lipn

Laboratoire d'Informatique de Paris Nord

UMR 7030, Université Paris 13, 99 avenue Jean-Baptiste Clément, 93430 Villetaneuse

up13 cnrs

Offres de stage

Voici la liste des stages proposés au LIPN :

  • Mathématiques expérimentales en physique, combinatoire et théorie des nombres : d'Euler à Apéry
    Description :
    "Mathématiques expérimentales en physique, combinatoire, et théorie des nombres : d'Euler à Apéry" Dans le cadre du Master 2 d' "Histoire des sciences" de Paris 7, les élèves sont invités à faire un stage de M2, à l'issue duquel ils présentent le mémoire rédigé durant ce stage. Ce stage consistera à étudier d'une part des problèmes historiques à la frontière de différents domaines des mathématiques : physique, combinatoire et théorie des nombres. Ce stage vise à remettre un peu d'exactitude historique, et de perspective dans divers concepts/travaux souvent cités en combinatoire/physique/théorie des nombres, tout en essayant de dégager les lignes directrices de mathématiciens ayant veillé à conserver un point de vue effectif dans leurs recherches. Après quelques exemples de grands mathématiciens des siècles passés (dont notamment Euler), on illustrera notamment plus en détail le cas de Roger Apéry (qui est rentré dans l'histoire des mathématiques via sa preuve sur l'irrationalité de zeta(3)), sur lequel nous exploiterons des archives inédites, avec notamment un accès à ses lectures et microfilms personnels, qui permettent de mieux comprendre "l'univers mental" d'un tel chercheur. Ce point de vue "effectif", "constructif" a donné le néologisme "concrete mathematics" promu par Knuth : on a une approche expérimentale dans un premier temps (notamment après la révolution amenée par l'ordinateur et le calcul formel, mais prouvée dans un deuxième temps, comme dans les approches par holonomie de Doron Zeilberger). Les allers-retours entre physique/combinatoire/calcul formel regorgent de plus en plus de telles "success stories" (résolution de la conjecture de Gessel sur les marches dans le quart de plan). Ce stage d'histoire des sciences ne vise donc pas à prouver de nouveaux théorèmes, mais au contraire à rétablir avec rigueur la portée de travaux anciens, et leurs impacts sur les avancées ultérieures des domaines concernées, et des idées brassées. Par ailleurs, souvent le poids des années a simplifié, effacé les traces de travaux séminaux, et on attribue à untel les résultats d'un autre, on a oublié quels étaient le contexte et la motivation initiale. Par exemple, un cas peu connu déjà débusqué par Youssef est que la notion de dérivée schwarzienne, à tort attribuée partout à Schwarz apparaît en fait déjà dans les écrits de Legendre, dans son travail sur les cartes. On listera en passant d'autres exemples du même type, e.g. de nombreuses suites combinatoires ou de fonctions spéciales sont faussement attribuées, ou l'on a souvent perdu la motivation d'origine : les nombres dits de Catalan sont en fait dus à Euler un siècle avant, les nombres de Schröder sont dus à Erathostène un millénaire avant ! Les nombres de Delannoy sont dus à un mathématicien dont la trace était perdue. Le principe de réflexion de Désiré André... n'est pas du tout la preuve qu'il a employée, et ce n'est pas non plus la "méthode des images" du physicien Kelvin. Il s'agit en conclusion à la fois d'un travail de synthèse à la fois mathématique et historique, et d'un travail de réflexion philosophique sur l'approche de diverses écoles de mathématiciens.
    Durée : 3 mois
    Dates : du 01/05/2017 au 31/07/2017
    Encadrant : BANDERIER Cyril

