Consulter les offres d’emploi

Imputation de données cliniques manquantes dans la base ESME d’Unicancer – cancer du poumon
Publiée le 01/10/2024 13:49.
Référence : 2024_Horiana_Stage_1.
Stage, Bordeaux.
Entreprise/Organisme :HORIANA
Niveau d'études :Master
Sujet :Contexte : Le réseau Unicancer coordonne le programme ESMÉ (« Épidémio-Stratégie Médico-Economique »), une initiative académique indépendante qui vise à centraliser des données de vie réelle en cancérologie (données cliniques, administratives et pharmaceutiques), à partir des données préexistantes dans les établissements. Horiana est une société de conseil spécialisée en biostatistiques et épidémiologie, qui collabore fréquemment avec Unicancer sur l’exploitation et la valorisation de ses bases de données en vie réelle. Les études réalisées en oncologie doivent prendre en compte de nombreux paramètres individuels afin de pouvoir évaluer les effets individuels spécifiques. Une des variables importantes est le score ECOG (Eastern Cooperative Oncology Group), un score de performance utilisé pour évaluer l’état général des patients et qui est un facteur pronostique connu de l’évolution du patient et de sa réponse aux différents traitements. Dans les études de vie réelle, cette donnée est parfois manquante pour certains patients, car non systématiquement renseignée au cours de la prise en charge en soins courants. Dans le cadre des « Emulated Target Trials » ou des études épidémiologiques, les critères de sélection sont appliqués à la base de données afin de cibler les patients d’une population d’intérêt. Ces critères de sélection s’appliquent fréquemment sur le score ECOG. Seuls les patients avec un score ECOG renseigné sont aujourd’hui potentiellement éligibles, ce qui peut générer des biais de sélection, réduire la puissance statistique des analyses, et limiter l’extrapolation des résultats. Dans ce cadre, l'imputation des valeurs manquantes du score ECOG est une piste pour améliorer la qualité et la complétude de la base, pour l’ensemble des études épidémiologiques et cliniques qui peuvent être réalisées lors de la réutilisation de ces données. En complément des méthodes traditionnelles d'imputation, l'utilisation des techniques de machine learning se révèle prometteuse pour prédire ces valeurs manquantes de manière précise. Objectifs du stage : L'objectif principal du stage est de développer, optimiser et valider un modèle de machine learning capable d'imputer les valeurs manquantes du score ECOG dans la base ESMÉ sur le cancer du poumon, dans le contexte des données de grandes dimensions, et la base poumon d’ESME comprenait 51 067 patients en 2023. Missions : 1. Étude de la base de données ESME : o Exploration des données, analyse des variables corrélées à l’ECOG. o Analyse des patterns de données manquantes (Missing Completely at Random, Missing at Random, etc.). 2. Choix des modèles de machine learning pour l'imputation : o Etat de l’art des approches utilisées dans la littérature o Identifier et implémenter plusieurs algorithmes adaptés à l’imputation de données manquantes (Random Forest, k-NN, modèles bayésiens, réseaux de neurones, etc.), possiblement en prenant en compte l’aspect longitudinal des données, et les modifications de la prise en charge au cours du temps. o Optimiser les hyperparamètres des modèles choisis via des techniques comme la validation croisée et la recherche sur grille (grid search). 3. Processus d'optimisation et de validation des modèles : o Partitionner la base de données (train/test) pour évaluer la performance des modèles. o Mettre en place un processus de validation rigoureux incluant des mesures comme l’erreur quadratique moyenne (RMSE), les scores de précision (accuracy), ou l'aire sous la courbe (AUC) pour évaluer la qualité de l’imputation. o Comparer les performances des différents modèles en termes de biais et variance, y compris avec les approches Multiple Imputation by Chained Equations (MICE) classiques. Profil recherché : • Étudiant en M2 Biostatistiques, Data Science ou en dernière année d'école d'ingénieur avec une spécialisation en statistique ou machine learning. • Compétences solides en programmation (Python ou R), avec une maîtrise des bibliothèques de machine learning (scikit-learn, XGBoost, etc.). • Bonne connaissance des méthodes statistiques d'imputation et des modèles de machine learning. • Capacité à travailler avec des bases de données volumineuses et hétérogènes. • Rigueur, esprit d’analyse et goût pour les problématiques de santé publique.
