Consulter les offres d’emploi

Multisource forest inventory
Publiée le 20/05/2019 23:00.
Référence : PhD - DEEPSURF –2019-IGN.
Thèse, Laboratory of Forest Inventory, Nancy, France.
Entreprise/Organisme :IGN
Niveau d'études :Master
Sujet :The main objective of the French National Inventory (NFI) is to provide continuous evaluation of forest resources and their evolutions. The sampling design is set up to produce estimates at the national and regional scales, and to contribute to forest policies and their evaluation. With the development of bio-economy, there is a need to provide information at a finer scale, i.e. the forest territories. Multisource inventory methods were developed to provide more precise estimations of forest attributes at those operational scales. Multisource inventory methods rely, through appropriate statistical methods, on the combination of field plot data, precise but punctual, with auxiliary data, that are spatially continuous but providing information at a lower precision. Such a combination allows providing precise estimates of forest attributes at smaller scales, with a limited cost. The establishment of such method in France faces multiple difficulties. French forests are among the more diverse of Europe, due to the topographical and climatic gradients found over the country, and to the diversity of forest management practices. Such diversity requires adapting the methods to the landscape properties, with expected impacts on the genericity of the approach and the precision gains within the various territories. The main objective of this doctoral research is to contribute to the development of the first multisource inventory approach adapted to the French forest. To do so, the research will benefits from auxiliary data available over the whole territory and regularly updated, like aerial photograph covers, among others. The detailed objectives are : - To optimize the selection of auxiliary data. Current methods rely on the forest map, 3D models derived from aerial photos and high-resolution satellite images (i.e. Landsat). The objective will be to test the potential of data describing climate (temperatures, rainfalls) and biochemical and biophysical soil properties (pH, C/N, water storage capacity, hydromorphy). We will also consider times series of forest structure (diachronic 3D model generated form aerial photographs), and spectral properties of forest canopies (times series of vegetation indices). - To estimate the precision gains with respect to the forest complexity. Emphasize will be given to estimate wood resource per diameter classes, as well as flux variables, which are mandatory for sustained forest management. Flux estimates will be further used in an innovative application related to sanitary crises. The goal will be to quantify forest resources impacted by bark beetle in the Eastern part of France. - To develop statistical estimators coherent with those in use by the French NFI. A first step will be to harmonize the forest area estimations from the NFI and from the forest map. A second step will be to develop statistical estimators compatible with the one the NFI, to compute precision gains. The PhD will benefit from the NFI field data and auxiliary data acquired by IGN (forest map, Lidar and aerial photograph coverages), over the Vosges department (~ 6000 km2) and a territory of lowland hardwood forests in center of France (Sologne, 7500 km2). It will also benefit from high-resolution predictive maps of soil properties produced by the research unit Silva.
Date de début :01-10-2019
Durée du contrat :3 years
Description :Candidate Profile: Prerequisite: the candidate must have an interest for forest ecosystems. The topic requires competences in statistics, spatial analysis, scientific computing. Knowledge in Forest inventory and remote sensing are also advantageous. Working environment : the candidate will work with various software in statistics (R), data base management (PostgreSQL), GIS (QGIS, ArcGIS). Profile: master degree in statistics, applied mathematics, image and signal processing, or forestry with an experience in survey sampling. The candidate must be fluent in English with demonstrated writing skills
En savoir plus :https://inventaire-forestier.ign.fr/spip.php?rubrique245
Offre de thèse Inventaire Multisource - IGN LIF.pdf
Contact :cedric.vega@ign.fr
Statisticien Clinique
Publiée le 17/05/2019 17:12.
Référence : PXT_DS_02.
CDI, Issy-les-Moulineaux.
Entreprise/Organisme :PHARNEXT
Niveau d'études :Doctorat
Date de début :Dès que possible
Secteur d'activité :Biotechnologies
Description :Le département de Data Science de Pharnext est à la recherche d’un statisticien hautement qualifié et motivé avec une grande expérience des essais cliniques.
En savoir plus :https://www.pharnext.com/fr/offres-d-emploi
2 - FR - Statisticien Clinique.pdf
Contact :cv.datascience@pharnext.com
RESPONSABLE D'ETUDES DATA SCIENCE
Publiée le 17/05/2019 13:44.
Référence : R2488446.
CDI, MARCY L'ETOILE (69).