  • Anonymisation des données utilisant des techniques d’apprentissage non-supervisé
    Description : PDF
    De nos jours, quand les appareils électroniques, les capteurs et les réseaux créent de gros volumes de données et que le coût du stockage des données devient négligeable, l'intérêt et la demande croissante de la population pour la réutilisation de ces données augmentent. Les «données ouvertes» peuvent apporter des avantages évidents à la société, aux individus et aux organisations, mais seulement si les droits de tous sont respectés, pour la protection de leurs données personnelles et de leur vie privée. Les données ouvertes (open data) sont des données numériques d’origine publique ou privée qu’un organisme diffuse de manière structurée selon une méthode et une licence ouverte garantissant son libre accès et sa réutilisation par tous sans restriction technique, juridique ou financière. L'anonymisation peut être une bonne stratégie pour conserver les avantages et atténuer les risques [1]. Une fois qu'un ensemble de données est vraiment anonymisé et que les individus ne sont plus identifiables, la loi européenne sur la protection des données ne s'applique plus. Cependant, il ressort clairement des études de cas et des publications de recherche que la création d'un jeu de données véritablement anonyme à partir d'un ensemble riche de données personnelles, tout en conservant autant d'informations sous-jacentes que requises pour la tâche, n'est pas simple. Par exemple, un ensemble de données considéré comme anonyme peut être associé à un autre ensemble de données de telle sorte qu'un ou plusieurs individus peuvent être identifiés. D'autres données distinctives, comme la date de naissance et le code postal, se combinent souvent et peuvent être liées à des informations accessibles au public pour ré-identifier les individus. Dans la littérature il existe plusieurs méthodes d’anonymisation de données tels que : k- anonymat [2], l-diversité [4], t-closeness [3]. Dans le cadre de ce stage, on va s’intéresser aux méthodes qui existent dans le domaine afin de les adapter au cadre de l’apprentissage non- supervisé. Les nouvelles méthodes proposées seront validés sur des jeux de données réels.
    Durée : 6 mois
    Dates : du 20/03/2017 au 19/09/2017
    Encadrant : GROZAVU Nistor

  • Apprentissage topologique semi-supervisé multi-labels
    Description : PDF
    En apprentissage automatique, on souhaite apprendre le lien entre une observation (décrite par un ensemble d’attributs) et l’appartenance à une classe. Plusieurs situations sont possibles. En apprentissage supervisé, la classe est déjà connue pour les données d’apprentissage, c’est-à-dire que chaque observation est associé à une étiquette (label) qui représentante sa classe. Dans ce cas l’algorithme doit apprendre la règle (ou la fonction) permettant d’attribuer automatiquement la bonne étiquette à chaque donnée. Dans le cas non supervisé, les observations ne sont pas associées à un label. L’algorithme doit estimer la structure des données sous forme de clusters, chaque cluster regroupant des données qui se ressemble, c’est-à-dire ayant des valeurs d’attributs similaires. Enfin, dans le cas semi-supervisé, on ne connaît les labels que pour un petit nombre d’observations. Dans ce cas la tâche est similaire à celle de l’apprentissage non supervisé, mais en ajoutant des contraintes assurant que les données ayant un même label soient regroupés dans un même cluster, et inversement. Pour ce stage nous nous intéresserons au cas semi-supervisé, mais nous traiterons le problème des données multi-labels. De nos jours, de nombreuses données peuvent être classées dans plus d’une catégorie. C’est cas par exemple des images : une même image peut être de type « portrait », « selfie », « enfant » et « été » en même temps. On peut aussi citer les hashtags des tweets ou les catégories des films. L’existence de labels multiples complique significativement la tâche de l’apprentissage, puisqu’il faut être capable de prédire efficacement non plus un seul label mais un ensemble de label. Il s’agit pourtant d’un des challenges majeurs de l’analyse de données moderne. L’objectif de ce stage sera de développer de nouvelles méthodes d’apprentissage semi-supervisé pour données multi-labels à partir de cartes auto-organisatrices. L’idée sera de représenter chaque observation par un vecteur représentant à la fois les variables et les labels, puis d’utiliser une mesure de similarité hybride adaptée à cette représentation. L’algorithme s’exécutera incrémentalement, en intégrant progressivement de nouveaux labels pour les observations non étiquetées à partir des prédictions faites à l’étape précédente. De cette façon, nous attendons une augmentation significative de la qualité des clusters obtenus.
    Durée : 6 mois
    Dates : du 01/04/2017 au 01/10/2017
    Encadrant : CABANES Guénaël