Date de début :T1 2025
Durée du contrat :6 mois
Rémunération :gratification de stage légale
Secteur d'activité :Biostatistiques
Description :Fondée en septembre 2021, Horiana est une société de conseil spécialisée en épidémiologie et biostatistiques pour l’élaboration et la valorisation de preuves scientifiques sur les données de santé. Grâce à l'expertise de ses associés, ayant chacun plus de 15 années d’expérience en biostatistiques, épidémiologie et gestion de projet, et forte d'une équipe de plus de 20 personnes, Horiana accompagne ses clients sur toutes les étapes de leurs projets. Ces derniers sont des acteurs de la santé, qu'ils soient issus de la sphère privée ou publique.
En savoir plus :https://horiana.com/
202409 Proposition de stage_VF.pdf
Contact :info@horiana.com
Identifying subpopulation-specific associations from large-scale paired genomic-transcriptomic data
Publiée le 01/10/2024 09:26.
Stage, Toulouse ou Paris.
Entreprise/Organisme :INRAE
Niveau d'études :Master
Sujet :Maintaining genetic diversity is crucial for allowing agriculturally important species to adapt to changing environments driven by ongoing climate change. The domestication and selection of animal and plant species have respectively exploited only a small portion of their available genetic diversity, suggesting that a substantial part of global genetic diversity remains underexploited in breeding programs. One way to address the constraints of climate change while meeting the objectives of agroecology is to effectively identify and characterize this unexploited genetic diversity. To address this gap, the PEPR Numerical Agroecology project AgroDiv is developing cutting-edge genomics and genetics approaches to functionally characterize large-scale datasets from several agriculturally important plant and animal species.
Date de début :01/01/2025
Durée du contrat :6 mois
Rémunération :taux légal
Secteur d'activité :Recherche
Description :A major goal within AgroDiv is the identification of subpopulation-specific links between gene expression and genetic variation; these subpopulations correspond to breeds (animals) or ecotypes (plants) that have often undergone strong selection for agriculturally relevant traits. In this internship, our objective is to develop a large-scale simulation study to evaluate the performance of several state-of-the-art strategies to identify subpopulation-specific associations between gene expression and genetic variants: (1) We will make use of a large-scale (n=300) set of paired whole genome sequencing (~25M genetic polymorphisms) and transcriptomic (~13k genes) data in 3 pig breeds1, generated as part of the H2020 EU GENE-SWitCH project (https://www.gene-switch.eu/). Initial work in the internship will correspond to familiarization with these data (e.g. exploratory analyses, …) as well as the use of state-of-the-art tools for the analysis of genomic and transcriptomic data (e.g., PLINK, DESeq2, RRBLUP, …). (2) We have already identified a number of candidate tools that are a promising approach to extract sub-population specific associations between gene expression and genetic variants. These include mashr2, meta-analyses as implemented in METAL3, and more straightforward strategies like linear mixed models with interaction terms or fitted independently in each sub-population. To allow for full genome-wide eQTL analyses, methods such as MatrixEqtl4 will likely be considered to allow for genome scalability. (3) To conduct a full evaluation of these different tools, a simulation strategy will be designed and will make use of the available data. It will notably include the simulation of common associations with similar or varying effect sizes across sub-populations, as well as with similar or marked differences in allelic frequency (including population-specific variants). Combined with different parameters, we aim to identify the strengths and limitations of the available modeling strategies in combination with the simulated specificity of associations. This initial simulation study will pave the way to developing new apposite statistical approaches to efficiently identify population-specific genetic variants of interest in a large-scale omics data integration framework. For motivated candidates, a fully funded PhD position is available following this internship as part of the PEPR Numerical Agroecology AgroDiv flagship project.
En savoir plus :NA
2025_M2_AgroDiv-WP3.pdf
Contact :nathalie.vialaneix@inrae.fr
Teaching Opportunities in Statistics
Publiée le 01/10/2024 09:26.
CDD, Reims, France.