Entreprise/Organisme :SANOFI PASTEUR
Niveau d'études :Doctorat
Date de début :Dès que possible
Secteur d'activité :PHARMACEUTIQUE - PRODUCTION DE VACCINS
Description :Au sein de la Plateforme Data Science du département MTech (Manufacturing Technology), le/la responsable d’études data science contribue à l’atteinte de l'excellence industrielle pour le site de Marcy l'Etoile (69) sur le volet robustesse et performance des procédés de fabrication et analytiques en apportant aux différents clients présents sur le site (MTech, Laboratoires de contrôle, Production, Sciences Analytiques) ses compétences en data science (statistique, mathématique, machine learning, traitement de données textuelles et d’images). En particulier, il/elle apporte à ses différents clients internes les outils, les méthodes, les analyses, les formations et l’accompagnement en data science qui sont nécessaires au suivi, à l’optimisation, au développement des produits / procédés de production et de contrôle. Activités Techniques : Suivre et accompagner ses clients internes (Spécialiste produit, responsable de laboratoires…) pour capter les besoins en data science et proposer des solutions adaptées Accompagner les clients dont il a la charge dans la mutation digitale et en data science (communications, formations…) Réaliser des analyses de données pour répondre aux besoins des différents clients dont il est en charge Réalisation de preuve de concept Data Science en collaboration avec des équipes de production Accompagner, en tant que data scientist, l’initiative Continous Process Verification sur son périmètre produit Faire de la veille technologique sur des sujets data science et être le référent pour ses collègues statisticiens (Formation) Présenter en interne et en externe des sujets relatifs à son activité Formation et compétences attendues du candidat : Diplôme universitaire supérieur scientifique (ingénieur, master…) ou doctorat 3 à 5 ans en data science, mathématiques appliquées, statistiques… Expertise technique en data science (machine learning, modélisation prédictive / statistique / probabiliste, traitement de données textuelles et d’images, mathématiques appliquées…) Anglais (parlé et écrit) Connaissance des logiciels statistiques R et SAS Connaissance des outils/librairies Data Science Python (Pandas, SciPy, Anaconda), Tensorflow… Rejoignez une entreprise certifiée Top Employer France 2019
En savoir plus :https://sanofi.wd3.myworkdayjobs.com/SanofiCareers/job/Marcy-lEtoile/Responsable-d-tudes-data-scienc
Contact :helene.ferrand@sanofi.com
Maître de conférences en Statistique et Data Sciences
Publiée le 17/05/2019 09:14.
Référence : MCF STAT DATA SCIENCES.
CDI, Nantes - Angers.
Entreprise/Organisme :Université Catholique de l'Ouest
Niveau d'études :Doctorat
Date de début :01/09/2019
Durée du contrat :Indéterminé
Rémunération :Grille MdC 2ième classe
Secteur d'activité :Enseignement et Recherche en Statistique Appliquée
Description :Ce poste d'enseignant-chercheur consiste à accompagner le développement de l’offre de formation de l'UCO, dans le domaine de l’ingénierie décisionnelle et plus particulièrement sur l’axe statistique et Data Sciences. Il consiste également à participer à l’encadrement des étudiants en première et deuxième année de licence MIASHS sur le campus Nantais, tout en contribuant à développer le réseau d’entreprises et d’établissements publics partenaires de l’UCO notamment en vous impliquant personnellement dans le tissu socio-économique de la métropole nantaise.
En savoir plus :https://ima.uco.fr/
Appel à candidatures MCF Stat Data Sciences.pdf
Contact :recrutement@uco.fr
Offre d’emploi Postdoctorat Chercheur(se) en Biostatistique
Publiée le 17/05/2019 09:14.
Postdoc, Calvi (Corse).
Entreprise/Organisme :STAtion de REcherches Sous-marines et Océanographiques (STARESO)
Niveau d'études :Doctorat
Date de début :Juillet 2019
Durée du contrat :1 an
Secteur d'activité :Océanographie
Description :La Baie de Calvi offre un cadre littoral représentatif et typique de la Méditerranéenne. Les fonds côtiers et les grandes colonnes d’eau du large cohabitent et permettent des travaux scientifiques depuis le littoral jusqu’à des masses d’eaux de type océanique. Depuis 2012, le programme de recherche STARECAPMED (financement Agence de l’eau RMC et Collectivité de Corse) a pour but d’améliorer la compréhension générale du fonctionnement des écosystèmes marins. Le site atelier STARECAPMED permet de mettre en commun de longues séries temporelles de données pour étudier les influences des pressions globales liées aux évolutions du climat et aux pressions locales liées au développement des activités humaines. Pour satisfaire ces objectifs, des mesures, des prélèvements, des analyses, ou encore des comptages sont réalisés à haute fréquence sur l’ensemble de la baie. Les thématiques de recherche développées sont:  les études de la biodiversité, de la structure et du fonctionnement des écosystèmes benthiques et pélagiques à différentes échelles d’espace et de temps;  l’étude de l’évolution temporelle des producteurs primaires (plancton, algues, herbiers…) depuis plus d’un demi-siècle, en relation avec les variations climatiques; - la caractérisation et la prédiction des réponses du système marin aux variations climatiques et aux perturbations anthropiques, dans une optique d’aide à la gestion de l’environnement côtier; - le bilan carbone des écosystèmes; - l’écotoxicologie et l’étude des polluants émergents ; - le continuum « terre/mer » entre les eaux continentales et océaniques. En lien étroit avec l’équipe de recherche de la station, il/elle aura comme activités principales: - l’Analyse de la base de données STARECAPMED, analyse de séries temporelles, modélisation, - l’Implémentation de modèles prédictifs (machine learning) développés sous R, - Développer des outils pour faciliter l’analyse et le traitement des données (scripts d’automatisation des procédures), - Présenter les résultats sous forme scientifique et synthétique, rédaction de rapports d’analyses, rédaction d’articles scientifiques.
En savoir plus :NA
Offre_emploi_post-doc_STARESO.pdf
Contact :michel.marengo@stareso.com
PhD Statistical Learning
Publiée le 15/05/2019 12:21.
Référence : PhD_Decide.
