Rejoignez-nous

Post-doctorat

L’objectif de ce post-doc de 2 ans, fruit d’une collaboration entre Mines-Paris PSL et l’ANDRA, est de développer des méthodes statistiques de reconstruction et de prédiction de données spatio-temporelles distribuées sur des surfaces. Ces méthodes seront appliquées à des données de températures  et de déformation issues de capteurs disposés à la surface de prototypes d’alvéoles de stockage de déchets nucléaires Haute-Activité. La personne recrutée sera intégrée à l’équipe de Géostatistique du centre de Géosciences de Mines Paris (Fontainebleau, 77).

Vous trouverez plus d’informations dans l’offre détaillée ci-dessous:

 

 

[Offre pourvue]

L’objectif de cette offre de post-doc de 2 ans dans l’unité BioSP d’INRAE à Avignon est de développer une méthode de simulation jointe de la qualité des eaux et du débit de petits cours d’eau sous changement climatique par combinaison d’approches machine learning et statistiques spatio-temporelles.

Nous recherchons de préférence une personne avec de l’expérience en analyse de données, machine learning et statistiques spatio-temporelles, et avec de bonnes compétences en programmation (R ou Python). Un fort intérêt pour les applications hydro-climatiques et les problématiques liées aux ressources en eau est également souhaité.

Vous trouverez plus d’informations dans l’offre détaillée ci-dessous:

Postdoc_Hydrology_OPE_FR

Postdoc_Hydrology_OPE_EN

Stage

L’objectif de ce stage niveau M1 ou deuxième année d’école d’ingénieur est de développer et valider des architectures de réseaux de neurones profonds pour l’estimation des paramètres de modèles géostatistiques, notamment en contexte contexte spatio-temporel. En effet, lorsque la taille du jeu de données devient trop important, le coût de calcul de la fonction de vraisemblance devient prohibitif. L’idée est ainsi d’entraîner un réseau neuronal à résoudre le problème d’estimation.

Plus d’informations dans l’offre détaillée ci-dessous :

Sujet_stage_likelihood_free

L’objectif de ce stage de niveau M2 est de développer et implémenter des modèles pour les événements extrêmes multivariés en supposant une structure de graphe (connue) représentant les liens entre les différentes variables. Le modèle sera appliqué aux événements extrêmes climatiques (températures, précipitations…) se produisant dans différents zones géographiques (départements, régions…), par exemple en choisissant un graphe représentant la structure des voisinages géographiques des régions.

Vous trouverez plus d’informations dans l’offre détaillée ci-dessous:

Stage-Extrêmes-Geolearning

[Offre pourvue]

L’objectif de ce stage est d’implémenter un générateur stochastique de précipitations selon une approche de type GAN afin de simuler des champs de pluie spatio-temporels à haute résolution ressemblant autant que possible à ceux observés par des radar météorologiques.

Vous trouverez plus d’informations dans l’offre détaillée ci-dessous:

Stage_GAN_Pluie