Entreprise/Organisme :Sciences Po, Campus de Reims
Niveau d'études :DUT/Licence ou équivalent
Date de début :Janvier 2025
Description :Sciences Po, Reims Campus is looking to hire adjunct instructors for the 2025 spring semester for discussion sections held in English in first-year statistics, economics and political science. Each course meets for 2 hours per week for 12 weeks from January 27, 2025 and instructors teach a total of 24 hours over the semester per course. Remuneration is 65.10€/h (gross) and train transportation is paid for by Sciences Po. (If you teach several classes, classes are scheduled on the same day so that you can come to Reims once per week.) An excellent level of English is required for courses taught in the North America program. You need to fulfill administrative requirements to be hired as an adjunct instructor (e.g. Phd student, postdoctoral contracts, full-time employee, self-employed teacher with 3 years of activity) in line with the governmental decree. If interested, please send your CV ASAP to: rebecca.blanchard@sciencespo.fr _________________________________________________________________ Sciences Po, Campus de Reims recherche pour le semestre de printemps 2025 des enseignants d’économie, de statistiques et de science politique pour des conférences de méthode de première année en anglais. Le volume horaire d’une conférence correspond à 24h. La rémunération est de 65,10€/h (brut) et les éventuels trajets en train sont entièrement couverts. Un très bon niveau d’anglais est essentiel, et il est nécessaire de remplir les conditions administratives pour être embauché qui sont énoncées dans ce décret (par exemple, doctorant, contrat postdoctoral, salarié à temps plein, enseignant, indépendant avec 3 ans d'activité). Si vous êtes intéressé, merci d'envoyer votre CV dans les meilleurs délais à: rebecca.blanchard@sciencespo.fr
En savoir plus :https://www.sciencespo.fr/college/en/campus-life/campus/reims/
Contact :rebecca.blanchard@sciencespo.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
Identification de typologies de troubles de santé des abeilles à partir des données de surveillance
Publiée le 01/10/2024 09:26.
Stage, Sophia Antipolis (06).
Entreprise/Organisme :ANSES Sophia Antipolis
Niveau d'études :Master
Sujet :L’étude des troubles de santé des abeilles est complexe en raison de leur caractère multifactoriel. De nombreuses causes peuvent être identifiées, de manière parfois concomitante : agents biologiques (parasites, virus, prédateurs etc.), appauvrissement des ressources, pratiques apicoles inadaptées ou encore exposition à des produits chimiques. L’objectif du stage est de caractériser les troubles de santé des abeilles via la définition de typologies de troubles, à partir de l’analyse multidimensionnelle d’un jeu de données de l’OMAA.
Date de début :1er trimestre 2025
Durée du contrat :6 mois
Secteur d'activité :Statistiques appliquées. Maîtrise du logiciel R (manipulation et la gestion d’un jeu de données)
Description :L’OMAA est un système de surveillance évènementielle déployé aujourd’hui dans neuf régions françaises, dont les objectifs sont de répondre aux constats de troubles de santé déclarés par les apiculteurs, de faire l’inventaire et l’analyse de la dynamique spatio-temporelle des mortalités et des affaiblissements des colonies d’abeilles domestiques, d’identifier les cas groupés et de lancer des alertes. Tout apiculteur.trice constatant un trouble sur un de ses ruchers est invité.e à contacter un guichet unique régional de l’OMAA. Le guichet est chargé d’orienter le trouble vers le dispositif de surveillance adapté. Une investigation sur le rucher peut ainsi être mise en œuvre via le dispositif de surveillance des maladies réglementées dans le cadre de la police sanitaire, le dispositif de surveillance des mortalités massives aiguës d’abeilles avec suspicion d’intoxication ou le dispositif de surveillance des « Autres troubles » (plus de détails sur ce lien). Les données de plus de 4 000 déclarations et 1 000 investigations dans les ruchers dans le cadre du dispositif de surveillance des « Autres troubles » ont été enregistrées depuis le déploiement de l’OMAA dans deux premières régions pilotes en 2017. Ces données concernent entre autres la date des troubles, leur localisation, le profil de l’apiculteur, le nombre de colonies atteintes, les suspicions et les conclusions finales des visites des ruchers. Ce jeu de données sera mis à la disposition du stagiaire.
En savoir plus :https://www.anses.fr/fr/liste-stages
ANSES_offre de stage_omaa.pdf
Contact :marion.laurent@anses.fr
Stage de M2
Publiée le 17/09/2024 12:23.
Référence : M2_CAUSALITY.
Stage, Grenoble.
Entreprise/Organisme :INSERM
Niveau d'études :Master
Sujet :Approche causale sur données observationnelle : étude de l’impact de l’observance à la pression positive continue sur la somnolence diurne dans le syndrome d’apnées du sommeil.