  • Réseaux de neurones avec attention pour la correction d'orthographe et de grammaire
    Description :
    Contexte scientifique: La correction automatique d'orthographe et de grammaire est un problème difficile et important en traitement automatique des langues. Elle facilite la construction de logiciels d'aide à l'apprentissage de langues étrangères, comme elle permet de réduire le bruit dans l'entrée des outils de TAL ainsi améliorant leurs performance, notamment sur les textes non-édités que l’on peut trouver sur le web. La difficulté de cette tâche provient de la grande variabilité dans les types d'erreur ainsi que leur dépendance syntaxique et sémantique vis-à-vis du contexte. Étant donné une phrase potentiellement erronée en entrée, certaines approches utilisent des classifieurs (à base de règles ou appris automatiquement) pour générer des corrections, en modélisant leurs interactions avec, par exemple, un modèle de langue N-gram ou un CRF. Les systèmes de traduction automatique statistique dits phrase-based ont été utilisés avec succès dans ce contexte, notamment grâce à la disponibilité croissante de données corrigées manuellement. Néanmoins, leur défaut majeur est la difficulté de modéliser proprement des corrections à différentes granularités (caractères/mots/etc.) qui s'avère nécessaire pour réduire le taux de mots inconnus nuisibles à leur bon fonctionnement. Plus récemment, l'utilisation de réseaux de neurones a entraîné des gains significatifs pour les tâches de "mapping" entre paires de séquences, y compris celles de la traduction et de la correction d'orthographe, ceci grâce à leur capacité d'apprendre une meilleure représentation des données ainsi qu'une meilleur prise en compte du contexte. Dans ce stage, on propose d'étudier une nouvelle architecture de réseau de neurones combinant des informations au niveau des caractères et des mots grâce à la possibilité d'empiler facilement différents réseaux. En particulier, un réseau convolutif peut être utilisé pour apprendre des embeddings à partir des caractères, que l'on combine avec des embeddings de mots pour alimenter une ou plusieurs couches de réseaux récurrents de type encodeur-décodeur. On propose également de comparer différents modèles d'attention (global, local, etc.) pour mieux modéliser le contexte. Profil recherché : Niveau M2, bonne connaissance d'un langage de programmation (python ou c++ idéalement), un intérêt fort pour l'apprentissage automatique appliqué au traitement automatique des langues.
    Durée : 6 mois
    Dates : du 03/04/2017 au 02/10/2017
    Encadrant : TOMEH Nadi

  • Extraction dynamique des connaissances pour la détection des sentiments
    Description : PDF
    La classification automatique - clustering - est une étape importante du processus d’extraction de connaissances à partir de données (ECD). Elle vise à découvrir la structure intrinsèque d’un ensemble d’objets en formant des regroupements - clusters - qui partagent des caractéristiques similaires. La complexité de cette tâche s’est fortement accrue ces deux dernières décennies lorsque les masses de données disponibles ont vu leur volume exploser et les méthodes classiques ne sont pas adaptés pour le traitement de ces flux de données. Dans le cadre du ce stage, le flux de données sera modélisé par des méthodes dynamiques et évolutives. En utilisant des critères de (dis)similarité le système sera capable de comparer les prototypes (les clusteurs) dans différent instances de temps et entre différents modèles. Ainsi, le changement d'état d'une observation va être détecté automatiquement et caractérisé. Le clustering incrémental permet à la fois la détection des changements dans les clusters, mais aussi le traitement de grandes masses de données en temps réel. Les données auxquelles on s'intéresse sont des matrices croisant documents et mots. Ces documents sont issus des traces de navigabilité des utilisateurs sur internet enrichis sématiquement. Ce sont des données de grande taille, très éparses, où le nombre d'attributs (mots) dépasse largement le nombre d'individus (documents). Les méthodes de classification simple en général ne donnent pas de bons résultats sur ce type de données.
    Durée : 6 mois
    Dates : du 03/04/2017 au 03/10/2017
    Encadrant : GROZAVU Nistor

  • L’apprentissage artificiel au service de la Qualité des données
    Description : PDF
    La mise à jour de données relationnelles peut être faite à partir de données de type texte. Ainsi, les données d’une organisation peuvent être de meilleure qualité en utilisant les annotations textuelles (mail, sms, …) échangées par les membre d'une organisation. La classification automatique - clustering - est une étape importante du processus d’extraction de connaissances à partir de données (ECD). Elle vise à découvrir la structure intrinsèque d’un ensemble d’objets en formant des regroupements - clusters - qui partagent des caractéristiques similaires. La complexité de cette tâche s’est fortement accrue ces deux dernières décennies lorsque les masses de données disponibles ont vu leur volume exploser. Les méthodes de clustering peuvent être utilisées dans ce contexte pour faciliter la correction de données dans une base de données.
    Durée : 6 mois
    Dates : du 10/04/2017 au 09/10/2017
    Encadrant : BOUFARèS Faouzi

Anciens stages proposés

  • Creative telescoping et fonctions holonomes
    Durée : 15 jours
    Dates : du 01/07/2014 au 16/07/2014
    Encadrant : BODINI Olivier

