L’apprentissage automatique, et en particulier les approches non supervisées, constitue aujourd’hui un pilier essentiel de la recherche en intelligence artificielle. Ces méthodes permettent d’identifier automatiquement des structures latentes ou des organisations cachées au sein des données, sans nécessiter de labels ou d’annotations préalables.

Parmi les méthodes prometteuses, les approches neuronales proposent un cadre flexible et puissant pour le clustering et le biclustering. Ces techniques permettent de capter des structures complexes tout en gérant la haute dimensionnalité des données. Cependant, l’application de ces méthodes à des jeux de données pose encore plusieurs défis majeurs :

• Assurer la qualité et la robustesse des groupements obtenus ;

• Améliorer l’interprétabilité des modèles, un enjeu crucial dans le contexte médical ;

• Optimiser les performances computationnelles, notamment pour le traitement de données volumineuses ou multimodales.

  Ce stage s’inscrit dans cette perspective et vise à explorer, adapter et comparer différentes approches neuronales non supervisées pour répondre à ces problématiques, tout en veillant à la reproductibilité des expérimentations et à la pertinence clinique des résultats.

Vous êtes étudiant en M2/ING3 en data science avec une excellente maîtrise des fondamentaux du machine learning et une solide pratique de Python. Vous possédez une expérience des frameworks de deep learning tels que PyTorch ou TensorFlow/Keras et une bonne connaissance des architectures neuronales.

Vous vous distinguez également par de fortes compétences analytiques et une grande rigueur scientifique.

L’Efrei est engagée en faveur de l’égalité des chances et encourage les candidatures de personnes en situation de handicap. Tous nos postes sont ouverts à tous les talents.