• Geo-Sci-Info

    • Introduction to Symplectic Geometry Jean-Louis Koszul -
      (reed) 2019 Springer LINK Video
      Flyer
      Offers a unique and unified overview of symplectic geometry, Highlights the differential properties of symplectic manifolds, Great interest for the emerging field of "Geometric Science of Information”
      This introductory book offers a unique and unified overview of symplectic geometry, highlighting the differential properties of symplectic manifolds. It consists of six chapters: Some Algebra Basics, Symplectic Manifolds, Cotangent Bundles, Symplectic G-spaces, Poisson Manifolds, and A Graded Case, concluding with a discussion of the differential properties of graded symplectic manifolds of dimensions (0,n). It is a useful reference resource for students and researchers interested in geometry, group theory, analysis and differential equations. This book is also inspiring in the emerging field of Geometric Science of Information, in particular the chapter on Symplectic G-spaces, where Jean-Louis Koszul develops Jean-Marie Souriau's tools related to the non-equivariant case of co-adjoint action on Souriau’s moment map through Souriau’s Cocycle, opening the door to Lie Group Machine Learning with Souriau-Fisher metric.

    posted in Preprints - Books - Archivs - Journal special edition (Entropy...) read more
  • Geo-Sci-Info

    Capture du 2019-08-05 11-09-36.png

    Special Issue: "Lie Group Machine Learning and Lie Group Structure Preserving Integrators" Entropy MDPI

    OFFICIAL WEBSITE

    Download Flyer

    Machine/deep learning is exploring use-cases extensions for more abstract spaces such as graphs, differential manifolds, and structured data. The most recent fruitful exchanges between geometric science of information and Lie group theory have opened new perspectives to extend machine learning on Lie groups. After the Lie group’s foundation by Sophus Lie, Felix Klein, and Henri Poincaré, based on the Wilhelm Killing study of Lie algebra, Elie Cartan achieved the classification of simple real Lie algebras and introduced affine representation of Lie groups/algebras applied systematically by Jean-Louis Koszul. In parallel, the noncommutative harmonic analysis for non-Abelian groups has been addressed with the orbit method (coadjoint representation of group) with many contributors (Jacques Dixmier, Alexander Kirillov, etc.). In physics, Valentine Bargmann, Jean-Marie Souriau, and Bertram Kostant provided the basic concepts of Symplectic Geometry to Geometric Mechanics, such as the KKS symplectic form on coadjoint orbits and the notion of Momentum map associated to the action of a Lie group. Using these tools Souriau also developed the theory of Lie Group Thermodynamics based on coadjoint representations. These set of tools could be revisited in the framework of Lie group machine learning to develop new schemes for processing structured data.

    Structure preserving integrators are numerical algorithms that are specifically designed to preserve the geometric properties of the flow of the differential equation, such as invariants, (multi-)symplecticity, volume preservation, as well as the configuration manifold. As a consequence, such algorithms have proven to be highly superior in correctly reproducing the global qualitative behavior of the system. Structure-preserving methods have recently undergone significant development and constitute today a privileged road in building numerical algorithms with high reliability and robustness in various areas of computational mathematics. In particular, the capability for long-term computation makes these methods particularly well adapted to deal with the new opportunities and challenges offered by scientific computations. Among the different ways to construct such numerical integrators, the application of variational principles (such as Hamilton’s variational principle and its generalizations) has appeared to be very powerful, since it is very constructive and because of its wide range of applicability.

    An important specific situation encountered in a wide range of applications going from multibody dynamics to nonlinear beam dynamics and fluid mechanics is the case of ordinary and partial differential equations on Lie groups. In this case, one can additionally take advantage of the rich geometric structure of the Lie group and its Lie algebra for the construction of the integrators. Structure preserving integrators that preserve the Lie group structure have been studied from many points of view and with several extensions to a wide range of situations, including forced, controlled, constrained, nonsmooth, stochastic, or multiscale systems, in both the finite and infinite dimensional Lie group setting. They also naturally find applications in the extension of machine learning and deep learning algorithms to Lie group data.

    This Special Issue will collect long versions of papers from contributions presented during the GSI'19 "Geometric Science of Information" conference (www.gsi2019.org) but will not be limited to these authors and is open to international communities involved in research on Lie groups machine learning and Lie group structure-preserving integrators.

