Annonce en lien avec l’Action/le Réseau : Doctorants
Laboratoire/Entreprise : UMR LSIS / CNAM / Univ TOulon
Durée : fonctionnaire
Contact : glotin@univ-tln.fr
Date limite de publication : 2017-03-30
Contexte :
Le/la MCF enseignera aux ingénieurs Transmédia par alternance en partenariat avec les Arts et Métiers (CNAM-PACA), ayant pour objectif la formation d’ingénieurs dans le grand domaine de l’informatique. Ils recevront la connaissance théorique et technologies du numérique ainsi que les compétences générales nécessaires à l’exercice du métier d’ingénieur dans le domaine de l’industrie du numérique.
Le laboratiore est le LSIS, UMR CNRS (UMR 7296) à l’université de Toulon, cotutuelle AMU, l’ENSAM d’Aix-en-Provence, et CNRS (Institut National des Sciences de l’informatique et Interactions – INS2I). Il regroupe des activités de recherche des sections 06 et 07 du CNRS et des sections 27 et 61 du CNU. Elles concernent les STIC, et plus précisément les domaines de l’informatique, de l’automatique et du signal et des images. Tous ces domaines de recherche sont présents dans les 3 équipes/projets du site Toulon du LSIS. Dans les mois à venir, le LSIS et le Laboratoire d’Informatique Fondamentale (LIF, UMR AMU CNRS) fusionnent en un seul laboratoire qui unira leurs compétences et les rendra encore plus visibles au niveau international.
Mots Clefs : Science des masses de données, Modèles profonds, Apprentissage automatique, Apprentissage de Représentation.
Sujet :
Le candidat intégrera l’équipe DYNI (DYNamiques de l’Information) du LSIS (http://www.lsis.org/dyni). Ce profil s’inscrit sur la thématique des masses de données, stratégique aux niveaux académiques et industriels. représentation optimale de MD à partir de leurs références partielles ou bruitées. Le/La MCF recruté(e) apportera des compétences nouvelles en algorithmique d’analyse de MD multimodales qui peuvent être dynamiques (vidéo/ sons).
Profil du candidat :
Le profil se décline en deux sous thèmes, le/la MCF devra en développer l’un des deux :
a) Traitement de MD issues du Web,
ou
b) Modèles profonds (deep learning), BNP, représentation, structuration, classification et indexation de MD.
a) Traitement de MD issues du Web, stockage et manipulation optimisés dans un univers ‘en nuages’ de MD hétérogènes. Le/La MCF proposera des modèles de représentation adaptés à des MD hétérogènes dans leur forme (texte, audiovisuel, son.), leurs structures, annotées, dynamiques (variant dans le temps), pouvant être distribuées et associées aux connaissances de leurs domaines. La compétence recherchée viendra en appui pour travailler sur des architectures, modèles et algorithmes pour l’intégration de nos modèles et langages dans des environnements distribués de MD. En particulier, le changement majeur dans le domaine des bases de données que constitue l’émergence d’un univers ‘en nuages’ et les systèmes associés ‘NoSQL’ renouvelle les problématiques d’indexation des données et d’optimisation de requêtes.
b) Modèles profonds (deep learning) ou bayésiens, représentation, structuration, classification et indexation de MD. Le/La MCF innovera des modèles d’apprentissage automatique, notamment de la famille ‘deep learning’ ou bayésienne, pour l’apprentissage de représentations de MD, leur structuration (‘clustering’), et classification. La compétence recherchée pourra porter sur les modèles passant à l’échelle, éventuellement distribués, hiérarchiques ou multi-échelle. Un intérêt sera donné au développement théorique des modèles et/ou au passage à l’échelle des algorithmes. Les validations porteront sur des MD hétérogènes, notamment d’observatoires environnementaux ou audio, audiovisuels.
Formation et compétences requises :
Le/La maître de Conférences recruté(e) enseignera les aspects aussi bien théoriques que pratiques de l’informatique, par exemple en algorithmique, programmation sur plateforme mobile, programmation objet, bases de données, IHM, traitement d’image et du signal, apprentissage automatique, sécurité informatique ou système d’exploitation. De plus, il aura à s’impliquer dans l’encadrement de projets pluridisciplinaires, l’animation pédagogique de cette nouvelle formation et le suivi des apprentis en entreprise.
La qualification peut être CNU 27 et 61. II s’intégrera dans les collaborations nationales (ENS DataTeam, I3S, Gipsalab, LAM, LMA, MNHN, CNPS, LIPADE, INRIA), et internationales (universités de New-York, Cornell, Heifi, Beijing, Brisbane, Victoria ONC). Il participera aux organisations et programmes de conférences telles que celles pilotées récemment par DYNI (cf BDA, Int. Conference on Learning Representation ICLR 2017 www.iclr.cc ).
Adresse d’emploi :
Nom du laboratoire : LSIS UMR CNRS 7296
Lieu d’exercice : Toulon, campus La Garde – VAR, www.utln.fr
Contact : directeur équipe : H. Glotin ; glotin@univ-tln.fr
URL laboratoire. : http://www.lsis.org/dyni
Document attaché : mcf27_toulon_lsis_massesdonnees_4152_fin30mars2017.pdf