Data Science

Outils avancés d'apprentissage automatique pour la segmentation d'images cérébrovasculaires

Date
Position
Poste de Doctorant H/F - offre de thèse (Réf : DS_MAZ_IVES_0922)
More info

Le département Data Science propose un poste de doctorant sur les outils avancés d'apprentissage automatique pour la segmentation d'images cérébrovasculaires.

Estimation des émissions de CO2 avec l'apprentissage automatique

Date
More info

Le doctorant travaillera sur un projet de collaboration entre EURECOM et l'Institut national d'études environnementales (NIES) (https://www.nies.go.jp/index-e.html) au Japon. L'objectif de ce projet est de développer un algorithme d'estimation des émissions de CO2 à partir des données de luminance observées par un satellite.

HPC, analyse de données, stockage d'ADN, bioinformatique

Date

Nous recherchons un/une doctorant(e) talentueux/se pour nous aider à faire progresser l'état de l'art dans la conception de systèmes à forte intensité de données. Le/La candidat(e) sera intégré(e) au département Data Science d'EURECOM et sera supervisé(e) par le Dr Raja Appuswamy.

HPC, analyse de données, stockage d'ADN, bioinformatique

Date

Nous recherchons un(e) chercheur/ingénieur(e) de recherche postdoctorant(e) talentueux/se pour nous aider à faire progresser l'état de l'art dans la conception de systèmes à forte intensité de données. Le/La candidat(e) sera intégré(e) au département Data Science d'EURECOM et sera supervisé(e) par le Dr Raja Appuswamy.

Apprentissage Automatique, Modèles génératifs à base de diffusion

Date
Position
Poste de Doctorant - Offre de thèse H/F (Références : DS/PM/DIFF/022022)
Résumé

Le but de cette thèse est d'approfondir notre compréhension et de développer de nouvelles méthodologies pour les modèles génératifs probabilistes. Il existe de nombreux types de modèles génératifs, notamment les réseaux GAN, les auto-encodeurs variationnels et les modèles basés sur les flux. Récemment, de nouvelles méthodes basées sur des idées empruntées à la thermodynamique hors équilibre, à savoir les modèles probabilistes basés sur la diffusion, ont vu le jour : ces méthodes peuvent être étudiées sous différents angles, dont les processus de diffusion de Markov en temps discret, les équations différentielles stochastiques qui utilisent la fonction « score », ou plus généralement les méthodes de transport optimal et la résolution d'équations aux dérivées partielles de grande dimension.

 

More info

Dans cette Thèse, nous visons à résoudre les difficultés exceptionnelles des modèles basés sur la diffusion, qui incluent l'efficacité de calcul pour l’entrainement et l'échantillonnage, ainsi que la qualité et la structure des échantillons générés, pour n'en nommer que quelques-uns. Un défi supplémentaire que nous considérons concerne la nature des données que nous visons à modéliser : nous visons à généraliser les modèles actuels à des espaces génériques non euclidiens.