Date de début :janvier 2025
Durée du contrat :6 mois
Secteur d'activité :santé publique
Description :Contexte : Le laboratoire HP2 – Hypoxie Physiopathologie est une unité INSERM (U1300) a été créé en 2001 pour développer un projet de recherche original sur les conséquences cardiovasculaires et métaboliques néfastes de l'hypoxie intermittente et de l'apnée du sommeil, en utilisant à la fois des modèles animaux et une recherche clinique innovante. Il est associé au laboratoire du Sommeil du CHU Grenoble Alpes, composé d’une équipe médicale possédant une expertise dans le domaine du sommeil et de sa pathologie. Au sein du laboratoire HP2, un axe analyse de données s’intéresse aux approches causales sur données observationnelles permettant de valoriser les études cliniques non interventionnelles. Ces analyses sont de plus en plus utilisées en recherche mais aussi par l’industrie pharmaceutique pour mettre en évidence l’impact d’un traitement ou d’un facteur d’exposition sur un résultat. Ce stage s’inscrit dans cette thématique et vise à apporter de nouvelles connaissances dans le domaine. Il peut faire l’objet d’un projet de thèse ensuite. Descriptif : La causalité est depuis longtemps l’objectif principal de nombreuses études en santé. La méthode de référence pour tirer des conclusions sont les essais cliniques contrôlés randomisés. Mais ces derniers présentent des limites, en effet ils sont longs, couteux et certaines problématiques les rendent impossibles pour des questions éthiques. De plus, dans le cadre de ces essais, les patients sont généralement plus observants, mieux suivis et en meilleure santé par rapport à ce qui se passe en routine clinique. Il est possible d’utiliser les données observationnelles pour évaluer l’effet d’un traitement sur le pronostic des patients. Mais dans ces données l’assignation des patients à un groupe de traitements n’est pas aléatoire, ce qui introduit des biais rendant l’évaluation de l’effet du traitement dépendant des caractéristiques des patients. Les méthodes basées sur les scores propension sont les méthodes d’inférences causale sur données observationnelles les plus populaires, et sont de plus en plus utilisées dans le domaine médical. De plus leur usage commence à être reconnue par les autorité sanitaires. L’objectif de ce stage est un développement méthodologique de l’inférence causale appliquée aux traitements continus. En se basant comme cas d’usage sur l’évaluation de l’effet de l’observance à la pression positive continue (nombre d’heure d’utilisation d’un dispositif médical par nuit, variable continue) sur la somnolence diurne, chez les patients souffrant d’un syndrome d’apnées obstructives du sommeil. A partir de la cohorte initiale (base de données clinique de recherche) il faudra entrainer un premier modèle de pondération prenant en compte les facteurs de confusion liée à l’observance à la PPC et le score Epworth permettant d’équilibrer les facteurs de confusion entre les groupes de traitements. Puis un second modèle permettra d’estimer l’effet de l’observance sur le score de somnolence sur la cohorte pondérée avec le modèle de poids. Résultats attendus : - une application des scores de propension sur les données de l’observatoire sommeil avec la prise en compte des facteurs de confusion initiaux et temps dépendant pour répondre à la question posée. - Un approfondissement des approches méthodologiques de l’application des scores de propension au traitement continu - Un recensement des problématiques posées qui seront ensuite développées dans le cadre d’un futur projet de thèse.
En savoir plus :https://chaire-esante.fr/
Contact :sbailly@chu-grenoble.fr
Calibration de modèles de mélange de cultures à l'aide de données de phénotypage haut débit
Publiée le 17/09/2024 12:23.
Postdoc, Palaiseau.
Entreprise/Organisme :AgroParisTech / INRAE
Niveau d'études :Doctorat
Date de début :début 2025
Durée du contrat :18 mois
Rémunération :entre 2400 et 2900 brut selon expérience
Description :voir le fichier joint.
En savoir plus :https://mia-ps.inrae.fr/offres_theses_post-doc
postdoc_MathVives_calibr-mix.pdf
Contact :pierre.barbillon@agroparistech.fr
Stage M2 Biostatistique : Analyse de survie dans les essais randomisés en clusters
Publiée le 17/09/2024 12:23.
Stage, Tours.
