and machine learning approaches applied to materials science. - Analysis of industrial databases provided by Aubert & Duval, extracting relevant features and preparing machine learning models. - Building a numerical model chain, integrating physical models and machine learning algorithms, to predict properties at different scales (microstructure and end-use properties). - Developing inverse optimization algorithms to identify optimal chemical compositions under industrial constraints. Candidate Profile: - Engineering or Master’s degree with strong background in machine learning and statistics. - Knowledge of materials science and experimental data analysis is a plus. - Experience in computer programming and numerical modeling. - Interest in applied research and interdisciplinary approaches (physical modeling, artificial intelligence). Supervision and Work Environment: - The PhD will be conducted at Phimeca Engineering (Cournon-d’Auvergne, France) in collaboration with Aubert & Duval. - Enrollment at LIMOS (CNRS UMR 6158, Clermont-Ferrand). - Supervision by Jean-Marc Bourinet, Julien Ah-Pine, Cécile Mattrand, and Antoine Gomond. - Funding CIFRE ANRT PhD. The application should include: - CV and cover letter. - Transcripts from the last three years. - Two recommendation letters. Contacts - bourinet@sigma-clermont.fr - julien.ah-pine@sigma-clermont.fr - cecile.mattrand@sigma-clermont.fr - gomond@phimeca.com
En savoir plus :No link
PhDthesis_Phimeca_AubertetDuval_SigmaClermont.pdf
Contact :julien.ah-pine@sigma-clermont.fr
Intégration multimodales avec données manquantes en blocs dans l'étude des effets à faibles doses
Publiée le 19/03/2025 09:23.
Référence : Thèse Bio-statistique/ Bio-informatique.
Thèse, Fontenay-aux-Roses.
Entreprise/Organisme :L'Autorité de sûreté nucléaire et de radioprotection (ASNR)
Niveau d'études :Master
Date de début :01/10/2025
Durée du contrat :3 ans
Description :Problématique et Objectifs: Des études épidémiologiques montrent l’effet d’une exposition à des rayonnements ionisants (RI) sur le développement de maladies cardiovasculaires (MCV, comme l'athérosclérose ou les accidents vasculaires cérébraux) pour des doses fortes à modérées (au-dessus de 500 mGy). La capacité statistique actuelle est contestée pour qualifier l’effet d’une exposition aux RI sur les MCV à des doses faibles compte tenu des biais, tel que les facteurs de confusion, au premier rang desquels le stress, connu pour activer le système nerveux sympathique impliqué dans les MCV. Or les MCV constituent une préoccupation forte de santé publique, responsable de la mort de près de 17,9 millions de pers./an selon l’Organisation Mondiale de la Santé. Pour faire progresser la compréhension des conséquences d’une exposition aux RI à faibles doses, les analyses s’appuient sur les données multi-omiques de la réponse biologique d’un organisme vivant. Toutefois, la diversification des types de données utiles à la réduction des facteurs de confusion induit une augmentation du risque de biais lié aux données manquantes, pour lequel le plafond acceptable établi entre 20 % et 30 % est ainsi souvent dépassé. Considérant qu’éliminer les données manquantes peut réduire gravement la précision de l’analyse, la thèse vise à construire une méthode d’analyse qui permette de traiter les données multi-omiques tout en intégrant les données manquantes à l’analyse des effets d’une exposition faible aux RI sur les MCV. Travaux -méthodes et moyens: Face à l’abondance croissante de données dans l’étude des effets des rayonnements ionisants (RI) à faible dose (RNA-seq, métabolomique, lipidomique…), l’exploitation efficace des données est confrontée au défi de la gestion des données manquantes induites par la diversification des données prise en compte. En effet celle-ci génère un ensemble d’échantillons/sujets inobservés pour certains types de données, formant