Offres d'emplois pourvues | MIA Paris-Saclay

CPJ INRAE

Chaire Professeur(e) Junior

CR INRAE

Chargé.e de Recherches en Statistique et Intelligence Artificielle pour la génétique animale

PR AgroParisTech

Poste de Professeur(e) en Statistiques

MCF AgroParisTech

Poste de Maître de conférence en Informatique en Intelligence Artificielle (EKINOCS)

Poste de Maître de conférence en apprentissage statistique (équipe SOLsTIS)

Poste de Maître(sse) de conférences en Statistiques

Stage

Résolution de problèmes de viabilité multi-agents : exploration de modèles et recherche opérationnelle

Prise en compte des aléas et risques dans un jeu sérieux développé pour favoriser la transition agro-écologique.

Étude d’un concept numérique de jeu sérieux basé sur des approches IA appliqué à la diversification des systèmes agricoles.

Stage M2 - Inférence de modèles spatio-temporels par réseaux de neurones sur graphes

Stage complétion de définition d'ontologie en utilisant les LLM

Stage MS-PINN: Mechanistic-Statistical Modeling with Physics-Informed Neural Networks

Apprentissage de modèle génératif de scènes 3D de grandes cultures

M2 Internship/Stage de M2 - Estimation of spatio-temporal models by Graph Neural Networks

Stage de M2: Détection de rupture multivariée et classification de courbes pour l'analyse de cinétique de métabolites

stage M2: Agro-écologie et IA: construction d'itinéraires de patûrage ovins

M2 Internship: Physics Informed Neural Networks for parameter estimation in Stochastic Differential Equations

M2 Internship : improving inference of Poisson log-normal models with normalizing flows

Predicting Microbial Community Interactions using Physics Informed Neural Networks

Développement d’outils pour la recherche reproductible

Projet M2 Un jeu sérieux qui intègre des approches d’IA pour favoriser le « travailler ensemble » des agriculteurs

Développement d’un modèle d’exposition par inhalation aux pesticides

Stage M2: Développement d'un modèle probabiliste de diffusion pour la sélection phénomique appliquée à la prédiction multi- environnements.

Stage M2 : Modélisation statistique pour la dynamique physiologique des plantes via des approches d'apprentissage profond

Stage M1 ou M2: Analyse textuelle des études scientifiques évaluant l'impact des vers de terre sur l'environnement

Stage - Développement d’une procédure de segmentation pour la détection d’admixture en génétique des populations.

Stage M1 - Estimation de modèles spatio-temporels par deep learning

Stage GPINN: Physics-Informed Generative Neural Networks for stochastic PDEs

Co-constructing a graphical model through interactive visualization

Thèse

Uncertainty quantification for operationalizing mechanistic soil function models

Calage de modèle en grande dimension avec des méthodes d’apprentissage automatique pour aider à la gestion durable des pêches

Efficient methods for spatio-temporal models estimation

PhD Position: Statistical approaches to investigate and predict genomic vulnerability of populations and species, with applications to teosinte and maize - POURVU

Collaborative interactive machine learning : Co-constructing trustworthy predictive models to improve wheat quality assessments