Entreprise/Organisme :Inserm UMR1246 SPHERE
Niveau d'études :Master
Sujet :Estimating a difference in restricted mean survival time in cluster randomized trials using pseudo-values regression with covariate adjustment
Date de début :Entre janvier et avril 2025
Durée du contrat :4 à 6 mois
Description :Context: Cluster randomized trials (CRTs) are trials in which intact social units, such as medical practices, hospitals, or communities, are randomised to intervention or control conditions while outcomes are assessed on individuals within such clusters. This study design is a natural choice to evaluate the impact of public health or health system interventions delivered at the cluster level and their use is rapidly increasing. In CRTs, outcomes assessed on individuals from a given cluster tend to be more similar than outcomes of individuals from different clusters. This clustering must be accounted for in statistical analysis, to avoid an increased risk of Type I error. In randomized clinical trials with a time-to-event outcome, the intervention effect is usually quantified by a hazard ratio, relying on the proportional hazards assumption. Alternative measures could be more relevant, such as the difference in restricted mean survival time (ΔRMST) between the intervention and control groups up to time t^*. The intervention effect measured by the ΔRMST is not relying on the proportional hazards assumption and is easily interpretable as the expected survival duration gain due to intervention over t^*. Pseudo-values regression has been proposed for the ΔRMST estimation in CRTs. It consists in computing pseudo-values for each individual and considering them as the dependent variable of a linear regression model fitted by generalized estimating equations, to take into account the clustering. Pseudo-values regression has shown good performances in terms of estimation of the intervention effect and its variance in a simulation study. However, only one covariate, the intervention group, was considered in this simulation study whereas covariate adjustment is not uncommon in CRTs. Adjustment on covariates is useful in CRTs because the randomization of a smaller number of units, compared to individually randomized trial, does not always allow for balance in cluster and individual-level covariates. Objective: The objective will be to conduct a simulation study to assess the performance of the pseudo-values regression in estimating a ΔRMST in CRTs when adjusting on covariates. In addition, this method will be applied on data from a real cluster randomized trial.
En savoir plus :https://sphere-inserm.fr/fr/home
Offre stage.pdf
Contact :floriane.levilainabraham@univ-tours.fr
ILM - Offre d'emploi Postdoc en Epidémiologie/Santé Publique ou Biostatistiques (H/F)
Publiée le 28/08/2024 09:46.
Référence : ILM - Offre d'emploi Postdoc en Epidémiologie/Santé Publique ou Biostatistiques (H/F).
Postdoc, Polynésie Française, Tahiti, Papeete.
Entreprise/Organisme :INSTITUT LOUIS MALARDE POLYNESIE FRANCAISE
Niveau d'études :Doctorat
Sujet :Contexte Le laboratoire de recherche sur les infections virales émergentes (LIV) est localisé à Papeete, Tahiti (Polynésie française). Le LIV coordonne des activités de recherche et de surveillance sur les virus transmis par les moustiques (ex. dengue, Zika, Chikungunya) et autres virus émergents (ex. SARS-CoV-2, grippe) en Polynésie française et dans les îles du Pacifique. Dans le cadre de programmes menés en partenariat avec d’autres organismes de recherche, le LIV s’intéresse de façon plus large aux facteurs de risque pathologique (maladies transmissibles et non-transmissibles). Description des missions La mission consiste à : Dans le cadre des programmes de recherche en cours (enquêtes transversales et longitudinales): o assurer le suivi de la fiabilité statistique des recrutements o contribuer à la gestion des bases de données o réaliser les analyses statistiques des données o contribuer à la valorisation scientifique des résultats (communications, publications) Dans le cadre des activités de surveillance : o assurer les analyses statistiques des données générées par le LIV
Date de début :01/09/2024
Durée du contrat :1 an, renouvelable
Rémunération :365 000 FCFP brut (francs pacifiques)
Secteur d'activité :Santé et recherche
Description :Contexte Le laboratoire de recherche sur les infections virales émergentes (LIV) est localisé à Papeete, Tahiti (Polynésie française). Le LIV coordonne des activités de recherche et de surveillance sur les virus transmis par les moustiques (ex. dengue, Zika, Chikungunya) et autres virus émergents (ex. SARS-CoV-2, grippe) en Polynésie française et dans les îles du Pacifique. Dans le cadre de programmes menés en partenariat avec d’autres organismes de recherche, le LIV s’intéresse de façon plus large aux facteurs de risque pathologique (maladies transmissibles et non-transmissibles). Description des missions La mission consiste à : Dans le cadre des programmes de recherche en cours (enquêtes transversales et longitudinales): o assurer le suivi de la fiabilité statistique des recrutements o contribuer à la gestion des bases de données o réaliser les analyses statistiques des données o contribuer à la valorisation scientifique des résultats (communications, publications) Dans le cadre des activités de surveillance : o assurer les analyses statistiques des données générées par le LIV
En savoir plus :https://www.ilm.pf/emploi-appels-doffre/page/2/
LIV. Postdoc.pdf
Contact :mloux@ilm.pf
Thèse CIFRE Hop-Air France et Laboratoire de Mathématiques Blaise Pascal, Clermont-Ferrand
Publiée le 26/08/2024 16:54.