  • Génération aléatoire d'arbres croissants
    Durée : 1 mois
    Dates : du 23/06/2014 au 23/07/2014
    Encadrant : BODINI Olivier

  • Programmation de robots, quels paradigmes ? Travail exploratoire autour d'un robot autonome
    Durée : 2 mois
    Dates : du 04/06/2014 au 04/08/2014
    Encadrant : BOUDES Pierre

  • Etude de la mise en place d'un entrepot de données
    Durée : 3 mois
    Dates : du 15/05/2014 au 15/08/2014
    Encadrant : FORTIER Michael

  • Optimisation d'une routine de communication collective pour POSH
    Durée : 3 mois
    Dates : du 01/07/2014 au 01/10/2014
    Encadrant : COTI Camille

  • Utilisation d'une bibliothèque de communications à hautes performances pour POSH
    Durée : 3 mois
    Dates : du 01/07/2014 au 01/10/2014
    Encadrant : COTI Camille

  • Formalism and model repository in CosyVerif
    Durée : 5 mois
    Dates : du 05/05/2014 au 05/10/2014
    Encadrant : PETRUCCI Laure

  • Vérification formelle d'un protocole de routage distribué pour réseaux de capteurs sans fil à large échelle
    Durée : 6 mois
    Dates : du 21/04/2014 au 21/10/2014
    Encadrant : PETRUCCI Laure

  • Vérification distribuée de systèmes temps-réel
    Durée : 6 mois
    Dates : du 01/05/2014 au 01/11/2014
    Encadrant : ANDRE Etienne

  • Essai de dépôt de stage
    Durée : 7 jours
    Dates : du 23/12/2014 au 30/12/2014
    Encadrant : PETRUCCI Laure

  • Visualisation de graphe de voisinage : étude et implémentation
    Durée : 4 mois
    Dates : du 01/02/2015 au 01/06/2015
    Encadrant : AZZAG Hanene

  • Sécurité niveau 2
    Durée : 3 mois
    Dates : du 13/04/2015 au 19/06/2015
    Encadrant : FORTIER Michael

  • Réseaux de neurones récursifs pour l'analyse en dépendances "Easy-First"
    Durée : 1 mois
    Dates : du 25/05/2015 au 25/06/2015
    Encadrant : TOMEH Nadi

  • Minimisation énergétique dans le cloud - parallélisation de code
    Durée : 5 mois
    Dates : du 01/02/2015 au 01/07/2015
    Encadrant : CéRIN Christophe

  • L'intersection des automates d'arbres multiples
    Durée : 2 mois
    Dates : du 25/05/2015 au 25/07/2015
    Encadrant : DAVID Julien

  • Vérification distribuée de systèmes temps-réel
    Durée : 6 mois
    Dates : du 01/02/2015 au 01/08/2015
    Encadrant : ANDRE Etienne

  • Vérification Modulaire de propriétés LTL sur les réseaux de Petri
    Durée : 6 mois
    Dates : du 01/02/2015 au 01/08/2015
    Encadrant : KLAI Kais

  • Visioconference
    Durée : 3 mois
    Dates : du 01/05/2015 au 01/08/2015
    Encadrant : FORTIER Michael

  • Développement d'un outil d'extraction dans les textes biomédicaux
    Durée : 1 mois
    Dates : du 03/07/2015 au 03/08/2015
    Encadrant : CHARNOIS Thierry

  • Réseaux de neurones récursifs pour l'analyse en dépendances "Easy-First"
    Durée : 3 mois
    Dates : du 18/05/2015 au 18/08/2015
    Encadrant : TOMEH Nadi

  • Modèles de mélanges et visualisation de données massives
    Durée : 6 mois
    Dates : du 01/03/2015 au 01/09/2015
    Encadrant : AZZAG Hanene

  • Vérification formelle de systèmes concurrents à l'aide de dépliages partiellement observables
    Durée : 6 mois
    Dates : du 01/03/2015 au 01/09/2015
    Encadrant : RODRIGUEZ Cesar

  • Caractérisation des genres discursifs par la méthode des motifs séquentiels
    Durée : 6 mois
    Dates : du 01/03/2015 au 01/09/2015
    Encadrant : CHARNOIS Thierry

  • Formalisation et preuve en Coq de la préservation de la normalisation forte pour le calcul de substitutions linéaires (suite)
    Durée : 3 mois
    Dates : du 01/06/2015 au 01/09/2015
    Encadrant : MAYERO Micaela