    • Prof. Frédéric Barbaresco
    • Prof. Elena Cellodoni
    • Prof. François Gay-Balmaz
    • Prof. Joël Bensoam
      Guest Editors

    Manuscript Submission Information

    Manuscripts should be submitted online at www.mdpi.com by registering and logging in to this website . Once you are registered, click here to go to the submission form. Manuscripts can be submitted until the deadline. All papers will be peer-reviewed. Accepted papers will be published continuously in the journal (as soon as accepted) and will be listed together on the special issue website. Research articles, review articles as well as short communications are invited. For planned papers, a title and short abstract (about 100 words) can be sent to the Editorial Office for announcement on this website.

    Submitted manuscripts should not have been published previously, nor be under consideration for publication elsewhere (except conference proceedings papers). All manuscripts are thoroughly refereed through a single-blind peer-review process. A guide for authors and other relevant information for submission of manuscripts is available on the Instructions for Authors page. Entropy is an international peer-reviewed open access monthly journal published by MDPI.

    Please visit the Instructions for Authors page before submitting a manuscript. The Article Processing Charge (APC) for publication in this open access journal is 1600 CHF (Swiss Francs). Submitted papers should be well formatted and use good English. Authors may use MDPI's English editing service prior to publication or during author revisions.

    Keywords

    • Lie groups machine learning
    • orbits method
    • symplectic geometry
    • geometric integrator
    • symplectic integrator
    • Hamilton’s variational principle

    posted in Preprints - Books - Archivs - Journal special edition (Entropy...) read more
  • Geo-Sci-Info

    Capture du 2019-07-16 12-43-26.png
    OFFICIAL WEBSITE

    The Conference on Stochastic Geometry is going to be held at the Euler Mathematical Institute on September 16 - 20, 2019

    The Conference is organized and sponsored by:

    • Euler Mathematical Institute
    • Chebyshev Laboratory of St. Petersburg State University

    The goal of the conference is to bring together the researchers who have experience in stochastic geometry and/or stochastic processes, to exchange ideas, and to stimulate new collaborations.

    Organizing committee:

    • I. Ibragimov
    • Yu. Davydov
    • D. Zaporozhets

    Confirmed Invited Speakers (as of March 1, 2019):

    • Alexander Bufetov
    • Pierre Calka
    • Nicolas Chenavier
    • David Coupier
    • Serguei Dachian
    • Sergey Foss
    • Friedrich Goetze
    • Francesca Greselin
    • Julian Grote
    • Anna Gusakova
    • Raphael Lachieze-Rey
    • Guenter Last
    • Alexander Litvak
    • Julien Randon-Furling
    • Zhan Shi
    • Evgeny Spodarev
    • Joseph Yukich
    • Vladislav Vysotsky
    • Elisabeth Werner
    • Sergei Zuyev

    Local coordinators:
    Nadia Zaleskaya, Tatiana Vinogradova, Natalia Kirshner:
    eimiadm[at]imi.ras.ru

    posted in Stochastic Geometry read more
  • Geo-Sci-Info

    Capture du 2019-07-16 12-25-33.png

    OFFICIAL WEBSITE

    Les Rencontres de Probabilités 2019 à Rouen constituent un événement satellite du congrès International Congress on Industrial and Applied Mathematics à Valence. Il s'agit également de l'édition 2019 étendue à une semaine des Rencontres de Probabilités qui sont organisées chaque année à Rouen depuis près de 20 ans sur les thèmes de la mécanique statistique et des systèmes de particules.

    Les thèmes principaux représentés cette année sont la géométrie aléatoire, l'analyse d'algorithmes et les systèmes de particules. Le programme comprendra des cours et des exposés sur chacun des trois domaines, ce qui permettra de réunir des spécialistes internationaux des différentes communautés et de renforcer les interactions entre elles. La participation des jeunes chercheurs est particulièrement encouragée.

    L'inscription est gratuite mais obligatoire.

