En savoir plus

A propos des cookies

Qu’est-ce qu’un « cookie » ?

Un "cookie" est une suite d'informations, généralement de petite taille et identifié par un nom, qui peut être transmis à votre navigateur par un site web sur lequel vous vous connectez. Votre navigateur web le conservera pendant une certaine durée, et le renverra au serveur web chaque fois que vous vous y re-connecterez.

Différents types de cookies sont déposés sur les sites :

  • Cookies strictement nécessaires au bon fonctionnement du site
  • Cookies déposés par des sites tiers pour améliorer l’interactivité du site, pour collecter des statistiques

> En savoir plus sur les cookies et leur fonctionnement

Les différents types de cookies déposés sur ce site

Cookies strictement nécessaires au site pour fonctionner

Ces cookies permettent aux services principaux du site de fonctionner de manière optimale. Vous pouvez techniquement les bloquer en utilisant les paramètres de votre navigateur mais votre expérience sur le site risque d’être dégradée.

Par ailleurs, vous avez la possibilité de vous opposer à l’utilisation des traceurs de mesure d’audience strictement nécessaires au fonctionnement et aux opérations d’administration courante du site web dans la fenêtre de gestion des cookies accessible via le lien situé dans le pied de page du site.

Cookies techniques

Nom du cookie

Finalité

Durée de conservation

Cookies de sessions CAS et PHP

Identifiants de connexion, sécurisation de session

Session

Tarteaucitron

Sauvegarde vos choix en matière de consentement des cookies

12 mois

Cookies de mesure d’audience (AT Internet)

Nom du cookie

Finalité

Durée de conservation

atid

Tracer le parcours du visiteur afin d’établir les statistiques de visites.

13 mois

atuserid

Stocker l'ID anonyme du visiteur qui se lance dès la première visite du site

13 mois

atidvisitor

Recenser les numsites (identifiants unique d'un site) vus par le visiteur et stockage des identifiants du visiteur.

13 mois

À propos de l’outil de mesure d’audience AT Internet :

L’outil de mesure d’audience Analytics d’AT Internet est déployé sur ce site afin d’obtenir des informations sur la navigation des visiteurs et d’en améliorer l’usage.

L‘autorité française de protection des données (CNIL) a accordé une exemption au cookie Web Analytics d’AT Internet. Cet outil est ainsi dispensé du recueil du consentement de l’internaute en ce qui concerne le dépôt des cookies analytics. Cependant vous pouvez refuser le dépôt de ces cookies via le panneau de gestion des cookies.

À savoir :

  • Les données collectées ne sont pas recoupées avec d’autres traitements
  • Le cookie déposé sert uniquement à la production de statistiques anonymes
  • Le cookie ne permet pas de suivre la navigation de l’internaute sur d’autres sites.

Cookies tiers destinés à améliorer l’interactivité du site

Ce site s’appuie sur certains services fournis par des tiers qui permettent :

  • de proposer des contenus interactifs ;
  • d’améliorer la convivialité et de faciliter le partage de contenu sur les réseaux sociaux ;
  • de visionner directement sur notre site des vidéos et présentations animées ;
  • de protéger les entrées des formulaires contre les robots ;
  • de surveiller les performances du site.

Ces tiers collecteront et utiliseront vos données de navigation pour des finalités qui leur sont propres.

Accepter ou refuser les cookies : comment faire ?

Lorsque vous débutez votre navigation sur un site eZpublish, l’apparition du bandeau « cookies » vous permet d’accepter ou de refuser tous les cookies que nous utilisons. Ce bandeau s’affichera tant que vous n’aurez pas effectué de choix même si vous naviguez sur une autre page du site.

Vous pouvez modifier vos choix à tout moment en cliquant sur le lien « Gestion des cookies ».

Vous pouvez gérer ces cookies au niveau de votre navigateur. Voici les procédures à suivre :

Firefox ; Chrome ; Explorer ; Safari ; Opera

Pour obtenir plus d’informations concernant les cookies que nous utilisons, vous pouvez vous adresser au Déléguée Informatique et Libertés de INRAE par email à cil-dpo@inrae.fr ou par courrier à :

INRAE
24, chemin de Borde Rouge –Auzeville – CS52627
31326 Castanet Tolosan cedex - France

Dernière mise à jour : Mai 2021

Menu Logo Principal AgroParisTech Université Paris Saclay

MIA Paris

Offre de thèse en apprentissage statistique

30 mars 2022

Sujet : "Réduction de dimension par méthodes d’apprentissage à facteurs latents structurés et régularisés pour la modélisation de la réponse d'un système biologique à la modification de son environnement."

Nous recherchons un(e) candidate avec un bon bagage solide en stat/modélisation et ayant envie de travailler sur des problèmes issus des sciences du vivant. 

La thèse commencerait à l'automne, à AgroParisTech (Palaiseau). 

Le financement de cette thèse (par Udopia) est conditionné à l'adéquation entre le sujet  et  le/la candidat(e). 

Si ce sujet nous intéresse, merci de nous contacter rapidement et de joindre à votre mail un CV ainsi que vos notes de M1 et M2. 

Date limite : 25 avril. 

Contact : sophie.donnet@inrae.frjulien.chiquet@inrae.frjulie.aubert@inrae.fr

Résumé du projet :

La thèse vise à proposer plusieurs modèles à variables latentes avec structuration de dépendances existantes au sein des variables réponses (données omiques de différentes nature) et les méthodes d’apprentissage associées. L’objectif est d’identifier ou de mesurer l’effet d’un changement de l’environnement (présence de contaminants par exemple) sur un système biologique à partir de données environnementales, de données sur l’état du système (par exemple son métabolome) et de son écosystème (son métagénome). Le modèle et son inférence doivent pouvoir prendre en compte la grande dimension des données (vecteur réponse p=10³-10⁴ pour un nombre d’échantillons de l’ordre de n=500) et leurs spécificités telle que la non-normalité des données de métagénomique et une dépendance éventuellement non linéaire entre les variables latentes et la variable réponse. Dans un premier temps, le doctorant s’intéressera aux modèles du type analyse en composantes principales (ACP) probabiliste de façon à réduire la dimension des variables réponses. Des versions régularisées seront introduites afin d’obtenir une interprétabilité des résultats. Par la suite, des versions permettant de prendre en compte des dépendances entre variables latentes seront considérées. La non-gaussianité des données et la non-linéarité des relations seront abordées par des modèles du type Poisson avec excès de zéros ou par des approches du type auto-encodeur variationnel. Les méthodes seront appliquées dans le cadre de deux collaborations portées par l’unité.

Mots-clefs : apprentissage statistique - réduction de dimension - intégration de données - données omiques - données dépendantes - écologie