Ci-dessous, les différences entre deux révisions de la page.
Les deux révisions précédentes Révision précédente Prochaine révision | Révision précédente | ||
site:offres:2022:theses:start [07/04/2022 22:00] hubert |
site:offres:2022:theses:start [07/04/2022 22:03] (Version actuelle) hubert |
||
---|---|---|---|
Ligne 1: | Ligne 1: | ||
- | ====== Sujets de thèse 2022-2025 ====== | + | ====== Sujets de thèse ====== |
===== Sujet pré-sélectionné par SCAI ===== | ===== Sujet pré-sélectionné par SCAI ===== | ||
- | Offre de thèse à Paris financée par l'institut Sorbonne Center for Artificial Intelligence (SCAI). | + | Offre de thèse 2022-2025 à Paris financée par l'institut Sorbonne Center for Artificial Intelligence (SCAI). |
Date limite pour candidater: <fc #ff0000>25 avril 2022</fc> | Date limite pour candidater: <fc #ff0000>25 avril 2022</fc> | ||
+ | |||
Dépot des candidatures sur le [[https://www.sorbonne-universite.fr/projets-proposes-en-2022-programme-instituts-et-initiatives|site du programme instituts et initiatives]] | Dépot des candidatures sur le [[https://www.sorbonne-universite.fr/projets-proposes-en-2022-programme-instituts-et-initiatives|site du programme instituts et initiatives]] | ||
Ligne 13: | Ligne 14: | ||
* Camelia.Constantin@sorbonne-universite.fr | * Camelia.Constantin@sorbonne-universite.fr | ||
- | ==Contexte== | + | ===Contexte=== |
- | Cette thèse en //data science// et //big data// aborde le déploiement de dataflows de machine learning alimentés par des graphes de données. Il s'agit de convevoir des solutions pour l'analyse automatique de méga-graphes à partir de données hétérogènes et dynamiques. L'objectif est d'exécuter plus efficacement la préparation des données d’apprentissage et l’entraînement des modèles d’apprentissage. {{ :site:offres:2022:theses:prd_scai_2022_graphologia_avec_contact.pdf |Lire le sujet de thèse: GraphologIA}} | + | {{ :site:offres:2022:theses:prd_scai_2022_graphologia_avec_contact.pdf |Lire le sujet de thèse complet}} |
+ | |||
+ | Cette thèse en //data science// et //big data// aborde le déploiement de dataflows de machine learning alimentés par des graphes de données. Il s'agit de convevoir des solutions pour l'analyse automatique de méga-graphes à partir de données hétérogènes et dynamiques. L'objectif est d'exécuter plus efficacement la préparation des données d’apprentissage et l’entraînement des modèles d’apprentissage. | ||