  • Développement d'une application de déploiement
    Durée : 3 mois
    Dates : du 01/06/2015 au 01/09/2015
    Encadrant : PETRUCCI Laure

  • Generic Collaborative Web Client and Editor
    Durée : 5 mois
    Dates : du 10/04/2015 au 10/09/2015
    Encadrant : PETRUCCI Laure

  • Emplois du temps CalDav sur serveurs immutables
    Durée : 2 mois
    Dates : du 10/07/2015 au 10/09/2015
    Encadrant : BOUDES Pierre

  • Extension d'un outil de Vérification de Procédés Inter-entreprises et son Intégration à la plateforme de CosyVerif
    Durée : 6 mois
    Dates : du 15/03/2015 au 15/09/2015
    Encadrant : KLAI Kais

  • GÉNÉRATION ALÉATOIRE UNIFORME EFFICACE DE TRÈS GRANDS ARBRES CROISSANTS
    Durée : 6 mois
    Dates : du 15/03/2015 au 15/09/2015
    Encadrant : BODINI Olivier

  • ALGORITHMES PROBABILISTES POUR LA FOUILLE QUANTITATIVE DE GRANDES  MASSES DE DONNÉES
    Durée : 6 mois
    Dates : du 16/03/2015 au 16/09/2015
    Encadrant : BODINI Olivier

  • Travaux de mise au point d'un gestionnaire de corpus en ligne
    Durée : 4 mois
    Dates : du 19/05/2015 au 19/09/2015
    Encadrant : CARTIER Emmanuel

  • Clustering incrémental pour données évolutives
    Durée : 4 mois
    Dates : du 29/05/2015 au 29/09/2015
    Encadrant : CABANES Guénaël

  • Travaux de linguistique et linguistique informatique dans le cadre du projet Neoveille
    Durée : 4 mois
    Dates : du 02/06/2015 au 30/09/2015
    Encadrant : CARTIER Emmanuel

  • Sélection d'ensemble pour la détection de communautés dans les réseaux complexes
    Durée : 6 mois
    Dates : du 01/04/2015 au 01/10/2015
    Encadrant : KANAWATI Rushed

  • Portail Etamine
    Durée : 6 mois
    Dates : du 01/04/2015 au 01/10/2015
    Encadrant : FORTIER Michael

  • Programmation et modélisation d'économies monétaires complexes
    Durée : 6 mois
    Dates : du 01/04/2015 au 01/10/2015
    Encadrant : BOUDES Pierre

  • Modélisation et vérification de contrats 4D
    Durée : 4 mois
    Dates : du 04/06/2015 au 04/10/2015
    Encadrant : CHOPPY Christine

  • Apprentissage non Supervisé pour l'Analyse de Séquences. Application aux données ADN
    Durée : 2 mois
    Dates : du 11/04/2016 au 11/06/2016
    Encadrant : CABANES Guénaël

  • Etamine - portage sous BSD
    Durée : 2 mois
    Dates : du 11/04/2016 au 18/06/2016
    Encadrant : FORTIER Michael

  • Multiport Interaction Nets and Event Structures
    Durée : 3 mois
    Dates : du 18/04/2016 au 18/07/2016
    Encadrant : MAZZA Damiano

  • pdf2txt++
    Durée : 3 mois
    Dates : du 18/04/2016 au 18/07/2016
    Encadrant : ZARGAYOUNA Haïfa

  • solR++
    Durée : 3 mois
    Dates : du 18/04/2016 au 18/07/2016
    Encadrant : ZARGAYOUNA Haïfa

  • Dual de quelques algèbres de Hopf combinatoires
    Durée : 2 mois
    Dates : du 17/05/2016 au 21/07/2016
    Encadrant : DUCHAMP Gérard

  • Plateforme d’accès sémantique en philosophie
    Durée : 4 mois
    Dates : du 01/04/2016 au 01/08/2016
    Encadrant : ZARGAYOUNA Haïfa

  • Etude expérimentale sur la rationalité des automates à pile
    Durée : 2 mois
    Dates : du 01/06/2016 au 01/08/2016
    Encadrant : DAVID Julien

  • Outil support de la hiérarchie dans les machines à états
    Durée : 2 mois
    Dates : du 01/06/2016 au 01/08/2016
    Encadrant : CHOPPY Christine