Thèse, Centre Y. Coppens, rue A. Lwoff, 56000 Vannes, France.
Entreprise/Organisme :Universite Bretagne Sud
Niveau d'études :Master
Sujet :Statistical Optimality of Decision Rules for Humans and Rational Machines Interacting Together Institution: Univ. Bretagne Sud, Lab-STICC UMR CNRS 6285 Advisors: François Septier & Alexandru Olteanu Subject Cognitive behavior has traditionally been modeled using rationality models, where the human agents are assumed to behave in an unbiased manner. Unbiased decision-makers are often assumed to minimize Bayes risk, which is defined as the expected cost of making decisions [1]. However, in the real world, human agents may have a cognitive bias, due to the limited availability of information and/or other complex behaviors such as emotions, loss-aversion and endowment effect [2–6]. Such complex agents were successfully modeled by Kahneman and Tversky using prospect theory in [3], where human behavior is modeled using weight and value functions over probabilities and costs respectively. With the advent of the Internet of Things (IoT) and a rapid deployment of smart devices and wireless sensor networks (WSNs), humans interact extensively with machine data. These human decision makers use sensors that provide information through a sociotechnical network. The sensors can be other human users or they can be IoT devices. The decision makers themselves are also part of the network, and there is a need to understand how they will behave. Another important situation of high interest concerns systems that are designed to emulate human behavior in order to reduce human effort and intervention. One example is the design of self- driving cars by Google and Uber, which move in traffic alongside human-driven vehicles. In contrast, there are other applications where there is a need to steer/nudge human decisions in order to improve the overall performance of the system [7]. As a consequence, it is therefore important to clearly understand how some local human decisions can impact the final decision. The applications related to this research are far reaching and include Environmental monitoring, Social networking, Autonomous vehicles, Industry 4.0, Intelligent Tutoring Systems (ITS), Digital health and more. Recently, in [8], the authors derive optimal decision rules for generic behavioral decision-makers in binary hypothesis testing problems. Assumptions remain quite simple with only a single agent taking a binary decision. More advanced systems with multiple agents, generally named social learning [9], were studied in the literature. As an example, in [10], the authors consider a two-agent (say advisor-learner) sequential binary hypothesis test where the learner infers the hypothesis based on the decision of the advisor, a prior private signal, and individual belief. A similar work for sequential binary hypothesis testing was considered in [11]. Finally, a hierarchical statistical model from psychology experiments was proposed in [12] in order to characterize how people fuse multiple decisions to make their own decisions. The aim of this thesis is to propose a rigorous statistical study of optimal decision rules given some local decisions from multiple hybrid and heterogeneous agents, i.e. humans and (rational) machines. We propose to firstly extend and generalize the current state-of-the-art by deriving optimal statistical decision rules in the presence of both humans and rational machines in more complex scenarios. An important aspect that will also be covered in this thesis is the proposition of efficient online inference techniques to estimate, from some local decisions of a human agent, the functions that characterize its behavior regarding the decision to take.
Date de début :Oct. 2019
Durée du contrat :3 years
Description :Candidate Profile: We are looking for a motivated and talented student holding a Master degree with: • background in statistics, machine learning, signal processing or applied mathematics • experience in programming, preferably in Matlab and/or Python. Details: A fully funded PhD position (three-year contract) is available from September/October 2019 at the Université Bretagne Sud located at Campus Tohannic in Vannes and in the DECIDE team of the CNRS laboratory Lab-STICC. During the thesis, the student will have the opportunity to collaborate with internationally renowned researchers from institutions such as TUM Create (Singapore), Institute of Statistical Mathematics-Tokyo (Japan), etc. The student will be supervised by: • François Septier: francois.septier@univ-ubs.fr • Alexandru Olteanu: alexandru.olteanu@univ-ubs.fr The candidate is requested to send us a CV and a motivation letter to apply for this position.
En savoir plus :http://www-labsticc.univ-ubs.fr/~septier/PhD_offer.pdf
PhD_offer.pdf
Contact :francois.septier@univ-ubs.fr
Biostatisticien/Méthodologiste Sénior
Publiée le 14/05/2019 17:52.
Référence : B1.
CDD, Hôpital Necker.
Entreprise/Organisme :APHP
Niveau d'études :Master
Secteur d'activité :Recherche clinique
Description :cf doc joint
En savoir plus :www.recherchecliniquepariscentre.fr/
Contact :caroline.elie@aphp.fr
Chercheur en toxicologie computationnelle - prédictive H/F
Publiée le 14/05/2019 17:52.
CDI, dans l'Oise, accessible en transports en commun, à 40 mn au Nord de Paris.
