Savoir et savoir-faire :
- Connaissances théoriques en statistiques générales et en modélisation probabiliste et/ou connaissances des développements récents en apprentissage statistique et en IA.
- Expérience pratique en analyse de données empiriques.
- Expertises parmi les thèmes suivants :
Inférence bayésienne, vraisemblance pénalisée,
Deep learning, IA générative, modèles de fondation,
Sélection de modèle (validation croisée, critères d'information, test de ratio de vraisemblance),
Tests multiples, FDR, inférence post sélection,
Modèles mixtes, modèles mixtes généralisés (GLMM),
Design expérimental,
Inférence causale,
Intégration de données multimodales,
Études d'association,
Données multivariées, réduction de dimension, apprentissage non supervisé.
- Connaissance des outils de développement d'applications et de calcul scientifique (gestion de version).
Savoir être :
- Capacité à s'approprier de nouvelles techniques et connaissances en statistiques et en apprentissage automatique.
- Capacité à animer et emmener un collectif sur les compétences citées préalablement, à développer et réaliser des formations internes, et à encadrer des étudiants.
- Intérêt pour la biologie quantitative, l'écologie et, plus largement, les sciences du vivant.
|