Référence : Offre de thèse CIFRE/PHD Position.
Thèse, Clermont Ferrand.
Entreprise/Organisme :Université Clermont Auvergne, CNRS
Niveau d'études :Master
Sujet :Modèles d’Apprentissage automatique et d’Aide à là pour la Maintenance Prédictive de Systèmes Avions
Date de début :Entre le 1/10/2024 et le 1/03/2025
Durée du contrat :36 mois
Rémunération :Standard des thèses CIFRE
Secteur d'activité :Machine learning, Intelligence Artificielle, Statistisque, Probabilité
Description :Ce projet de thèse s’inscrit dans la thématique de recherche MPSA (Maintenance Prédictive pour Système sur la flotte d’avion de Hop), collaboration LMBP-HOP en entamé en 2018 pour le développement d’outils de maintenance prédictive sur la flotte Embraer de Hop. L’objectif de l’équipe de recherche LMBP-HOP est d’élaborer des solutions innovantes : modèles mathématiques, algorithmes d’apprentissage machine et/ou statistique ou d’intelligence artificielle pour une aide à la maintenance prédictive. Nos modèles sont construits à partir de différentes sources de données et informations fournis par les équipes techniques. Les données peuvent issues d’enregistreurs Fault History Data Base (FHDB), Quick Access Recoder (QAR) ou d’autres types des données telles que les rapports d’incident pilote, rapports de maintenance, vieillissement des pièces, etc…. Outre des données numériques classiques, les données peuvent être du texte, des séries temporelles, des images, une combinaison ou bien d’autres types de données. Ainsi le challenge de l’équipe est donc de répondre à des problématiques spécifiques pour chaque système avion. L’exploitation de ce type de données pour la maintenance prédictive reste marginale dans ce contexte. Notre démarche conduira à : 1) La modélisation des lois de probabilités des variables aléatoires (éventuellement à valeurs dans des espaces fonctions ou de formes) dont les observations sont fournies par les QAR. Ces modèles nous permettront de construire des tests statistiques pour la détection d’alerte et donc de prévision des pannes et par conséquent d’aide à la décision à la maintenance prédictive. 2) Une fois ces modèles éprouvés, une interface de maintenance prédictive sera ouverte pour permettre de guider la maintenance sur avion. Ce travail devra être réalisé pour chaque système avion, par ordre de criticité au regard de nos objectifs primordiaux.
En savoir plus :https://lmbp.uca.fr/
Sujet de these Hop LMBP2024V1.pdf
Contact :anne.yao@uca.fr
Post-doctoral scholarship "Objectivation in Bayesian modelling for interpretable decision support"
Publiée le 26/08/2024 16:54.
Postdoc, Palaiseau.
Entreprise/Organisme :Ecole Polytechnique
Niveau d'études :Doctorat
Durée du contrat :1 an renouvelable
Description :See the description of the offer in the joint pdf file
En savoir plus :https://josselin-garnier.org/
CMAP-post-doc-Bayesian.pdf
Contact :nicolas.bousquet@edf.fr
Junior Professor Chair in AI for Digital Health
Publiée le 23/07/2024 16:06.
CDD, Paris.
Entreprise/Organisme :Centre for Computational Biology, Mines Paris PSL & Institut Curie
Niveau d'études :Doctorat
Date de début :Between Nov 2024 and March 2025
Description :We have an opening for a Chaire de Professeur Junior (Junior Chair Professor) at the Centre for Computational Biology of Mines Paris PSL and Institut Curie. This is a tenure-track position with a startup found of 314k€ and reduced teaching load of 64 hours/year during the pre-trenure period, which is expected to last 3 years and leads to a full professor position.