Entreprise/Organisme :INERIS
Niveau d'études :Doctorat
Description :Les travaux s’organisent autour des deux thèmes : la modélisation multi-échelle (de la cellule à la population) des voies de toxicité et la caractérisation de l’exposome individuel à l’aide de biomarqueurs. En toxicologie, l’unité METO développe des modèles quantitatifs structure-activité (QSAR), toxicocinétiques à fondement biologique (PBPK), et de biologie systémique. Ces méthodes permettent de prédire l’exposition de l’organisme aux substances, la survenue d’évènements clés et les liens mécanistiques entre ces évènements ; elles viennent en appui de chemins de l’effet adverse (AOP pour Adverse Outcome Pathways) existants, qui est de ce fait une thématique intégratrice de l’unité. Située au sein du Pôle Impacts et Dangers sur le Vivant (VIVA) qui comporte des activités expérimentales et d’expertise sur la toxicologie et l’écotoxicologie, l’unité développe des approches in silico pour caractériser la toxicité et l’écotoxicité des substances chimiques, elle apporte son savoir-faire et profite des acquis expérimentaux du pôle. Au sein de cette unité, vous aurez en charge le développement de modèles de biologie systémique au niveau cellulaire et tissulaire avec des applications à la modélisation multi-échelle des voies de toxicité, au sein d’axe de recherche à l’élaboration duquel vous participerez. Vous encadrerez des doctorants, post-doctorants et stagiaires de master et serez responsable du suivi de leur travaux. Dans le cadre d’appels à projets de recherche nationaux et européens, vous contribuerez activement au montage, à la réalisation de projets et au pilotage de tout ou partie de ceux-ci, en veillant aux dimensions scientifiques mais également à l’équilibre financier. Actuellement, l’unité METO dispose d’un réseau important de partenariats de par son implication dans de nombreux projets européens (par ex. EUToxRisk, EUROMIX, HBM4EU, OBERON, VERMEER). Vous aurez à entretenir et développer ce réseau. Vous aurez en charge le développement de méthodologies, la réalisation d’études, et la rédaction et publication des travaux dans des revues scientifiques. Au-delà des activités de recherche, une part de votre activité sera de rendre opérationnelles les méthodologies développées pour les pouvoirs publics ainsi que la réalisation d’études pour des industries. De plus, vous pourrez être amené(e) à dispenser des formations auprès d'étudiants d'universités et/ou d'écoles et d’industriels. Ce poste a un potentiel de directeur de recherche. Profil Vous possédez plusieurs années d’expérience dans le domaine, valorisée par une habilitation à diriger des recherches. Docteur(e) en sciences de la vie avec un cursus initial en biologie, médecine humaine ou vétérinaire, vous avez de fortes compétences en modélisation mathématique, ou docteur(e) en biomathématiques vous avez une forte expérience en toxicologie, physiologie ou biologie et vous avez une compétence en statistique. Par ailleurs, vous disposez des aptitudes suivantes : - Autonomie scientifique sur vos activités - Connaissances liées aux données de toxicologie - Capacités d’encadrement de stagiaires, doctorants et post-doctorants - Aptitude à gérer en parallèle différents projets - Qualités d’expression orale et écrite - Capacité avérée à travailler en équipe et à fédérer un groupe autour des projets de recherche - Goût et intérêt pour le montage de projets et de partenariats nationaux et internationaux - Excellent niveau d’anglais écrit et oral pour la valorisation des travaux menés et l’animation de programmes de recherche ou réseaux collaboratifs internationaux.
En savoir plus :https://www.ineris.fr
chercheur_toxicologie_computationnelle.pdf
Contact :recrutement@ineris.fr
Responsable technique (H/F) Analyse de Données en Chimie Analytique
Publiée le 14/05/2019 17:52.
CDI, Verrières le Buisson.
Entreprise/Organisme :Laboratoire des Courses Hippiques
Niveau d'études :Master
Date de début :A partir de mi-mai 2019
Secteur d'activité :Recherche et Dévelopement en Chimie Analytique
Description :Le Laboratoire des Courses Hippiques (LCH), situé à Verrières-le-Buisson (Essonne, 91), est une structure scientifique et technique dédiée au contrôle anti-dopage des chevaux de courses français (Trot et Galop) et réalise également des analyses d’échantillons provenant de pays étrangers. Le LCH bénéficie d’une infrastructure et d’un parc analytique singulier lui permettant d’assurer une cadence d’analyse importante (~35 000 prélèvements à l’année) et majoritairement basée sur des techniques de chimie analytique. Parallèlement, le laboratoire est à la pointe dans la Recherche et le Développement appliqués au contrôle anti-dopage équin et fait partie des pionniers dans l’établissement et l’utilisation du passeport biologique équin (PBE) ainsi que des méthodes alternatives de contrôle basées sur les techniques « Omiques ». Le poste de responsable technique (H/F) en Chimie Analytique/Spectrométrie de Masse/Chimiométrie proposé s’inscrit dans cette dernière thématique avec à la fois un travail d’analyses mensualisées pour le Suivi Longitudinal (PBE) et des développements sur de l’analyse LC-MS/MS, LC-HRMS et GC-MS/MS. La personne recrutée évoluera au sein de l’équipe R&D du LCH constituée de 8 membres permanents, de doctorants et de stagiaires. Missions : • Développement de nouveaux outils de modélisation statistique pour la gestion et l’intégration des données du PBE. • Réaliser les analyses métabolomiques LC-QTOF et GC-MS/MS pour le PBE (préparation d’échantillons, analyse et retraitement des données). • Veille scientifique et technique. • Réaliser, gérer et participer à la valorisation des projets de recherche. • Participer aux demandes de financements. • Gérer le fonctionnement et le maintien en état (maintenance, métrologie) du matériel (systèmes chromatographiques, spectromètres de masse, outils informatiques, etc…). • Soutien à la gestion du pôle R&D (gestion des banques d’échantillons, rédaction de documents qualité, aide administrative pour les études pharmacocinétiques). Profil recherché : • BAC+4/BAC+5 (Master ou Ingénieur) en Chimie Analytique avec spécialisation en Analyse de Données ou BAC+4/BAC+5 (Master ou Ingénieur) en Bioinformatique ou Biostatistique appliqué à la Chimie Analytique • Vous maitrisez l’utilisation de logiciels statistiques et de langages informatiques (R, Matlab, SAS, Machine Learning, etc...). • Vous maîtrisez l’utilisation de la LC-MS et/ou de la GC-MS avec une première expérience en analyse métabolomique. • Vous maîtrisez la lecture et l’écriture de l’anglais scientifique et technique. • Autonome, rigoureux et réactif, vous avez des capacités à mener plusieurs projets simultanément dans les délais impartis et savez gérer les imprévus. • De l’expérience dans un poste similaire serait un plus. Contrat • Poste CDI à pourvoir pour mi-mai 2019. Merci d’envoyer votre CV ainsi qu’une lettre de motivation en indiquant vos références professionnelles à Dr Benoit Loup : recrutement@lchfrance.fr.
