Différences

Ci-dessous, les différences entre deux révisions de la page.

--- site:offres:2022:theses:start [07/04/2022 19:36] – hubert
+++ site:offres:2022:theses:start [07/04/2022 22:03] (Version actuelle) – hubert
@@ Ligne 1: / Ligne 1: @@
-====== Sujets de thèse 2022-2025 ======
+====== Sujets de thèse ======
+===== Sujet pré-sélectionné par SCAI =====
+Offre de thèse 2022-2025 à Paris financée par l'institut Sorbonne Center for Artificial Intelligence (SCAI).
 Date limite pour candidater: <fc #ff0000>25 avril 2022</fc>
-Dépose des candidatures sur le [[https://www.sorbonne-universite.fr/projets-proposes-en-2022-programme-instituts-et-initiatives|site de SCAI]]
-====GraphologIA ====
+Dépot des candidatures sur le [[https://www.sorbonne-universite.fr/projets-proposes-en-2022-programme-instituts-et-initiatives|site du programme instituts et initiatives]]
-Offre de thèse à Paris financée par l'institut Sorbonne Center for Artificial Intelligence (SCAI).
-===Titre===
+====GraphologIA : Actionner les méga-graphes de données dans les dataflows d’apprentissage automatique ====
-GraphologIA : Actionner les méga-graphes de données
-dans les dataflows d’apprentissage automatique
 ===Encadrants===
@@ Ligne 15: / Ligne 14: @@
   * Camelia.Constantin@sorbonne-universite.fr
-==Contexte==
+===Contexte===
-Cette thèse en //data science// et //big data// aborde le déploiement de dataflows de machine learning alimentés par des graphes de données. Il s'agit de convevoir des solutions pour l'analyse automatique de méga-graphes à partir de données hétérogènes et dynamiques. L'objectif est d'exécuter plus efficacement la préparation des données d’apprentissage et l’entraînement des modèles d’apprentissage. {{ :site:offres:2022:theses:prd_scai_2022_graphologia_avec_contact.pdf |Lire le sujet de thèse: GraphologIA}}
+{{ :site:offres:2022:theses:prd_scai_2022_graphologia_avec_contact.pdf |Lire le sujet de thèse complet}}
+Cette thèse en //data science// et //big data// aborde le déploiement de dataflows de machine learning alimentés par des graphes de données. Il s'agit de convevoir des solutions pour l'analyse automatique de méga-graphes à partir de données hétérogènes et dynamiques. L'objectif est d'exécuter plus efficacement la préparation des données d’apprentissage et l’entraînement des modèles d’apprentissage.