des blocs des données manquantes. Ainsi, des approches méthodologiques spécifiques sont nécessaires pour intégrer les différentes modalités de données, en tenant compte des problématiques liées aux données manquantes et à la présence de facteurs confondants (dont les co-expositions), afin d'identifier les mécanismes d’action impliqués dans la réponse d’un organisme à un stress particulier. S’appuyant sur des données déjà générées, le.a candidat.e sera impliqué.e dans le développement d’algorithmes et de modèles statistiques pour l'analyse de grands ensembles de données biologiques, afin d’y intégrer convenablement le traitement des données manquantes et des facteurs confondants, notamment des co-expositions (Goujon E et al., 2024). Le.a candidat.e aura la charge de développer, tester et évaluer les outils statistiques en s’appuyant sur les méthodes proposées dans la littérature (Peltier C et al., 2023 ; Baena-Miret S et al. 2024). Les deux premières années de la thèse seront consacrées au développement méthodologique pour l’imputation des données et l’incorporation des facteurs dans une analyse intégrative. Et la dernière année sera consacrée à l’analyse des données et à l’interprétation des résultats par une analyse d’enrichissement des voies biologiques. La publication des résultats dans des revues internationales et la participation à des conférences sont attendues, notamment au sujet du développement méthodologique relatif à l’imputation des données multi-tableaux et des apports de l’intégration multimodale à l’étude des effets des facteurs de co-exposition sur les maladies cardio-vasculaires. Références: Elen Goujon, Olivier Armant, Clément Car, Jean-Marc Bonzom, Arthur Tenenhaus, and Imène Garali. Batch Effect Correction in a Confounded Scenario: a Case Study on Gene Expression of Chornobyl Tree Frogs. In Roberta Gori, Paolo Milazzo, and Mirco Tribastone, editors, Computational Methods in Systems Biology, pages 89–107, Cham, 2024. Springer Nature Switzerland. Peltier C, Le Brusquet L, Lejeune FX, Moszer I, Tenenhaus A (2022). “Missing Values in RGCCA: Algorithms and Comparisons.” In 8th International Conference on Partial Least Squares Structural Equation Modeling (PLS’22). Baena-Miret S, Reverter F, Vegas E. A framework for block-wise missing data in multi-omics. PLoS One. 2024 Jul 23;19(7):e0307482. doi: 10.1371/journal.pone.0307482. PMID: 39042603; PMCID: PMC11265675. Profil recherché: Le ou la candidat(e) doit être titulaire d’un master en Mathématique appliquées, Statistiques (parcours data et/ou analyse et modélisation des données) ou domaine connexe avec un intérêt pour la recherche en biologie ou en santé. Le ou la candidat(e) devra posséder un solide bagage théorique en algèbre linéaire et en statistique. Afin de valider et d’appliquer les méthodes développées, il est demandé la maitrise d’outils de programmation tels que R et Python. Un bon niveau d’anglais est essentiel. La capacité à travailler en équipe multidisciplinaire sera appréciée. Informations complémentaires: Le.a doctorant.e effectuera 60% de son temps de recherche au sein du LRAcc à l’ASNR sous l’encadrement de Dr. GARALI Imène (imene.garalizineddine@irsn.fr) et 40% au L2S (CentraleSupelec, Paris) sous la direction du Pr. TENENHAUS Arthur (arthur.tenenhaus@centralesupelec.fr). Des réunions régulières avec les biologistes du LRTOX à l’ASNR sont prévues.
En savoir plus :https://irsn-career.talent-soft.com/offre-de-emploi/emploi-integration-multimodales-avec-donnees-manquantes-en-blocs-dans-l-etude-des-effets-a-faibles-doses-h-f_1184.aspx
ASNR - Intégration multimodales avec données manquantes en blocs dans l'étude des effets à faibles doses H_F.pdf
Contact :imene.garalizineddine@asnr.fr
Sensibilité des multiples performances des élevages bovins laitiers à leur environnement économique
Publiée le 17/03/2025 09:34.
Thèse, Rennes.