En savoir plus :NA
Offre demploi Responsable technique R&D.pdf
Contact :b.loup@lchfrance.fr
ATER en Probabilités, Statistique et Analyse Numérique
Publiée le 14/05/2019 11:58.
Référence : ATER_26_ENSIIE.
CDD, Evry.
Entreprise/Organisme :Ecole Nationale Supérieure d'Informatique pour l'Industrie et l'Entreprise
Niveau d'études :Doctorat
Description :2 demi-postes ATER (section 26) en probabilités, statistiques, processus stochastiques, science des données,... en 1ere, 2ème et 3ème d'école d'ingénieur.
En savoir plus :www.ensiie.fr
ATER_2019_ENSIIE_26_27.pdf
Contact :nicolas.brunel@ensiie.fr
PIMS
Publiée le 10/05/2019 20:27.
Référence : Jacky Montmain.
Thèse, Montpellier.
Entreprise/Organisme :IMT Mines-Alès
Niveau d'études :Master
Sujet :Optimisation multi-objectif et apprentissage artificiel pour l’entraînement sportif : de la performance à la santé
Date de début :Septembre 2019
Durée du contrat :3 ans
Rémunération :environ 1630€ / mois (net d'impôts)
Secteur d'activité :Informatique (agrégation multicritère - apprentissage automatique) - Sciences du sport (STAPS)
Description :VERSION FRANCAISE: L’enjeu des sports de compétition professionnels est de plus en plus grandissant ; proportionnel aux investissements pharamineux dans certains sports comme le football, par exemple. Par conséquent, toutes les décisions dans ces domaines doivent être optimisées, qu’il s’agisse du choix de l’entraîneur, du préparateur physique, des stratégies d’amélioration de la performance des joueurs, ou encore de la prévention des blessures. Dans cette thèse, nous nous focalisons sur la gestion des entraînements des joueurs dans le but de maximiser leurs performances et de prévenir leurs blessures. La « science » de l’entraînement est perçue comme une science appliquée et intégrée, développant des approches et mesures de terrain sur la base de méthodes scientifiques éprouvées issues des sciences du mouvement humain. Dans le contexte des sports de compétition, les questions de recherche sont habituellement adressées dans des environnements complexes, où les interrelations entre les différentes variables présentent la plupart du temps un caractère non-linéaire (Perl, 2001). L'analyse et la compréhension des processus d'entraînement, c'est-à-dire l'effet de la charge d'entraînement sur la performance sportive a pour objectif d’aider l’encadrement technique (entraîneur, préparateurs physiques) dans les sports d'élite. En effet, la performance sportive est multifactorielle et est étroitement liée aux adaptations psycho-physiologiques induites par le programme d’entraînement. Ces adaptations biologiques correspondraient à des phénomènes complexes non linéaires (Philippaerts et al., 2008). On peut distinguer deux types de charges d’entrainement chez un athlète. La charge d'entraînement externe qui peut être définie comme le travail accompli par l’athlète et mesuré indépendamment de ses caractéristiques internes (e.g., durée, vitesse, accélération, distance parcourue, etc.). La charge interne éprouvée par un athlète peut, elle, être définie comme la somme des stimuli physiologiques et psychologiques−le stress imposé−pendant les activités d'entraînement (Impelizzeri et al., 2005), e.g., la perception de la difficulté de l’effort. Les recherches les plus récentes sont principalement dominées par des études de détermination de la charge externe via l'accessibilité de différents systèmes de mesure (GPS, centrales inertielles) qui peuvent être portés par les athlètes à l'entraînement et / ou en compétition. Cependant, il demeure un manque d'approches de détermination de la charge interne autre que la perception de la difficulté de l’effort, probablement en raison de la difficulté des mesures nécessaires actuellement disponibles pour quantifier les aspects de la charge interne. La capacité à quantifier la charge interne est d'une importance première car elle permet aux entraîneurs de dévoiler les implications de la charge externe et la mise en place des méthodes d’entraînement subséquentes sans effets délétères. Force est de constater que les travaux contemporains sont basés généralement sur une approche réductionniste, en examinant principalement les dimensions de la fatigue physique reliées à l’expression de la charge externe avec une prise en compte très limitée des réponses cognitivo motrices et mentales, bien que la plupart des activités sportives (sports collectifs notamment) soit basée sur des capacités de concentration soutenue, de perception et de prise de décision. Considérant le potentiel grandissant des techniques de neuroimagerie portables à fournir plus d'informations sur les impacts de séances d’entraînement spécifiques sur les fonctions cérébrales (Cheron et al., 2016), la quantification de la charge interne pourrait être enrichie dans différents sports. Malgré des preuves solides d'hétérogénéité dans la réponse à l’entraînement, les études examinant la relation entre les mesures internes et externes de la charge d'entraînement dans les sports d'équipe ont utilisé des approches d'analyse linéaire telles que la régression multiple (Thorpe et al., 2015). Les méthodes à base d'apprentissage automatique ont connu une popularité croissante, avec des applications telles que la prédiction des résultats de la compétition (Pfeiffer et Hohmann, 2012) et la quantification