Post doc positions

Tow years post doc positon in Machine Learning and NeuroSciences in Marseille

Deadline : June 11th 2017

Contact me

The Machine Learning team (QARMA, https://qarma.lif.univ-mrs.fr/) of the Computer Science Lab at Aix-Marseille university and the Institute on Neurosciences of La Timone (INT) are looking for a postdoctoral research associate to join our teams to work on machine learning research applied to neuroscience data and tasks.

The QARMA team focuses on statistical machine learning. It gathers about ten researchers with complementary skills on signal processing, theoretical and applied machine learning, computer science. They focus on few fundemantal research axis like signal processing and machine learning, machine learning theory, and deep learning and on applied research related to neuroscience and to natural language processing.

This project is research focused and part of the ILCB project (http://www.ilcb.fr/about.html) which constitutes a major initiative in Cognitive Science that aims to explore the neural basis of human language and communication by studying the components of L&C and proposing unifying models and architectures. The originality and ambition of the ILCB lies in the integration of a wide range of disciplines, methodologies and experimental techniques that all contribute to the description of human language processing and communication (as paradigmatic examples of high-level cognitive functions) in laboratory and naturalistic settings.

  • Project objectives*

Research projects could address machine learning questions applied to existing neuroscience problems and data, or be more theoretical with potential links with neuroscience. In particular we are interested in learning common representation space for handling inter-subject variability, and in enabling transfer to incoming subjects. Research themes could include, but are not limited to : - Deep learning and representation learning - Learning from few samples - Learning on spatio-temporal data - Multi-view, multi-task, multi-source learning, eventually with missing data - Learning on graphs or learning from graphs - Neuroscience insights for machine learning models

  • Applications*

Candidates should have a PhD in Computer Science, Mathematics, Electrical Engineering or related field. An established expertise in Machine Learning, Deep learning, Neuroscoentific data is desired with an ability to think of innovative solutions. Specific skills sought after include:

  • Experience in machine learning
  • Strong interest in deep learning techniques
  • Ability to work with large datasets
  • Experience with common data science and deep learning toolkits such as scikit-learn, Theano, TensorFlow, Lasagne, Keras, etc.
  • Strong interest in the combination of theoretical and experimental research.
  • Communicative, enthusiastic and good a team player.
  • Advantages*

This position is ideally suited for somebody who wants to demonstrate his/her expertise in a highly focused and interdisciplinary project that will deliver high impact publications. This is a career enhancer that will allow the candidate to gain international visibility.

Applications should be accompanied by a full CV and a statement of how you envisage your role. The position is for 2 years (1 year, extendable for another year).

The full job advert is here : http://www.ilcb.fr/postdoctoral-positions.html

Contact Prof thierry.artieres@lif.univ-mrs.fr for clarification and informal inquiries on how to apply. Deadline for applications: June 11th 2017


Stages / Internships

Les sujets suivants sont modulables. Ils peuvent être reconfigurés en stage court d'étudiants de Centrale 2A (notamment après l'option SISN), en stage long ingénieur pour des étudiants de centrale 3A (option OMIS), et en stage long de M2 Recherche.

 * Apprentissage profond et Neurosciences)

Contact : thierry.artieres@centrale-marseille.fr

 * Evaluation d'architectures profondes avec apprentissage d'attributs

Ce sujet de stage s'inscrit dans le contexte de la classification automatique des images. De nombreux travaux se sont intéressés à la problématique de l'indexation sémantique des images, nécessitant de mettre en oeuvre un tâche de classification pour associer une ou plusieurs classes à une image à partir de descripteurs d’images (couleur, forme, texture). Nous nous intéressons ici au cas où les classes d'images sont associées à une description sémantique, appelées "attributs" caractérisant ces classes.

L'utilisation d'attributs pour modéliser des classes permet d'apprendre des modèles en tenant compte de descriptions de haut niveau. Les données d'apprentissage sont alors représentées dans un espace d'attributs et donnent ainsi la possibilité de construire des modèles intelligibles par un humain. Ce paradigme d'apprentissage est notamment utilisé pour parvenir à un apprentissage sans examples d'apprentissage ("zero-shot learning"). Par exemple, le jeu de données Animals-With-Attributes (AwA) met en relation des classes d'animaux (chien, chat, cheval, ours, …) avec des attributs caractérisant ces animaux (grand, petit, rapide, lent, rayé, vole, nage, …).

Ces dernières années, des travaux ont donné lieu à un regain d'intérêt pour les modèles à base de réseaux de neurones. En particulier, des avancées algorithmiques permettent de mieux contrôler des architectures profondes (jusqu'à une dizaine de couches) qui se montrent moins sensibles aux choix d'hyperparamètres. En parallèle, les progrès matériels et logiciels rendent possibles une prise en main facile de ces algorithmes. De nombreuses applications bénéficient aujourd'hui de ces avancées : en classification d'images, reconnaissances de la parole, ou compréhension de texte, des améliorations significatives des performances sont observées. L'intérêt de ces approches réside dans leur capacité à construire des représentations au fort pouvoir discriminant. En classification d'images, ces représentations se montrent bien plus efficaces que les descripteurs d'images classiques.

Le but de ce stage est de prendre en main un framework de deep learning (Caffe, Theano, Torch7,..) et d'étudier diverses architectures profondes dans le contexte de l'apprentissage d'attributs. Nous souhaitons ainsi parvenir à tirer parti d'une part de représentations de haut niveau provenant des attributs et apportant l'intelligibilité d'un modèle ; et d'autre part, de représentations efficaces obtenues par apprentissage. L'étudiant pourra s'appuyer sur des publications récentes en computer vision menées sur ces thématiques :

- http://arxiv.org/abs/1411.7766

- http://www.vision.is.tohoku.ac.jp/files/7214/1447/3169/67-Ozeki-ACCV14.pdf

Contact : stephane.ayache@lif.univ-mrs.fr et thierry.artieres@centrale-marseille.fr


  • Des financements sont disponibles pour la plupart des sujets suivants

Offres courantes

  • Interaction gestuelle et modélisation de séquences (Dans le cadre d'un Projet Européen)
  • Analyse et Inférence dans des Graphes (Dans le cadre d'un projet national ANR)
  • Modélisation d'utilisateurs et modèles à variables latentes (Dans le cadre d'un projet national ANR)
  • Réseaux de neurones profonds et données séquentielles

(sujet Δ)

  • Modèle de communication émotionnelle pour un agent conversationnel animé (sujet Δ) (Dans le cadre d'un projet national ANR)

> Contactez moi pour plus d'information : Thierry.Artieres@lip6.fr

Offres de post-doc


  • Mise en oeuvre de modèles Markoviens génératifs (HMMs) et discriminants (CRFs) pour le traitement de séquences

> Me contacter pour plus de précisions : Thierry.Artieres@lip6.fr