Bandeau du Laboratoire d'Informatique & Systèmes (LIS)

Offre de these

Doctorat : PhD. grants in the machine learning (QARMA) team

Candidature avant : 01/09/2022

Modalité :
Contact thierry.artieres@lis-lab.fr

Résumé :
Multiple doctoral grants are available in the QARMA team for PhD starting on September 2022: - Multimodal Fair Learning - Machine Learning and deep Learning for Astrophysics - Deep Learning for understanding sound representations in the brain - Studying neuronal bases of voice information processing with machine learning More details on https://qarma.lis-lab.fr/open-positions/phd-offers-starting-september-2022/



Doctorat : PhD. grants in the machine learning (QARMA) team

Candidature avant : 01/09/2022

Modalité :
Contact thierry.artieres@lis-lab.fr

Résumé :
Multiple doctoral grants are available in the QARMA team for PhD starting on September 2022: - Multimodal Fair Learning - Machine Learning and deep Learning for Astrophysics - Deep Learning for understanding sound representations in the brain - Studying neuronal bases of voice information processing with machine learning More details on https://qarma.lis-lab.fr/open-positions/phd-offers-starting-september-2022/



Fichier PDF   Doctorat : Design optimal du réseau maritime

Candidature avant : 15/06/2022

Modalité :
La personne recherchée devra être titulaire d'un Master 2 ou un diplôme d’ingénieur avec de solides compétences en informatique (notamment en algorithmique et programmation), intelligence artificielle, programmation par contraintes, optimisation combinatoire et/ou recherche opérationnelle. Une expertise en modélisation sera un plus apprécié. Les candidatures doivent être déposées avant le 15 juin 2022 sous la forme d'un unique fichier pdf envoyé par courriel à Cyril Terrioux (cyril.terrioux@univ-amu.fr).

Résumé :
Cette thèse porte sur le développement d'algorithmes d'optimisation permettant de définir le design optimal d'un réseau maritime. Elle s'effectuera en partenariat avec la CMA CGM dans le cadre du projet Transformation Numérique du Transport Maritime (TNTM) financé par le PIA (Programme d'Investissement pour l'Avenir).



Fichier PDF   Doctorat : Apprentissage profond basé sur la conception de modèles efficaces : applications à la surveillance maritime

Candidature avant : 05/06/2022

Modalité :
Pour candidater, veuillez envoyer votre CV, relevés de notes avec qualifications et informations pertinentes, à Thanh Phuong NGUYEN (tpnguyen@univ-tln.fr) et Yassine ZNIYED (zniyed@univ-tln.fr). Compétences attendues : Un candidat autonome et très motivé est sollicité avec un fort intérêt pour le domaine des méthodes mathématiques avancées appliquées au traitement du signal et l’apprentissage automatique. Une formation solide en traitement du signal, mathématiques appliqués, machine learning ou informatique. Une bonne maîtrise des algorithmes d’apprentissage automatique, notamment les réseaux de neurones. De bonnes compétences en programmation python sont requises. La connaissance des frameworks d\\\'apprentissage (PyTorch, tensorflow, tensorly, etc.) est un plus souhaitable. Le candidat doit avoir de bonnes capacités en communication orale et écrite.

Résumé :
Dans le cadre de cette thèse, nous nous concentrerons sur la compression des réseaux de neurones en réduisant les besoins en stockage, en consommation d'énergie, et complexité de calcul dans la phase d'inférence des réseaux de neurones sans que cela n'affecte leur précision.