    Dates :

    23-27 septembre 2019

    Lieu :

    Université de Rouen Normandie, site du Madrillet,

    UFR des Sciences et Techniques, Amphi D

    Télécharger l'affiche

    Orateurs

    Mini-cours

    • Valentin Féray, Universität Zürich
    • Claudio Landim, CNRS/Université de Rouen Normandie & IMPA Rio
    • Dieter Mitsche, Université Jean-Monnet-Saint-Étienne
    • Matthias Reitzner, Universität Osnabrück
    • Cristina Toninelli, CNRS/Université Paris Dauphine

    Exposés pléniers

    • Imre Bárány, Hungarian Academy of Sciences
    • Peter Bürgisser, Technische Universität Berlin
    • Vincent Cohen-Addad, CNRS/Sorbonne Université
    • Giambattista Giacomin, Université Paris Diderot
    • Patricia Gonçalves, Universidade de Lisbon
    • Jean-Baptiste Gouéré, Université de Tours
    • Thierry Lévy, Sorbonne Université
    • Ralph Neininger, Goethe-Universität Frankfurt
    • Cyril Nicaud, Université Paris-Est Marne-la-Vallée
    • Frank Redig, Technische Universiteit Delft
    • Viet Chi Tran, Université de Lille
    • Dimitrios Tsagkarogiannis, Università dell’Aquila

    Comités

    Comité scientifique

    • Thierry Bodineau, CNRS/École Polytechnique
    • Anna de Masi, Universita di L'Aquila
    • Jean-François Marckert, CNRS/Université de Bordeaux
    • Brigitte Vallée, CNRS/Université de Caen Normandie
    • Joseph E. Yukich, Lehigh University

    Comité d'organisation

    • Pierre Calka, Université de Rouen Normandie
    • Nathanaël Enriquez, Université Paris-Sud
    • Xavier Goaoc, Université de Lorraine
    • Mustapha Mourragui, Université de Rouen Normandi
    • Ellen Saada, CNRS/Université Paris Descartes

    Équipe locale

    • Edwige Auvray, CNRS/Université de Rouen Normandie
    • Pierre Calka, Université de Rouen Normandie,
    • Nicolas Forcadel, INSA Rouen Normandie
    • Sandrine Halé, Université de Rouen Normandie
    • Mustapha Mourragui, Université de Rouen Normandie
    • Hamed Smail, Université de Rouen Normandie

    Capture du 2019-07-16 12-31-38.png

    posted in Rouen Probability Meeting read more
  • Geo-Sci-Info

    Two NSF/NIH funded postdoc positions are available in the following fields:

    -Computational or applied topology/geometry/graph/algebra

    -Machine learning/deep learning

    -AI-based drug design and discovery

    -Computational biophysics

    Ideal candidates should have experience in code development, have demonstrated the potential for excellence in research, and hold a recent Ph.D. degree in either mathematics, computer science, computational biophysics, computational chemistry, or bioinformatics. The selected candidates will be teamed up with top performers in recent D3R Grand Challenges, a worldwide competition series in computer-aided drug design. Salary depends on experience but will be at least $47.5k. The positions enjoy standard faculty health benefit. Please send CV to weig [at] msu.edu.

    posted in Jobs offers - Call for projects read more
  • Geo-Sci-Info

    2 Ph.D. students in Machine Learning at Lund University (Sweden).

    Position type: Ph.D. scholarship
    Research area: Machine Learning
    Start: September 2019 or later
    Duration: 4 years
    Where: Lund University - CS department
    Application closing date: July 29, 2019
    Supervisor: Professor Luigi Nardi (luigi.nardi [at] cs.lth.se)
    Position description: https://lu.varbi.com/en/what:job/jobID:280143/

    These projects, financed by WASP (Wallenberg AI, Autonomous System and Software Programme), aim at introducing innovative algorithms and methodologies to overcome the limitations of multi-objective black-box optimization. They are part of a collaboration with Stanford University. The students will be encouraged to apply to the WASP exchange program with Stanford to work closely with collaborators.

    Apply here.
    Topics of interest:

    Black-box optimization
    Derivative-free optimization (DFO)
    Bayesian optimization
    Algorithm configuration and selection
    Active learning
    Automated machine learning (AutoML)
    Neural architecture search (NAS)
    Hyperparameter optimization
    Learning to learn
    Meta learning and transfer learning
    Reinforcement learning (RL)
    Optimization of neural networks
    Evolutionary algorithms (EA)
    Discrete optimization and NP-hard problem solving
    Data-driven analysis of algorithms, hyperparameter importance, etc.