En savoir plus :https://www.galaxie.enseignementsup-recherche.gouv.fr/ensup/ListesPostesPublies/FIDIS/0756036D/FOPC_
FOPC_0756036D_65.pdf
Contact :chloe-agathe.azencott@minesparis.psl.eu
Développement d’outils de chimiométrie pour la fusion de données en physico-chimie
Publiée le 23/07/2024 16:05.
Référence : Sujet de thèse / PhD Position.
Thèse, Nancy, France.
Entreprise/Organisme :UMR CNRS 7360, Laboratoire Iinterdisciplinaire des Ecosystèmes Continentaux (LIEC)
Niveau d'études :Master
Date de début :Entre le 01/09/2024 et le 31/12/2024
Durée du contrat :36 mois
Secteur d'activité :Chimiométrie, Chimie Analytique, spectroscopies, data fusion
Description :Contexte : Ce sujet de thèse s’inscrit dans le projet ICEEL Carnot Transverse intitulé TRANSFUSION (200 k€ sur 2024-2027) pour Techniques de chimiométRie AvaNcéeS de FUsion de données pour repouSser les limites d’analyse d’appareils conventIONnels. Aujourd’hui, les instruments en nanosciences se doivent d’être toujours de plus en plus performants pour visualiser et analyser des échantillons aux petites échelles. L‘interprétation de ces données nécessite la mise en œuvre d’outils mathématiques performants pour en extraire les informations les plus pertinentes et ce sans a priori. L’objectif du projet doctoral est donc d’appliquer et de mettre au point des méthodes originale d’analyse de données pour les nanosciences, où de nombreux domaines de recherche sont concerné comme la physique, la chimie ou la biologie. Pour ce faire nous avons choisi de travailler sur quatre méthodes d’analyse : l’imagerie hyperspectral Raman, la sonde de Castaing, la microscopie à Force Atomique (AFM) couplé au Raman, sur lesquels des méthodes de fusions de données seront développées pour caractériser des échantillons de type biomasse, matériaux innovants et biologique. Ce choix se justifie pour plusieurs raisons : (i) ces techniques instrumentales permettent une caractérisation moléculaire, élémentaire ou mécanique en surface et/ou en volume autour d’une résolution spatiale latérale et azimutale de 1µm, mais aussi par le fait que (ii) l’ensemble des partenaires du projet TRANSFUSION, à savoir le LERMAB, GeoResources, LCPME, LMOPS, TJFU et LIEC, les utilisent pour caractériser leurs échantillons complexes. Le travail du doctorant s’articulera autour de 3 workpackage (WP) distincts sur 3 années : - WP1 : Comprendre et améliorer la résolution spatiale des différentes techniques. Le LIEC utilise déjà des méthodes algorithmiques pour le faire. - WP2 : Identification des sources moléculaires, élémentaires, ou mécanique sur chacun des instruments (méthode de démixage de signaux). - WP3 : Proposer une méthode dite de fusion de données (e.g. topologie). Au-delà d’une approche interdisciplinaire et pluridisciplinaire de la recherche, ce projet doctoral vise à proposer une nouvelle approche d’analyse de données en chimiométrie avec pour objectif de repousser les limites actuelles d’instruments conventionnels lors de la génération de données spatiales couplées à des informations de chimie élémentaire, moléculaire et mécanique avec comme credo : vers le plus petit, le plus rapidement possible, avec traitement intégré et coût compétitif. Mots clés : Chimiométrie, chimie analytique, chimie physique, traitement de données, imagerie, super-résolution.
En savoir plus :https://liec.univ-lorraine.fr/
Sujet_these_transfusion_LIEC_2024.pdf
Contact :marc.offroy@univ-lorraine.fr
2-year postdoctoral position in Statistics and Machine Learning for Biological processes in Lyon
Publiée le 23/07/2024 16:04.
Référence : 2-year postdoctoral position in Statistics and Machine Learning for Biological processes in Lyon.
Postdoc, Lyon.
Entreprise/Organisme :Centre international de recherche sur le cancer (IARC)
Niveau d'études :Doctorat
Date de début :From September to December 2024
Durée du contrat :24 months
Rémunération :monthly net salary ranging from ∼1900 euros to ∼3100 euros, depending on the level of qualification
Secteur d'activité :Academic
Description :Applications are invited for a 2-year postdoctoral position in statistics and machine learning at the International Agency for Research on Cancer (IARC, World Health Organization, Lyon, France) and Ecole Centrale de Lyon (ECL, Lyon, France). The successful candidate will join the MOBiL project (Multi-omics data integration to investigate biological mechanisms underlying the link between lifestyle behaviors and gastro-intestinal cancers), which is one of the 11 "Projets Structurants" funded within the Shape-Med Lyon initiative.