Fichier PDF   Doctorat : Vers la découverte automatique de zones d’intérêt dans le domaine du transport maritime

Candidature avant : 05/06/2022

Modalité :
Profil du candidat : • Titulaire d’un master 2 ou diplôme d’ingénieur en informatique • Solides compétences en apprentissage automatique (machine learning) • Solides compétences en programmation objet et bases de données (python est un plus) • Bonne expérience en statistiques • Connaissances sur les SIG • Bonne communication orale et écrite en français et anglais Les candidatures doivent être adressées à : etienne.thuillier@univ-amu.fr, sana.sellami@univ-amu.fr et omar.boucelma@univ-amu.fr -CV détaillé -Lettre de motivation -Détails des deux derniers relevés de notes (notamment M1 et M2) -Lettres de recommandation

Résumé :
Le contexte scientifique de cette thèse relève du Trajectory (Data) Mining, i.e., un ensemble de techniques visant à explorer, analyser, et fouiller des données spatio-temporelles issues des trajectoires d’objets mobiles. L'objectif de cette thèse est de développer des modèles pour l'identification des ZOI et leur emprise spatiale à partir des trajectoires spatio-temporelles des conteneurs et la classification de ces ZOI en fonction des informations contextuelles et des connaissances métier de notre partenaire industriel dans le projet TNTM.



Fichier PDF   Doctorat : Modèle de performance des navires basé sur la simulation et les données : Application à un ensemble de navires.

Candidature avant : 02/05/2022

Modalité :
Le candidat doit être titulaire d’un diplôme d’ingénieurs ou d’un Master (M2) en automatique, sciences des données, mathématiques ou informatique avec de bonnes connaissances en Machine learning ainsi que la maîtrise des approches. Contacts : Hassan NOURA (hassan.noura@lis-lab.fr) Guillaume GRATON (guillaume.graton@lis-lab.fr) El Mostafa EL ADEL (el-mostafa.el-adel@lis-lab.fr)

Résumé :
Cette thèse s’inscrit dans le cadre du projet TNTM (Transformation Numérique du Transport Maritime) inscrit au PIA (Programme d'Investissements d'Avenir). Ce projet a pour but de répondre à plusieurs problématiques inhérentes au transport maritime avec • l’optimisation des différentes étapes de la partie maritime de la chaîne logistique, à savoir l’affectation optimale d’une flotte de navires sur un réseau, le remplissage optimal de conteneurs dans un navire, le routage optimal de navires en prenant en compte les contraintes environnementales ; • l’utilisation de données de monitoring pour améliorer les performances navires ; • l’optimisation des flux logistiques grâce aux données (IoT) conteneurs. Cette thèse se focalisera sur la performance des navires.



Fichier PDF   Doctorat : Using deep learning to study children’s communication development across cultures

Candidature avant : 30/04/2022

Modalité :
The candidate should have a master degree (M2) or engineering diploma with strong training (and ideally research experience) in machine learning and more specifically deep-learning models of NLP and Computer Vision. Genuine interest in Cognitive Science is a bonus. The applications should be sent before the end of April 2022 (see pdf for the required documents). But the earlier applications will enjoy better odds of being selected. Applications (and inquiries) should be sent to Abdellah Fourtassi (abdellah.fourtassi@univ-amu.fr)

Résumé :
The broad goal of the PhD researcher is to lead the development of deep learning models of child multimodal communication using Zoom recordings of children and their parents across several cultures. Our team is interested in studying children's learning of various conversational skills including turn-taking dynamics, mechanisms of building shared understanding (i.e., communicative grounding), multimodal synchronization, and discourse coherence/contingency. We are also interested in the application of this research both to help design more effective clinical interventions (for children with communicative difficulties) and to build child-oriented conversational AI. The selected candidate can focus on one or several of these dimensions, defining a research program together with the main advisor. More information in this link https://cocodev1.gitlab.io/website/2022/02/27/phd-model



Fichier PDF   Doctorat : Offre de thèse "Frugal Models and Algorithms for Machine Learning", Qarma, LIS + I2M

Candidature avant : 01/10/2021

Modalité :
Les dossiers de candidature sont à envoyer pour le 2 mai. Voir détails dans l'offre.

Résumé :
Voici une offre de thèse en machine learning sur le thème "Frugal Models and Algorithms for Machine Learning", coencadrée par Valentin Emiya (Qarma, LIS) et Caroline Chaux (I2M). Détails de l'offre: https://bit.ly/2RUbeuG .