    Some applications of interest:
    Image classification, Natural Language Processing (NLP), Simultaneous localization and mapping (SLAM), Design space exploration (DSE), Optimizing compilers, Hardware design: CPU, GPU, FPGA, CGRA, ASIC.

    posted in Jobs offers - Call for projects read more
  • Geo-Sci-Info


    Open post-doc position at Géoazur in collaboration with Inria, at Sophia
    Antipolis, France, in the research area: Curvilinear network detection
    on satellite images using AI, stochastic models and deep learning.

    EXTENDED Submission deadline July 31, 2019

    Open Position for a post-doc scientist at Géoazur
    (https://geoazur.oca.eu/fr/acc-geoazur) in collaboration with Inria
    (https://www.inria.fr/en/centre/sophia), at Sophia Antipolis (Nice
    region), France, in the area of Computer Vision, Deep Learning and
    Remote Sensing applied to curvilinear detection on both optical and SAR
    satellite images (project abstract below).
    Both Geoazur and Inria Sophia Antipolis are ideally located in the heart
    of the French Riviera, inside the multi-cultural silicon valley of
    Europe (ie. Sophia-Antipolis, see
    https://en.wikipedia.org/wiki/Sophia_Antipolis).

    This position is funded by University Côte d'Azur (UCA, see
    http://univ-cotedazur.fr/en#.XOforoWTpT4).

    Duration: 18 months
    Starting date: between September 1st and December 1st 2019.
    Salary: gross salary per month 3000 EUR (ie. approximately 2400 EUR net)

    Please see full announcement
    https://faultsrgems.oca.eu/images/FAULT/News/Post-doc_offer-AI-ManighettiZerubia.pdf,
    or on https://euraxess.ec.europa.eu/jobs/411481

    Candidate profile

    Strong academic backgrounds in Stochastic Modeling, Deep Learning,
    Computer Vision, Remote Sensing and Parallel Programming with GPUs
    and/or multicore CPUs. A decent knowledge of Earth and telluric features
    (especially faults) will be appreciated.

    To apply, please email a full application to both Isabelle Manighetti
    (manighetti[at]geoazur.unice.fr) and Josiane Zerubia
    (josiane.Zerubia[at]inria.fr), indicating “UCA-AI-post-doc” in the e-mail
    subject.

    The application should contain:

    • a motivation letter demonstrating motivation, academic strengths
      and related experience to this position.
    • CV including publication list
    • at least two major publications in pdf
    • minimum 2 reference letters

    Project abstract

    Curvilinear structure networks are widespread in both nature and
    anthropogenic systems, ranging from angiography, earth and environment
    sciences, to biology and anthropogenic activities. Recovering the
    existence and architecture of these curvilinear networks is an essential
    and fundamental task in all the related domains. At present, there has
    been an explosion of image data documenting these curvilinear structure
    networks. Therefore, it is of upmost importance to develop numerical
    approaches that may assist us efficiently to automatically extract
    curvilinear networks from image data.

    In recent years, a bulk of works have been proposed to extract
    curvilinear networks. However, automated and high-quality curvilinear
    network extraction is still a challenging task nowadays. This is mainly
    due to the network shape complexity, low-contrast in images, and high
    annotation cost for training data. To address the problems aroused by
    these difficulties, this project intends to develop a novel,
    minimally-supervised curvilinear network extraction method by combining
    deep neural networks with active learning, where the deep neural
    networks are employed to automatically learn hierarchical and
    data-driven features of curvilinear networks, and the active learning is
    exploited to achieve high-quality extraction using as few annotations as
    possible. Furthermore, composite and hierarchical heuristic rules will
    be designed to constrain the geometry of curvilinear structures and
    guide the curvilinear graph growing.

    The proposed approach will be tested and validated on extraction of
    tectonic fractures and faults from a dense collection of satellite and
    aerial data and “ground truth” available at the Géoazur laboratory in
    the framework of the Faults_R_Gems project co-funded by the University
    Côte d’Azur (UCA) and the French National Research Agency (ANR). Then we
    intend to apply the new automatic extraction approaches to other
    scenarios, as road extraction in remote sensing images of the Nice
    region, and blood vessel extraction in available medical image databases.

    posted in Jobs offers - Call for projects read more
  • Geo-Sci-Info

    CaptureML.PNG
    JOB Announcement

    MEDIAN WEBSITE

    Depuis 2002, Median Technologies repousse les limites de l'identification, de l'interprétation, de l'analyse et de la communication des données d'imagerie pour le monde médical. Le cœur de notre activité est le développement de logiciels et de plateformes innovants d’imagerie pour les essais cliniques en oncologie, l’aide au diagnostic et le suivi des patients atteints de cancers ; ces logiciels ont pour but d’améliorer la prise en charge des patients souffrant de cancers en aidant à l’identification des pathologies, à la mise au point et à la sélection de thérapies adaptées aux patients (médecine de précision).