En savoir plus :https://math.univ-lyon1.fr/icj/
MOBiL_Postdoc.pdf
Contact :yohann.de-castro@ec-lyon.fr
Postdoctoral Research Position in AI-Driven Neutron Spectroscopy Data Analysis
Publiée le 23/07/2024 16:03.
Référence : APIC - CEA Saclay.
Postdoc, Saclay (Ile de France).
Entreprise/Organisme :CEA
Niveau d'études :Doctorat
Date de début :T4-2024
Durée du contrat :12 mois renouvelable 12 mois
Rémunération :selon profil
Secteur d'activité :Causality, machine learning, AI, simulation
Description :Environment: The project relies on a collaboration between two partners: DRF/IRAMIS/LLB and DES/LIAD. These labs have joined their expertise to work on a novel approach to determine the interaction parameters of a given Hamiltonian, by leveraging innovative AI methodologies to analyze neutron scattering spectroscopy data. LLB is a joined CEA-CNRS lab, renowned for its expertise in neutron spectroscopy. It contributes to the development of neutron instruments for the ESS, the next generation European source to be constructed in Lund (Sweden), but also at the Paul-Scherrer Institut (PSI) in Switzerland, and at the High Flux Research Reactor ofthe Institut Laue-Langevin (ILL) in Grenoble. Notably, the ILL is the current European neutron source, world-wide recognized for its very intense neutron flux and world-class scientific infrastructure. The LLB has also developed advanced numerical tools for calculating the dispersion of collective excitations in condensed matter along with their neutron cross-sections. LIAD focuses on AI research and uncertainty quantification, emphasizing causality, causal discretization methods, and the analysis of special data types like time series. Its is developing machine learning techniques to quantify uncertainties, particularly in neutronics. Causality is a burgeoning field, integral to LIAD’s research, aiming to create novel approaches for causal discretization and handling heterogeneous data. Over the past two decades, causality has been increasingly integrated into machine learning to enhance model interpretability beyond simple correlations. Project Summary: Neutron spectroscopy experiments are pivotal in determining the spectrum of collective excitations in condensed matter, which in turn allows to deduce the parameters of the interaction Hamiltonian responsible for the material physical properties. These collective excitations, often represented as waves (or particles) propagating through a crystal lattice, are characterized by their energy (E) and wave vector (q). Neutron scattering techniques enable direct imaging of the dispersion relation E=f(q), encapsulating the essential physics. Traditionally, these data are fitted through trial-and-error methods using numerical simulations. Our project aims to overcome this approach by developing an innovative AI-based method to determine Hamiltonian parameters and establish causal links between these parameters and dispersion curves. Unlike correlation, which is commonly used in machine and deep learning to measure the relationship between variables, causality aims at identifying whether one variable directly influences another. Correlation shows association but does not imply causation, meaning it does not reveal why variables move together. Hence, causality is essential to ensure that an intervention of identified parameters provides significant modifications on the dispersion curves. Research Focus: Causality is a burgeoning field that integrates seamlessly with uncertainty quantification, forming a core part of LIAD ongoing research. This project will involve: • Developing causal discovery and inference methods for effective discretization and handling heterogeneous data. • Integrating causal models into machine learning to provide explicable predictive models, moving be-yond mere correlations. • Employing Directed acyclic graphs (DAGs) to represent causal relationships among variables. • Innovating methods where the nodes of the causal graph are interpretable subsets of variables, enhancing the causal discretization’s relevance and quantifying the associated uncertainty. Objectives: The primary objective is to create a powerful AI-based tool for analyzing neutron scattering data. This tool will: • Efficiently determine Hamiltonian interaction parameters. • Establish and quantify causal relationships between these parameters and the observed dispersion relations. • Enhance the explanatory power and predictive accuracy of the models used in neutron spectroscopy.
En savoir plus :NA
APIC_postdoc_position.pdf
Contact :aurore.lomet@cea.fr

<1>  2  Page suivante

 
 
©2024 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 :