des types d'activité de mouvement (De Vries et al., 2011). Ces approches ont la capacité à tenir compte de la non-linéarité dans les ensembles de données et donc à améliorer les performances des différents modèles de prédiction préexistants (Edelman-Nusser et al., 2002). Par conséquent, la mise en oeuvre de telles approches pourrait aider à mieux comprendre la charge d'entraînement à un niveau individuel, augmentant ainsi notre compréhension de la ou les relation(s) entre charges interne et externe afin de prescrire et contrôler la charge d'entraînement. Des travaux récents montrent également l’intérêt et l’apport des méthodes d’aide à la décision multicritère dans l’évaluation de la performance des sportifs et la prévention des blessures (Bourdon et al., 2017 ; Blanco et al., 2018). L’identification du modèle exprimant la relation entre les charges internes et externes des entraînements doit permettre de mieux choisir l’opérateur d’agrégation qui évaluera la forme globale d’un athlète. En effet, l’évaluation de sa performance globale sera basée sur l’ensemble des mesures objectives et subjectives des réponses associées aux charges d’entrainement. Des travaux récents dans le domaine de l’optimisation multi objectif montrent comment guider l’entraineur pour des stratégies d’entrainement plus pertinentes (Montmain et al, 2015). Dans cette thèse croisant les regards issus des sciences du numérique et du mouvement humain, nous proposons de mettre en oeuvre les dernières connaissances en matière d’optimisation multi objectif et de traitement de données par apprentissage afin d’une part (i) de rechercher les marqueurs numériques des adaptations des personnes en situation de stress marqué induit par l’entraînement afin de prévenir les risques pour la santé et la blessure, puis d’autre part (ii) de modéliser le processus de décision afin de définir la meilleure stratégie d’entrainement en fonction de la performance souhaitée.  Le premier objectif de ce travail sera de quantifier les relations dynamiques entre les variables de charge d'entraînement interne et externe, en prenant en compte notamment les dimensions cognitives des individus en lien avec leur environnement modulant la réponse comportementale.  Le deuxième objectif sera de comparer la précision des analyses linéaires et d'apprentissage automatique distinctes pour prédire la performance, en utilisant à la fois des données à l’échelle d’un groupe ou individuelle.  Le troisième objectif consistera à déterminer un programme d’entrainement personnalisé en fonction de l’adaptation psycho-physiologique de l’individu et des attentes de son entraîneur au regard, par exemple, du rôle du sportif dans une équipe. Les fonctions cérébrales pourront être quantifiées à l’aide de techniques portables (spectroscopie proche infra-rouge et électroencéphalographie) concomitamment avec une analyse du comportement sensorimoteur, afin de prendre en compte les liens cerveau-comportement dans un environnement complexe. Un partenariat avec une équipe élite sera mis en oeuvre pour un suivi longitudinal. Si les deux premiers objectifs relèvent d’un modèle de comportement objectif de l’individu qui permettra de mieux comprendre les relations entre les variables de charge d'entraînement interne et externe et ses performances (Fleurey et al., 2008 ; Giorgini et al., 2002), le troisième se réfère à un modèle plus subjectif des attentes liées à cette performance multicritère du sportif. La personnalisation de l’amélioration de la performance sportive repose sur ces deux dimensions objective et subjective de l’évaluation et nécessite l’identification des modèles de comportement et de préférences utilisés conjointement dans sa définition (Couturier et al., 2014 ; Montmain et al., 2015). ENGLISH VERSION: n the context of competitive sports, research questions are usually addressed in complex environments, where the interrelationships between different variables are mostly non-linear (Perl, 2001). The use of nonlinear methods for data analysis seems particularly promising (Pfeiffer and Perl, 2006) in the field of competitive sport, where an experimental investigation design (including inferential statistical analysis methods) cannot be applied realistically because of the context of training sessions or competition. The analysis and understanding of training processes, i.e. the effect of training load on athletic performance, remains an issue for practitioners (coach, physical trainers) in sports elite. Indeed, athletic performance is multifactorial and is closely linked to the psycho-physiological adaptations induced by the training program. The external load can be defined as the work done by the athlete, measured independently of his or her internal characteristics. External load measurements can include duration, speed, distance, acceleration, etc. and is specific to the movements encountered in a physical activity and sport. The ability to quantify the external training load is essential for the athlete as it allows coaches to evaluate the effectiveness of a training program by caring for the overall health of the athlete and minimizing the risk of injuries (Hulin et al., 2016). The most recent research is mainly dominated by studies of external load determination through the accessibility of different measurement systems (GPS, inertial measurement units) that can be worn by athletes in training and / or competition. However, there remains a lack of approaches for determining the internal load other than the rate of perceived exertion, probably because of the difficulty of the necessary measures currently available to quantify features of the internal load. The internal load experienced by an athlete can be defined as the sum of physiological and psychological stimuli - stress imposed - during training activities (Impelizzeri et al., 2005). The ability to quantify the internal load is of primary importance as it allows coaches to unveil the implications of the external load and put in place the subsequent training methods without deleterious effects. It is clear that contemporary works are generally based on a relatively reductionist approach, by examining mainly the dimensions of physical fatigue related to the expression of the external load with a very limited consideration of perceptual, cognitive and mental responses, although most sports activities (especially team sports) are based on sustained concentration, perception and decision-making abilities. Considering the growing potential of portable neuroimaging techniques to provide more information on the impacts of specific workouts on brain function (Cheron et al., 2016), the quantification of the internal load could be enriched in different sports. Despite strong evidence of heterogeneity in response to training, previous studies examining the relationship between internal and external measures of training load in team sports have used linear analysis approaches such as multiple regression (Thorpe et al., 2015). Machine learning-based methods have become increasingly popular, with applications such as predicting competition results (Pfeiffer and Hohmann, 2012) and quantifying types of motion activity (De Vries et al., 2011). These approaches have the ability to account for nonlinearity in data sets and thus improve the performance of different pre-existing prediction models (Edelman-Nusser et al., 2002). Therefore, the implementation of such approaches could help to better understand the training load at an individual level, thus increasing our understanding of the relationship (s) between internal and external loads in order to prescribe and control the training load. Recent research also shows the value and contribution of multi criteria decision methods in the evaluation of athlete performance and the prevention of injuries (Bourdon et al., 2017, Blanco et al., 2018). The identification of the relationships between the internal and external loads should allow better designing the aggregation operator to assess the fitness skills of athlete. Namely, assessing his overall performance is based on the fusion of all the objective and subjective responses to training loads. Recent works in multi objectives optimization provide indications to what extent that model can help us in looking at how the training could be improved? In this thesis combining the digital and the human movement sciences, we propose to apply the latest knowledge in multi criteria decision aid analysis and data processing by learning approaches to (i) seek for numerical markers of adaptations of human under severe stress induced by training to prevent health and injury risks, and (ii) to model the decision process to define the best training strategy according to the desired performance output.  The first objective of this work will be to quantify the dynamic relationships between internal and external training load variables, taking into account in particular the cognitive and neuropsychological dimensions of individuals in relation to their environment acting on their behavioural response.  The second objective will be to compare the accuracy of separate linear and machine learning analyses to predict performance, using both group-level and individual-level data.  The third objective will be to determine a personalized training program based on the psycho-physiological adaptation of the individual and the expectations of his coach. Brain functions could be be quantified using portable techniques (near infrared spectroscopy and electroencephalography) concomitantly with sensorimotor behaviour analysis to take into account brain-behaviour links in a complex environment. A partnership with an elite team will be implemented for a longitudinal follow-up. While the first two objectives are based on an objective behaviour model of the individual that will better understand the relationships between internal and external training load variables and its performance (Fleurey et al., 2008, Giorgini et al., 2002), the third refers to a more subjective model of expectations related to this multi-criteria athlete performance. The personalization of sport performance improvement is based on these two objective and subjective dimensions of the evaluation and requires the identification of behaviour and preferences models used jointly in its definition (Couturier et al., 2014, Montmain et al., 2015).
En savoir plus :http://lgi2p.mines-ales.fr/pages/offres-de-theses
FICHE_OFFRE_THESE_I2S_2019_REGION_OCCITANIE_MONTMAIN_PERREY.pdf
Contact :jacky.montmain@mines-ales.fr
Statisticien-ne données de santé
Publiée le 07/05/2019 19:36.
CDI, Pantin - 93500.