    Notre activité est à la convergence de plusieurs disciplines telles que la médecine, l’imagerie médicale et les technologies de l’information. Nos collaborateurs possèdent des expertises scientifiques (intelligence artificielle, sciences des données), techniques (logiciel, cloud computing), médicales, réglementaires, et de business development toutes utilisées dans le développement et la mise sur le marché de nos applications et des services qui leur sont associés. Dans notre travail quotidien, nous sommes guidés par quatre valeurs, toutes fondamentales pour nous :
    • Donner du sens à l’innovation
    • Aider nos clients à atteindre leurs objectifs
    • Mettre la qualité au cœur de notre savoir-être et de notre savoir-faire
    • Penser aux patients

    Aujourd’hui, nous sommes 90 personnes principalement localisées au siège social de Median sur la technopôle de Sophia-Antipolis (Côte d’Azur), mais également aux Etats-Unis et en Chine où nous avons des filiales. Nous travaillons dans un contexte international et multiculturel particulièrement attractif et épanouissant.

    Dans le cadre de notre recherche et développement en Intelligence Artificielle appliquée à l’imagerie médicale, nous recherchons : un Ingénieur de Recherche “Data Science and Machine Learning », H/F

    Intégré dans une équipe de recherche et développement multidisciplinaire au sein du projet iBIOPSY®, vous êtes un scientifique en recherche et développement de solutions innovantes d’imagerie médicale utilisant le Machine Learning et d’autres méthodes d’IA.

    L’imagerie médicale est l’un des domaines les plus dynamiques du Machine Learning. Nous recherchons un Scientifique / ingénieur expérimenté passionné, dynamique, et organisé avec une forte expérience en Machine Learning, d’excellentes compétences en communication pour s’épanouir au cœur de l’innovation technologique.

    Présentation des activités et tâches principales associées au poste
    o Poste sous la supervision du Chief of Science and Innovation Officer

    o Responsabilités :

    1. Vous travaillerez sur la recherche d’images par le contenu dans l’imagerie médicale. Vous construirez des services de moteur de recherche performants pour des applications cliniques.

    2. Vous utiliserez vos connaissances en intelligence artificielle et Machine Learning scientifiques pour développer des biomarqueurs solides et innovants, sur la base de données provenant de systèmes d’imagerie médicale tels que IRM et CT scanners, et autres sources de données.

    3. Votre travail impliquera la recherche et le développement en mode Agile d’algorithmes et systèmes innovants en Machine Learning. Etant au cœur de l'innovation de notre organisation, vous participerez activement à l’exploration, le suivi de l’évolution, l'évaluation et l'exploitation de technologies révolutionnaires, ainsi que l’émergence de nouvelles tendances industrielles, académiques et technologiques.

    4. Vous travaillerez en collaboration avec l’équipe de développement de logiciel ainsi que l’équipe de science clinique.

    5. En outre, vous transmettrez vos connaissances technologiques et partagerez idées et bonnes pratiques entre les équipes. Vous générerez de la propriété intellectuelle pour l'entreprise. Vous rédigerez des articles scientifiques (peer reviewed papers) et présenterez des résultats lors de conférences industrielles/scientifiques.

    6. Nous attendons de vous le développement de solutions d’imagerie révolutionnaires, basées sur l’intelligence artificielle et s’appuyant sur de l’informatique dématérialisé ; l’application de techniques supervisées et non supervisées de Machine Learning pour créer de la valeur depuis des bases de données d’images et de données cliniques générées par nos partenaires en recherche médicale et de l’industrie pharmaceutique. Ces systèmes et services basés sur l’intelligence artificielle iront au-delà de l’analyse d’image pour transformer la pratique médicale et le développement de médicaments.

    o Les responsabilités incluent également la gestion et l’engagement vis-à-vis de nos partenaires technologiques stratégiques.

