Menu principal

Archives : Offres de thèse




3 Offres de thèse

Système d’Intelligence Artificielle pour la surveillance, la prédiction et l'aide à la décision dans le suivi du bien-être Fœtal au cours du Travail (SIA-BEFoeT)


Le projet SIA-BEFoeT vise à développer des méthodes et des outils d’Intelligence Artificielle (IA) pour améliorer la détection des anomalies du rythme cardiaque fœtal pendant le travail afin de prédire et d’anticiper la survenue d’un événement grave chez le fœtus pouvant conduire au décès ou au transfert en réanimation néonatale pour encéphalopathie anoxo-ischémique.… En lire plus...


Mots-clés
Aide à la décision; Analyse de données; artificial intelligence; big data; DATA SCIENTIST; deep learning; Health Data; machine learning; Modélisation
Établissement
Laboratoire de Nanomédecine, Imagerie, Thérapeutique (LNIT) -EA4662
25000 Besançon  
Directeur
Oussama BARAKAT
Co-encadrants
Nicolas MOTTET
Date de début souhaitée
03/10/2022
Langues obligatoires
Anglais; Français
Prérequis

La réalisation du projet nécessite de bonnes connaissances dans les domaines de l'intelligence artificielle, de celle du deep learning et du machine learning, des mathématiques appliquées. et de l'informatique. Nous recherchons un candidat au doctorat titulaire d'un master ou d'un diplôme d'ingénieur et familier avec plusieurs des sujets suivants :
• Prétraiter et analyser des données structurées pour répondre à un problème métier.
• Entraîner un modèle d’apprentissage automatique supervisé pour réaliser une analyse prédictive.
• Entraîner un modèle d’apprentissage non supervisé adapté à une problématique de segmentation ou de réduction de données.
• Prétraiter et analyser des données non structurées (texte, images …) pour obtenir un jeu de données exploitable.
• Déployer un modèle d’apprentissage automatique à l’échelle en utilisant les technologies du Big data.
• Maîtriser les techniques d’analyse des données et de machine learning (classification et régression, clustering, surapprentissage, régularisation, deep learning etc…)
• Maîtrise un langage statistique/database tel que Python, R ou SQL.

Date limite
01/07/2022
Informations de contact

Madame Kenza REGRAGUI - kenza.regragui@univ-fcomte.fr

Artificial intelligence methods in Small Data for the optimization of derived materials and devices applied to organic and perovskite photovoltaic cells.


• Overview :

This thesis is part of an interdisciplinary project between artificial intelligence (AI) and materials for energy conversion for the optimization and acceleration of the production of devices for photovoltaic or solar energy. In this context, the research work will focus more particularly on the foundations of the management and analysis of small data sets.En lire plus...


Mots-clés
artificial intelligence; Design of experiments (DoE); Material for energy; photovoltaic/perovskite devices
Établissement
ICUBE - LABORATOIRE DES SCIENCES DE L'INGÉNIEUR, DE L'INFORMATIQUE ET DE L'IMAGERIE
67412 ILLKIRCH  
Directeur
Yves-André CHAPUIS
Co-encadrants
Nicolas LACHICHE
Site Web
https://icube.unistra.fr/en/
Date de début souhaitée
01/10/2022
Langues obligatoires
Anglais
Prérequis

Applied mathematics, computer science, data science, artificial intelligence, or multivariate data processing methods and/or a strong interest/knowledge in materials science, materials engineering, chemistry, and applied physics.
OR
Materials science, materials engineering, chemistry, and applied physics, with a background and/or strong interest/knowledge in data science and/or artificial intelligence.

Date limite
01/10/2022
Informations de contact

Dr. Yves-André Chapuis
ya.chapuis@unistra.fr
ICube Laboratory
MaCEPV Team

Self-Supervised Learning for Anomaly Detection in Medical Neuroimaging


Scientific context

The vast majority of deep learning architectures for medical image analysis are based on supervised models requiring the collection of large datasets of annotated examples. Building such annotated datasets, which requires skilled medical experts, is time consuming and hardly achievable, especially for some specific tasks, including the detection of small and subtle lesions that are sometimes impossible to visually detect and thus manually outline.En lire plus...


Mots-clés
analyse d'images; apprentissage automatique; deep learning; Health Data; machine learning; medical; Neuroimaging,
Établissement
Grenoble Institut Neurosciences
38000 GRENOBLE  
Directeur
Carole Lartizien, Michel Dojat
Co-encadrants
Florence Forbes
Site Web
https://www.creatis.insa-lyon.fr/site7/fr/teams; https://neurosciences.univ-grenoble-alpes.fr; https://team.inria.fr/statify/
Date de début souhaitée
03/10/2022
Langues obligatoires
Anglais; Français
Informations de contact

- GIN - team «Functional neuroimaging and brain perfusion»: Michel Dojat (michel.dojat@inserm.fr),
- CREATIS - team Myriad : Carole Lartizien (carole.lartizien@creatis.insa-lyon.fr)