Entreprise/Organisme :AIDES
Niveau d'études :Master
Date de début :Dès que possible
Rémunération :Rémunération selon la grille de l’accord d’entreprise de AIDES
Secteur d'activité :Social/Santé
Description :Au sein de la direction « Qualité et évaluation» de l'association AIDES et sous l’autorité de la directrice, elle/il développe, configure, automatise les données liées aux actions de terrain. Il/elle garantit la qualité des données et en facilite la mise à disposition aux différents acteurs de l'association. Pour ce faire, elle/il réalisera les missions suivantes :  Réaliser et automatiser des procédures d’exploitation. (Reporting)  Analyse statistique des cohortes santé (suivi longitudinal)  Participer à la rédaction d’articles scientifiques.  Concevoir et Analyser des données de santé, des tableaux de bord et justifier des résultats relatifs aux activités.  Choisir et utiliser des outils statistiques  Concevoir, actualiser, optimiser une base de données, relatives à la nature des activités de santé  Mettre en place et administrer un système de gestion de base de données (SGBD) et développer et/ou utiliser les outils informatiques associés.  Intégrer les données et contrôler leur validité et leur cohérence technique : réaliser les tests nécessaires.  Réaliser des extractions et mettre en forme les données dans les formats requis.  Mettre les données à disposition des différents acteurs de AIDES en fonction des besoins requis.  Contribuer aux formations des utilisateurs internes; assurer l’assistance technique.  Participer à la mise en place d’enquêtes au travers d’une expertise technique (définitions des besoins, réalisation de masque de saisie….).  Assurer une veille technologique et force de proposition sur l’adaptation des systèmes de recueil
En savoir plus :https://www.aides.org/emploistage/charge-e-de-mission-statisticien-ne-donnees-de-sante
2019 04 Offre d'emploi chargé-e de mission Statisticien données de santé_CDI_Pantin.pdf
Contact :sgiganon@aides.org
Administrateur de bases de données, responsable du pôle de gestion des données du projet Elfe
Publiée le 07/05/2019 19:36.
CDD, Paris 20e jusqu'en décembre 2019 puis Aubervilliers (Campus Condorcet, 93).
Entreprise/Organisme :INED
Niveau d'études :Master
Date de début :Dès que possible
Durée du contrat :2 ans
Secteur d'activité :Recherche
Description :Elfe (Etude longitudinale française depuis l’enfance) est une enquête scientifique dont l’objet est de suivre 18 000 enfants de la naissance à l’âge adulte pour analyser l’impact des différents facteurs familiaux, sociaux, scolaires, comportementaux, environnementaux, sanitaires ou nutritionnels sur leur développement physique, psychologique et social. Ce projet est mené en coopération, dans le cadre d’une unité mixte Ined-Inserm-EFS, par des organismes de recherche et d’autres institutions. L’équipe projet de l’Unité mixte de service ELFE (Ined-Inserm-EFS), localisée à l’Ined, est en charge du pilotage technico-scientifique de la cohorte nationale d’enfants suivis depuis leur naissance en 2011 (www.elfe-france.fr). Placée sous l’autorité de la directrice de l’Unité mixte Elfe, la personne recrutée sera responsable du Pôle de Gestion des Données (PGD) de l’Unité qui comprend 3 autres personnes. Il/elle sera responsable de la gestion des bases de données de la cohorte nationale et de la cohorte pilote de l’étude Elfe (bases contact, bases des données d’enquêtes, base de gestion des échantillons biologiques). Il/elle assure la cohérence, la qualité et la sécurité des données.
En savoir plus :www.elfe-france.fr
Elfe-Administrateur base données_Responsable PGD.pdf
Contact :catherine.guevel@ined.fr
CDD en informatique/mathématiques appliqués, INRA-ENVT, Toulouse
Publiée le 07/05/2019 19:35.
Référence : CDD en informatique/mathématiques appliqués, INRA-ENVT, Toulouse.
CDD, Toulouse.
Entreprise/Organisme :INRA
Niveau d'études :Master
Description :Voir pdf joint.
En savoir plus :http://www.biostat.envt.fr/wp-content/uploads/2019/05/cdd.pdf
cdd.pdf
Contact :remi.servien@inra.fr
Maîtresse-assistante/Maître-assistant
Publiée le 02/05/2019 19:53.
Référence : Yves Tillé.
CDD, Neuchâtel.
Entreprise/Organisme :Université de Neuchâtel
Niveau d'études :Doctorat
Date de début :1er septembre 2019
Durée du contrat :4 ans renouvelable 2 ans
Rémunération :Selon la grille. https://www.unine.ch/srh/maitres-assistants-mer
Secteur d'activité :Université
Description :Délai de candidature : 15.06.2019 Description du poste : - Enseignement en anglais et/ou en français de 4h hebdomadaires - Réalisation de recherches de niveau international à l’Institut de statistique - Organisation et animation du séminaire de recherche - Encadrement des mémoires de master - Participation à des activités administratives de l’Institut Profil souhaité : Être titulaire d’un Doctorat en statistique ou d’un titre jugé équivalent. Le doctorat doit avoir été obtenu au maximum 10 ans avant le dépôt du dossier de candidature. Connaissances linguistiques : Excellent niveau en anglais et français. Dossier de candidature Les candidatures, accompagnées d’un curriculum vitae qui inclut les activités didactiques, ainsi que les pdf des trois meilleures publications, trois lettres de recommandation ou les noms de trois professeurs de référence, doivent être envoyées par courriel à messagerie.istat@unine.ch. D’autres renseignements peuvent être obtenus auprès du professeur Yves Tillé, tél. +4132 718 1475, yves.tille@unine.ch ou en consultant le site de page web (http://www.unine.ch/statistics ). Soucieuse de promouvoir la diversité au sein de son personnel, l’Université de Neuchâtel s'engage à offrir des conditions de travail non discriminatoires.
En savoir plus :https://www.unine.ch/files/live/sites/statistics/files/shared/documents/ISTAT_Poste%20ma%C3%AEtre-as
ISTAT_Poste maître-assistant_2019.pdf
Contact :yves.tille@unine.ch

<1>  2  3  4  5  6  Page suivante

 
 
©2019 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 :