    Profil sollicité
    o Formation : Maîtrise ou Doctorat en Mathématiques, Science Informatique, ou domaines équivalents.

    o Principales compétences et expériences requises :
    • Minimum 2 ans d’expérience pertinente en (Deep) Machine Learning.
    • Expérience en Medical Imaging, CT/MRI, signatures d’image, Extraction d’informations visuelles à grande échelle, techniques de sélection.
    • Expérience pertinante en Python, R, DL frameworks (i.e. Pytorch, Keras, Tensorflow) et packages standard comme Scikit-learn, Numpy, Scipy, Pandas
    • Modèles d’inférence de structure de données, clustering, cartographie
    • Extraction multimodale.
    • Auteur sur des recherches associées (publications/conférences).
    • Solide expérience en technologies OpenSource pour accélérer l’innovation

    o Connaissances :
    • Connaissance technique approfondie en IA, Deep Learning et en vision artificielle
    • Solides connaissances fondamentales en traitement de données statistiques, techniques de régression, réseaux de neurones, arbres de décision, classification, reconnaissance de formes, théorie des probabilités, systèmes stochastiques, inférence bayésienne, techniques statistiques et réduction de la dimensionnalité.

    o Compétences additionnelles :
    • Fortes aptitudes relationnelles, de communication et de présentation, ainsi que la capacité à travailler en équipe
    • Maîtrise de l’anglais oral et écrit

    Eléments du contrat
    o Poste basé à : Sophia-Antipolis, France
    o Type de contrat : CDI
    o Date de début du contrat : au plus tôt
    o Rémunération : à négocier selon profil

    Avantages offerts par la société
    o Tickets restaurant
    o Restaurant d’entreprise
    o Mutuelle d’entreprise
    o Cadre épanouissant

    Pourquoi nous rejoindre ?
    o Rejoignez une société internationale, multiculturelle et en pleine croissance
    o Soyez au cœur de l’innovation

    Capture.PNG

    posted in Jobs offers - Call for projects read more
  • Geo-Sci-Info

    CaptureCL.PNG
    POSITION - PDF

    MEDIAN WEBSITE

    Depuis 2002, Median Technologies repousse les limites de l'identification, de l'interprétation, de l'analyse et de la communication des données d'imagerie pour le monde médical. Le cœur de notre activité est le développement de logiciels et de plateformes innovants d’imagerie pour les essais cliniques en oncologie, l’aide au diagnostic et le suivi des patients atteints de cancers ; ces logiciels ont pour but d’améliorer la prise en charge des patients souffrant de cancers en aidant à l’identification des pathologies, à la mise au point et à la sélection de thérapies adaptées aux patients (médecine de précision).

    Notre activité est à la convergence de plusieurs disciplines telles que la médecine, l’imagerie médicale et les technologies de l’information. Nos collaborateurs possèdent des expertises scientifiques (intelligence artificielle, sciences des données), techniques (logiciel, cloud computing), médicales, réglementaires, et de business development toutes utilisées dans le développement et la mise sur le marché de nos applications et des services qui leur sont associés. Dans notre travail quotidien, nous sommes guidés par quatre valeurs, toutes fondamentales pour nous :
    • Donner du sens à l’innovation
    • Aider nos clients à atteindre leurs objectifs
    • Mettre la qualité au cœur de notre savoir-être et de notre savoir-faire
    • Penser aux patients

    Aujourd’hui, nous sommes 90 personnes principalement localisées au siège social de Median sur la technopôle de Sophia-Antipolis (Côte d’Azur), mais également aux Etats-Unis et en Chine où nous avons des filiales. Nous travaillons dans un contexte international et multiculturel particulièrement attractif et épanouissant.

    Dans le cadre de notre recherche et développement en Intelligence Artificielle appliquée à l’imagerie médicale, nous recherchons : Ingénieur de Recherche “Data Structuring and Clustering” H/F

    Intégré dans une équipe de recherche et développement multidisciplinaire au sein du projet iBIOPSY®, vous êtes un scientifique en recherche et développement de solutions innovantes d’imagerie médicale utilisant le Machine Learning et d’autres méthodes d’IA.

    L’imagerie médicale est l’un des domaines les plus dynamiques du Machine Learning. Nous recherchons un Scientifique / ingénieur expérimenté passionné, dynamique, et organisé avec une forte expérience en Machine Learning, d’excellentes compétences en communication pour s’épanouir au cœur de l’innovation technologique.

