Mission de Stage «auto-encoders Dans La Réduction - Lyon, France - BIOASTER

BIOASTER

Entreprise vérifiée

Lyon, France

il y a 2 semaines

Posté par:

Sophie Dupont

beBee Recruiter

Description

BIOASTER est l'unique Institut de Recherche Technologique dans le domaine de la santé en France. Dédié à l'infectiologie et à la microbiologie, il rassemble les compétences de l'industrie et de la recherche publique pour répondre aux enjeux de santé publique liés aux maladies infectieuses. _
- Fondation de Coopération scientifique dotée d'infrastructures et de moyens propres, l'IRT BIOASTER s'inscrit résolument dans une optique de développement des compétences et en cela, propose chaque année des missions de stage riches en enseignements à des étudiants de niveau ingénieur ou master 2._
- Nous recherchons un(e) stagiaire motivé(e), ayant des bases théoriques complétées d'un premier niveau de pratique et se destinant à la R&D pour réaliser la mission suivante :_

**Poste**:
**I/ MISSION et objectif**:
La réduction dimensionnelle est une étape essentielle dans l'analyse des données des OMICS. Elle permet de réduire le bruit, faciliter la visualisation, améliorer l'efficacité des calculs et améliorer l'interprétabilité. Cette simplification des données de grande dimension évite le surajustement du modèle et révèle des tendances significatives, facilitant ainsi la compréhension de systèmes biologiques complexes.

L'analyse en composantes principales (ACP), une méthode couramment utilisée, projette les données sur des axes orthogonaux (composantes principales) pour maximiser la capture de la variance. Cependant, dans certains cas, il se peut qu'elle ne reflète pas efficacement les relations complexes et non linéaires. En revanche, les auto-encodeurs, une approche de Deep Learning, peuvent capturer des modèles et des relations complexes, à la fois linéaires et non linéaires. Ils offrent une plus grande flexibilité pour les ensembles de données complexes, mais nécessitent davantage de ressources informatiques et de choix d'hyper-paramètres.

L'objectif de ce stage est de comparer les techniques de réduction dimensionnelle existantes (ex. PCA) et les approches Deep Learning (ex. auto-encodeurs). Par ailleurs un objectif sera de mieux comprendre deux frameworks de Deep Learning fréquemment utilisés : Tensorflow et PyTorch.

Activités principales:

- Identifier des méthodes prometteuses basées sur les auto-encoders
- Appliquer les méthodes sélectionnées sur des jeux de données réels et/ou simulés, prétraités au préalable.
- Évaluer leur efficacité à capturer des caractéristiques significatives, à préserver la structure des données et à faciliter l'analyse en aval. Critères d'évaluation à déterminer.
- Produire un rapport analytique des résultats

**II. **RATTACHEMENT**

La mission sera rattachée à l'unité technologique Sciences des Données, Gestion des Données et Solutions Numériques (xData).

**Profil**:
Niveau : M 2 / (BAC +5) Bioinformatique /biostatistique /Data science

**_
Compétences:_**
- Maitrise des langages de programmation R & Python. La connaissance d'un framework de Deep Learning (ex : TensorFlow, PyTorch) est un plus.
- Maitrise des méthodes statistiques multivariées : PCA, PLS, analyse canonique de corrélation et de machine learning: SVM, forêt d'arbres décisionnels
- Connaissance en life science est un plus
- Bonnes capacités de rédaction
- Anglais scientifique

**_ Qualités personnelles:_**
- Aisance relationnelle
- Adaptabilité
- Rigueur, organisation et méthode
- Capacité à travailler en équipe

**Autres informations**:
Durée 6 mois