  • Régularisation de structures pour l’apprentissage supervisé structuré
    Durée : 2 mois
    Dates : du 01/06/2016 au 01/08/2016
    Encadrant : TOMEH Nadi

  • Formalismes dans la plateforme CosyVerif
    Durée : 2 mois
    Dates : du 01/06/2016 au 01/08/2016
    Encadrant : LEPRIEUR Hugues

  • Impl´ementation et comparaison d’algorithmes d’apprentissage automatique pour la d´ecouverte de connaissances biologiques
    Durée : 3 mois
    Dates : du 02/05/2016 au 02/08/2016
    Encadrant : COUTANT Anthony

  • Apprentissage profond pour la robotique
    Durée : 3 mois
    Dates : du 04/05/2016 au 04/08/2016
    Encadrant : GUéRIF Sébastien

  • Annotation de relations sémantiques 1
    Durée : 3 mois
    Dates : du 17/05/2016 au 17/08/2016
    Encadrant : GABOR Kata

  • Annotation de relations sémantiques 2
    Durée : 3 mois
    Dates : du 17/05/2016 au 17/08/2016
    Encadrant : GABOR Kata

  • Reoptimisation
    Durée : 4 mois
    Dates : du 20/04/2016 au 20/08/2016
    Encadrant : WOLFLER Roberto

  • Fusion d’algorithmes d’apprentissages de séparateurs linéaires discrets. Application à la métagénomique
    Durée : 4 mois
    Dates : du 25/04/2016 au 25/08/2016
    Encadrant : CHEVALEYRE Yann

  • Strong normalisation for simply typed ?-calculus: a quest for new combinatorial proofs
    Durée : 6 mois
    Dates : du 01/03/2016 au 01/09/2016
    Encadrant : GUERRINI Stefano

  • Formalisation et preuve en Coq de la préservation de la normalisation forte pour le calcul de substitutions linéaires (suite)
    Durée : 3 mois
    Dates : du 01/06/2016 au 01/09/2016
    Encadrant : MAYERO Micaela

  • Méthodes de décomposition en programmation quadratique convexe en variables mixtes
    Durée : 5 mois
    Dates : du 04/04/2016 au 04/09/2016
    Encadrant : LETOCART Lucas

  • Parameter synthesis in Parametric Interval Markov Chains
    Durée : 6 mois
    Dates : du 08/03/2016 au 08/09/2016
    Encadrant : PETRUCCI Laure

  • Formalismes dans la plateforme CosyVerif
    Durée : 2 mois
    Dates : du 11/07/2016 au 11/09/2016
    Encadrant : LEPRIEUR Hugues

  • Génération aléatoire de polytopes entiers et applications
    Durée : 5 mois
    Dates : du 02/05/2016 au 30/09/2016
    Encadrant : DAVID Julien

  • Apprentissage non supervisé profond de représentations de données évolutives par factorisation matricielle
    Durée : 3 mois
    Dates : du 30/06/2016 au 30/09/2016
    Encadrant : BENNANI Younès

  • Apprentissage non supervisé à partir de similarité pour l'analyse de données massives et complexes
    Durée : 6 mois
    Dates : du 01/04/2016 au 01/10/2016
    Encadrant : CABANES Guénaël

  • Fouille de réseaux multiplexes pour l'analyse des interactions entre entreprises
    Durée : 6 mois
    Dates : du 01/04/2016 au 01/10/2016
    Encadrant : KANAWATI Rushed

  • Réingénierie du site web de l'association pour le Traitement Automatique des Langues
    Durée : 6 mois
    Dates : du 01/04/2016 au 01/10/2016
    Encadrant : GARCIA FLORES Jorge

  • Extraction dynamique des connaissances pour la détection des opinions
    Durée : 6 mois
    Dates : du 01/04/2016 au 01/10/2016
    Encadrant : GROZAVU Nistor

  • Apprentissage quantique en grande dimension
    Durée : 6 mois
    Dates : du 01/04/2016 au 01/10/2016
    Encadrant : MATEI Basarab

  • Factorisation matricielle multi-échelle non-linéaire
    Durée : 6 mois
    Dates : du 05/04/2016 au 05/10/2016
    Encadrant : BENNANI Younès

  • Abstraction et raffinement de réseaux de Petri de haut niveau
    Durée : 6 mois
    Dates : du 11/04/2016 au 11/10/2016
    Encadrant : CHOPPY Christine

pres

w3c-xhtml