    Présentation des activités et tâches principales associées au poste
    o Poste sous la supervision du Chief of Science and Innovation Officer

    o Responsabilités :

    1. Vous travaillerez sur des techniques de classification de données évolutives, et développerez votre savoir-faire pour l’acquisition de connaissances et l’exploration vers des biomarqueurs robustes. Vous conduirez des études de validation de classification.

    2. Vous travaillerez sur l’extraction à grande échelles d’images par le contenu dans l’imagerie médicale. Vous construirez des services de moteur de recherche performants pour des applications cliniques et contribuerez à développer des biomarqueurs solides et révolutionnaires pour une médecine personnalisée.

    3. Votre travail impliquera la recherche et le développement en mode Agile d’algorithmes et systèmes innovants en Machine Learning. Etant au cœur de l'innovation de notre organisation, vous participerez activement à l’exploration, le suivi de l’évolution, l'évaluation et l'exploitation de technologies révolutionnaires, ainsi que l’émergence de nouvelles tendances industrielles, académiques et technologiques.

    4. Vous travaillerez en collaboration avec l’équipe de développement de logiciel ainsi que l’équipe de science clinique.

    5. En outre, vous transmettrez vos connaissances technologiques et partagerez idées et bonnes pratiques entre les équipes. Vous générerez de la propriété intellectuelle pour l'entreprise. Vous rédigerez des articles scientifiques (peer reviewed papers) et présenterez des résultats lors de conférences industrielles/scientifiques.

    6. Nous attendons de vous le développement de solutions d’imagerie révolutionnaires, basées sur l’intelligence artificielle et s’appuyant sur de l’informatique dématérialisé ; l’application de techniques supervisées et non supervisées de Machine Learning pour créer de la valeur depuis des bases de données d’images et de données cliniques générées par nos partenaires en recherche médicale et de l’industrie pharmaceutique. Ces systèmes et services basés sur l’intelligence artificielle iront au-delà de l’analyse d’image pour transformer la pratique médicale et le développement de médicaments.

    o Les responsabilités incluent également la gestion et l’engagement vis-à-vis de nos partenaires technologiques stratégiques.

    Profil sollicité
    o Formation : Maîtrise ou Doctorat en Mathématiques, Science Informatique ou domaines équivalents.

    o Principales compétences et expériences requises :
    • Minimum 5 ans d’expérience pertinente en (Deep) Machine Learning.
    • Expérience en Medical Imaging, CT/MRI, signatures d’image, Extraction d’informations visuelles à grande échelle, techniques de sélection.
    • Expérience pertinante en Python, R, DL frameworks (i.e. Pytorch, Keras, Tensorflow) et packages standard comme Scikit-learn, Numpy, Scipy, Pandas
    • Modèles d’inférence de structure de données, clustering, cartographie
    • Extraction multimodale.
    • Auteur sur des recherches associées (publications/conférences).
    • Solide expérience en technologies OpenSource pour accélérer l’innovation

    o Connaissances :
    • Connaissance technique approfondie en IA, Deep Learning et en vision artificielle
    • Solides connaissances fondamentales en traitement de données statistiques, techniques de régression, réseaux de neurones, arbres de décision, classification, reconnaissance de formes, théorie des probabilités, systèmes stochastiques, inférence bayésienne, techniques statistiques et réduction de la dimensionnalité.
    o Compétences additionnelles :
    • Fortes aptitudes relationnelles, de communication et de présentation, ainsi que la capacité à travailler en équipe
    • Maîtrise de l’anglais oral et écrit

    Eléments du contrat
    o Poste basé à : Sophia-Antipolis, France
    o Type de contrat : CDI
    o Date de début du contrat : au plus tôt
    o Rémunération : à négocier selon profil

    Avantages offerts par la société
    o Tickets restaurant
    o Restaurant d’entreprise
    o Mutuelle d’entreprise
    o Cadre épanouissant

    Pourquoi nous rejoindre ?
    o Rejoignez une société internationale, multiculturelle et en pleine croissance
    o Soyez au cœur de l’innovation

    Capture.PNG

    posted in Jobs offers - Call for projects read more

Internal error.

Oops! Looks like something went wrong!