Fichier PDF   Doctorat : AI-assisted prognostics and health management for fuel cell electric vehicles

Candidature avant : 30/04/2021

Modalité :
• Graduated or graduating in relevant disciplines (automatic control/electrical engineering/computer science); • Great academic score; • Solid background and/or research experiences in automatic control and/or machine learning; • Great interest in electric vehicles and artificial intelligence; • Good master of Matlab and Python; • Solid skills on experimental manipulations (electromechanical systems, power converters, embedded control systems, etc…); • Fluent English, oral and written communications (meetings, seminars, conferences) • Self-learning ability, autonomy, initiative.

Résumé :
Fuel cell electric vehicles (FCEV) has been considered as one of the ideal alternatives of various vehicles thanks to the attractive properties such as high power density, high efficiency and zero on-board emission. Despite the advantages, fuel cells (FCs), as principle power sources in FCEVs, are still suffering from low durability which is considered as the bottleneck of the FCEVs. From some recent studies, it is found that the low FC durability, in most cases, has been due to the system operation issues rather than the problems in the FCs themselves. With this in mind, it is necessary to operate FCs properly and in favour of the FC durability enhancement. Due to the complex physical and chemical processes and the highly uncertain FC operating conditions, the access of FC internal degradation state and the prediction of its evolution, which are two key elements for optimizing FC operation, have been considered as two challenging issues. This PhD project is therefore oriented to developing tools to handle the prognostics and health management (PHM) for FCEVs. Specifically, the objective of the PhD project is twofold: 1) develop AI-assisted self-cognizant tools to identify and predict FC intrinsic degradation indices; 2) develop a control-oriented self-adaptable model for FC systems targeting at durability enhancement control. This PhD project is a part of project DEAL (https://deal.lis-lab.fr/) funded by French National Research Agency (ANR). The PhD work will be carried out in two CNRS labelled laboratories: LIS (CNRS 7020) located in Marseille and FEMTO-ST (CNRS 6174) in Belfort.



Fichier PDF   Doctorat : Intelligent durability enhancement control for fuel cell electric vehicles

Candidature avant : 30/04/2021

Modalité :
• Graduated or graduating in relevant disciplines (automatic control/electrical engineering/computer science); • Great academic score; • Solid background and/or research experiences in automatic control and/or machine learning; • Great interest in electric vehicles and artificial intelligence; • Good master of Matlab and Python; • Solid skills on experimental manipulations (electromechanical systems, power converters, embedded control systems, etc…); • Fluent English, oral and written communications (meetings, seminars, conferences) • Self-learning ability, autonomy, initiative.

Résumé :
Battery based electric vehicles (EVs) suffer from long recharging cycle, heavy weight, and limited driving range which have been considered as the essential limits of battery and cannot be perfectly resolved. Compared with battery based EVs, fuel cell (FC) EVs, with shorter repose (recharging) time, lighter weight, less well-to-wheels energy consumption (within the same driving range), have been considered as one of the ideal alternatives of various vehicles. Despite the advantages, FCs, as principle power sources in FCEVs, are still suffering from low durability which is considered as the bottleneck of the FCEVs. Among various solutions, optimizing FC system control is a key factor for improving FC durability. This PhD project aims at improving the durability of FCs applied in heavy-duty vehicles by exploring self-cognizant optimal control. To achieve this, the thesis will generally involve twofold work: 1) develop online learning function for FC system model in consideration of FC degradation and the uncertainty of operating conditions; 2) develop learning-based durability enhancement control. This PhD project is a part of project DEAL (https://deal.lis-lab.fr/) funded by French National Research Agency (ANR). The PhD work will be carried out in two CNRS labelled laboratories: LIS (CNRS 7020) located in Marseille and FEMTO-ST (CNRS 6174) in Belfort.