Maître de conférences, section 61 : Sciences du numérique / apprentissage Digital sciences / machine learning Computer science Digital systems 0761904G - UNIVERSITE DE ROUEN

Profil pédagogique du poste : Systèmes embarqués, Intelligence artificielle, Internet des Objets 
Job Educational Profile : embedded systems, artificial intelligence, Internet of things 
Objectifs pédagogiques et besoins d’encadrement : 
Le ou la candidat(e) interviendra principalement au sein des filières de l’UFR Sciences et Techniques relevant de la section CNU 61: la licence EEEA et le master Sciences et Ingénierie des Données (SID). Il ou elle devra en particulier prendre en charge des unités d’enseignement relatives à l’intelligence artificielle embarquée et à l’internet des objets au sein du nouveau parcours Systèmes Intelligents Mobiles et Embarqués (SIME) du master SID. Certains enseignements liés à l’IA étant proposés en lien avec la Graduate School MinMacs, ils pourront être réalisés en anglais, dans un but d’internationalisation des formations. 
Outre ces enseignements, le ou la candidat(e) sera également susceptible de prendre en charge des enseignements spécialisés tels que “Introduction aux capteurs et aux systèmes portables, embarqués, distribués” et/ou “Systèmes intelligents pour la médecine et la biologie” au sein du master IBIOM.
Enfin, il ou elle participera également aux enseignements fondamentaux d’informatique embarquée (sciences du numérique, architecture des ordinateurs, programmation microprocesseur et assembleur), en 1ère année de Licence I.EEEA, où les besoins sont les plus critiques du fait du public important. 
Objectifs en termes d’internationalisation : 
Le candidat devra pouvoir enseigner en anglais au niveau Master et contribuer à l’intégration de la filière Sciences des Données dans la Graduate School MinMacs. 
Profil recherche : 
Le LITIS (EA 4108) souhaite renforcer le potentiel de recherche de son équipe « Apprentissage ».
L’équipe « Apprentissage » (APP) est une équipe composée de 16 enseignants-chercheurs (dont 6 professeurs), tous spécialistes de l'apprentissage statistique (Machine Learning) et Deep Learning. L’équipe APP développe des méthodes avancées d’apprentissage automatique, en adoptant une démarche qui équilibre les aspects fondamentaux, le développement d’outils et leurs applications. L’équipe étudie les techniques de modélisation et d’apprentissage statistique permettant d’appréhender la diversité des données (dimensionnalité, structures, non stationnarité) et la nature des solutions attendues (connaissances a priori). L'équipe a une visibilité internationale importante et publie régulièrement dans les conférences majeures du domaine telles que NeurIPS, ICLR et ICML. L’équipe s’appuie sur une activité contractuelle et industrielle très riche, à travers sa participation dans plusieurs projets nationaux et internationaux (ANR, FEDER, CNRS, H2020, PHC).
Du fait de la diversité de ses thèmes de recherche en apprentissage automatique, l’équipe APP est au cœur du développement de l’IA dans les applications de l’informatique en physique, SHS, santé... et est ainsi motrice dans plusieurs collaborations inter-équipes du LITIS, notamment avec l’équipe « Systèmes de Transport Intelligents » (STI). Dans le cadre du présent recrutement, l’équipe APP souhaite renforcer cette synergie avec l’équipe STI, qui s’est traduite par l’obtention récente d’une Chaire IA portée par un membre de l’équipe APP. Le(la) candidat(e) développera donc ses recherches en apprentissage, dans l’une des thématiques phares de l’équipe APP (apprentissage robuste, apprentissage de représentations, apprentissage multimodal, notamment sur des données séquentielles ou représentées par des graphes), et en interaction avec l’équipe STI.
Enfin, le(la) candidat(e) devra également s'investir dans la rédaction de réponses à des appels à projets, la poursuite de collaborations actuelles et le développement de nouvelles collaborations locales, nationales et internationales.
Job research profile : Machine learning, deep learning, robust learning, embedded learning, structured data 
Compétences techniques recherchées : Compétences techniques en analyse de données, science des données, apprentissage statistique, deep learning : développements sur les principales plateformes de calcul et langages de programmation tels que Python, TensorFlow, Keras, R... 
Compétences scientifiques recherchées : Le candidat recherché doit disposer d’une solide expérience de recherche en Machine Learning, en particulier des compétences en apprentissage de représentations, ou apprentissage multimodal ou apprentissage robuste.