Entreprise/Organisme :Institut national de recherche pour l’agriculture, l’alimentation et l’environnement (INRAE)
Niveau d'études :Master
Durée du contrat :3 ans
Secteur d'activité :Agrnonomie
Description :Dans un contexte de changement climatique dû aux émissions de gaz à effet de serre (GES) d’origine anthropique, l’agriculture, responsable de 18 % de ces émissions de GES en France (Haut Conseil pour le Climat, 2024), et plus particulièrement l’élevage (responsable de 59 % des émissions du secteur agricole dont 83 % attribuées aux élevages bovins), sont amenés à réduire leurs impacts environnementaux (par ex., contributions aux changement climatique, consommation d’énergie et eutrophisation). Les changements de pratiques de gestion des élevages bovins laitiers nécessaires pour réduire leurs impacts environnementaux, tout en préservant leur viabilité économique et les services qu’ils rendent, nécessitent de bien cerner les interactions et dépendances au sein de ces élevages. La modification de certaines pratiques de gestion par les éleveurs engendre des effets sur les multiples fonctions des élevages, ce qui soulève la problématique d’une bonne description des antagonismes et synergies entre les productions animales (par ex., lait, viande), autres productions agricoles (par ex., cultures de vente, biogaz) et les services fournis par les élevages (par ex., stockage de carbone, production de bois, préservation de la biodiversité). De nombreux travaux recherchent des compromis pour améliorer certaines performances des élevages des ruminants, notamment en réduisant leurs impacts environnementaux sans détériorer leur provision des services écosystémiques (Accatino et al., 2019), en mettant en œuvre diverses approches de modélisation. D’autres travaux évaluent les performances environnementales des élevages bovins laitiers en collectant des données pour établir des typologies d’élevages (Kuivanen et al., 2016) ou analyser leur sensibilité à divers aléas (Mosnier et al., 2010). Le projet de thèse s’appuiera sur les travaux déjà développés pour évaluer les multiples performances (par ex., environnementales, économiques, services écosystémiques) des élevages bovins laitiers en se basant sur des analyses descriptives des données d’élevages ou sur la modélisation de leur fonctionnement (Ouachene et al., 2024). Une étude bibliographique sera menée en deux volets principaux. Le premier volet consistera à cibler et définir les variables descriptives des élevages bovins laitiers et de leur contexte (par ex., climatique, économique), les impacts environnementaux auxquels ils contribuent, et les produits et services issus des élevages. Le second volet explorera des approches d’analyse des données collectées et de modélisation statistique. Plusieurs approches de modélisation pourront ensuite être explorées, telles que des approches de régression non-paramétrique pour décrire des relations entre certaines variables d’intérêt et d’autres variables, sans hypothèse paramétrique a priori sur la forme de ces relations (par ex., les modèles additifs généralisés). De même, l’approche statistique de modélisation par copules est envisagée pour sa capacité à (i) formaliser une large variété de structures de dépendance complexes (par ex., non-linéaires, extrêmes) entre variables et en particulier (ii) à modéliser les dépendances entre des aléas de natures différentes, y compris les dépendances de queue (Senga Kiessé et al., 2022). Le projet de thèse repose sur l’hypothèse que le développement d’élevages bovins laitiers durables nécessite une évaluation multicritère qui intègre leurs multiples fonctions ainsi que la prise en compte de l’influence des contextes économiques et climatiques. Les questions de recherche qui seront traitées sont : • Comment évaluer l’influence du contexte économique (par ex., national, régional) sur les décisions des éleveurs et les performances environnementales des élevages bovins laitiers associées ? • Comment modéliser les synergies et antagonismes entre les pratiques de gestion, les produits et les services associés aux élevages bovins laitiers ? • Comment réduire les impacts environnementaux des élevages bovins laitiers sans dégrader les services qu’ils rendent, en tenant compte des fluctuations de leurs contextes climatique et économique ? Profil recherché : • Titulaire d’un diplôme de niveau Master 2 ou ingénieur en modélisation statistique avec un goût pour les domaines appliqués. La connaissance des systèmes agricoles, notamment bovin laitier, serait un plus. • Maîtrise de logiciels/languages de traitement statistique/modélisation (par ex., R, Python) et d’approches de modélisation statistique • Aptitude à communiquer en français et en anglais (oral et écrit) et à travailler avec une équipe de recherche interdisciplinaire
En savoir plus :https://umrsas.rennes.hub.inrae.fr/
ProfilThese_SensiELE_- SAS_INRAE-FR_2025-v2.pdf
Contact :tristan.senga-kiesse@inrae.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
Clustering de données fonctionnelles avec application en océanographie
Publiée le 01/10/2024 09:26.
Référence : Clustering de données fonctionnelles avec application en océanographie.
Thèse, Conservatoire National des Arts et Métiers, 2 rue Conté 75003 Paris.
Entreprise/Organisme :Conservatoire National des Arts et Métiers, Laboratoire CEDRIC
Niveau d'études :Master
Sujet :Classification non-supervisée pour l'identification de paysages acoustiques homogènes
Date de début :Entre fin 2024 et début 2025 en fonction de la date de recrutement du candidat
Durée du contrat :3 ans
Secteur d'activité :recherche
Description :Voir pièce jointe
En savoir plus :https://vincentaudigier.weebly.com/uploads/1/7/3/1/17317324/these_cnam_shom_clustering.pdf
these_cnam_shom_clustering.pdf
Contact :vincent.audigier@cnam.fr
 
 
©2025 SFdS
Société Française de Statistique
Institut Henri Poincaré
11 rue Pierre et Marie Curie
75231 Paris cedex 5
Tél. : +33 (0)1 44 27 66 60
Notre site a été supporté par :