Accès direct au contenu


Accueil

Introduction

Le Laboratoire d’Informatique de l’Université de Tours (EA 6300) compte cette année 47 permanents, 25 doctorants et 7 docteurs ou post-doctorants. Depuis le 1er janvier 2012, l’équipe « Ordonnancement et Conduite » est associée au CNRS sous la forme d’une Equipe Recherche Labellisée du CNRS (ERL-CNRS 6305).

Les préoccupations scientifiques du Laboratoire d’Informatique de l’Université de Tours sont de concevoir et développer des modèles, des méthodes et des algorithmes et mettre à disposition des ressources et des logiciels, pour extraire de l’information, tirer des connaissances à partir de données, en intégrant la problématique de l’interaction homme-machine, et résoudre des problèmes d’optimisation, de nature combinatoire, avec la volonté d’obtenir de bons résultats dans de bons délais.

Le Laboratoire est structuré en trois équipes : Bases de Données et Traitement des Langues Naturelles, Ordonnancement et Conduite, Reconnaissance des Formes et Analyse d’Images.

Trois grands domaines d’applications fédèrent les activités du LI :
  • la santé et le handicap d’une part avec de nombreux partenariats avec le CHRU de Tours et des équipes INSERM, sur les aides techniques pour le handicap physique, pour l’autisme, sur l’optimisation des flux, l’analyse d’images pour l’aide au diagnostic, la fouille visuelle de données médicales, etc.
  • les masses de données d’autre part, avec des problématiques autour des infrastructures pour le stockage et l’accès aux données, le GRID/CLOUD computing, l’extraction, l’analyse et la structuration de données, l’exploitation, la visualisation et les IHM.
  • les humanités numériques, avec des problématiques liées aux structures des bases de données, à la numérisation 3D, à la reconnaissance des formes. De nombreux partenariats sont en cours avec le CESR, et le laboratoire CITERES.

Le Laboratoire d'Informatique de l’Université de Tours a une grande expérience dans les collaborations académiques (nationales et internationales) et industrielles.

Le projet de fédération avec le Laboratoire d’Informatique Fondamentale d’Orléans est toujours en cours.

Plus que jamais, la priorité est mise sur la qualité de la production scientifique, dans des revues internationales référencées, sur le suivi de nos doctorants et sur la qualité de leurs travaux, et sur le maintien et l’enrichissement de nos relations internationales.

Jean-Charles BILLAUT, Directeur

Postes à pourvoir

 
Pas de poste d'enseignant-chercheur au recrutement en 27ème section à la rentrée 2016.

Offres de thèses


Chaque année, le LI propose au moins deux thèses financées par le Ministère et/ou la Région Centre. Les sujets seront connus en début d'année 2016.

Sujet 1


Ordonnancement et Affectation de ressources interconnectées

Mots clés : Ordonnancement ; En ligne/Hors ligne ; infrastructures virtualisées de grande taille ; optimisation multicritère.

Directeurs de thèse : Patrick MARTINEAU et Ameur SOUKHAL, Equipe Ordonnancement et Conduite ERL CNRS 6305, Laboratoire Informatique de Tours EA 6300, France {patrick.martineau,ameur.soukhal}@univ-tours.fr)

(extrait du sujet)
Le problème de l’optimisation de l’usage des ressources dans les centrales numériques dédiées à la mise en place de services à distance a connu de grandes évolutions ces dernières années en parallèle de l’évolution des architectures matérielles (calculateurs et réseaux) et des besoins. Le problème de l’affectation de ressources dans un tel contexte est souvent référencé dans la littérature sous le terme « server consolidation problem » mais il doit être posé plus globalement comme un problème de placement.
Le problème consiste à répartir l’exécution de plusieurs machines virtuelles (VM) sur un ensemble de machines physiques (PM). Cette affectation est réalisée de manière à répartir des différentes ressources suivant le souhait des usagers. Les ressources considérées sont classiquement : charge processeur (ou CPU) et nombre de cœurs utilisés, mémoire vive (RAM), débit réseau.  Dans certaines applications, il est également pertinent d’associer d’autres dimensions telles que celles relatives au disque dur, à un accélérateur type GPU ou à toute autre ressource physique qui a été virtualisée.  En plus de ces dimensions relatives aux ressources informatiques, il devient important de considérer les aspects énergétiques des centres de données. Soit l’économie d’énergie est un élément important sur lequel l’entreprise souhaite faire des efforts, soit, à l’opposé, l’objectif est de gérer cette consommation afin d’en exploiter les effets (par exemple pour permettre de fournir de l’eau chaude sanitaire par l’utilisation d’un équipement spécifique). La multiplicité des situations à envisager est très importante et elle nous contraint à concevoir les modèles les plus généraux possibles.

Nous proposons d’utiliser nos compétences sur l’ordonnancement multicritère pour développer des méthodes permettant de proposer plusieurs solutions parmi lesquelles se trouvent les meilleurs compromis (optima de Pareto).

Bibliographie
  • N. Huynh Tuong, A. Soukhal and JC Billaut (2012). Single machine multi-agent scheduling problems with a global objective function, Journal of Scheduling, vol 15, pp. 311-321.
  • A Agnetis, J-C Billaut, S Gaweiejnowicz, D Pacciarelli and A Soukhal (2014). Multiagent Scheduling : Models and Algorithms. Ed Springer ISBN : 978-3-642-41879-2.
  • A. Haned, A. Soukhal, M. Boudhar and N. Huynh Tuong (2012). Scheduling on parallel machines with preemption and transportation delays, Computers \& Operations Research, Volume 39, Issue 2, February, Pages 374-381
  • O. Beaumont, L. Eyraud-Dubois, H. Rejeb, et C. Thraves. On-line allocation of clients to multiple servers on large scale heterogeneous systems. In PDP 2010 - The 18th Euromicro International Conference on Parallel, Distributed and Network-Based Computing, Italie Pisa, Feb 2010.
  • J. Cohen, D. Cordeiro, D. Trystram, et F. Wagner. Multi-organization scheduling approximation algorithms. Concurrency and Computations: Practice and experience, 23(17):2220--2234, dec 2011
  • A. Lèbre, P. Anedda, M. Gaggero et F. Quesnel. DISCOVERY, Beyond the Clouds - DIStributed and COoperative framework to manage Virtual EnviRonments autonomicallY: a prospective study. In Virtualization for High Performance Cloud Computing workshop (colocated with EUROPAR 2011), Bordeaux, France, August 2011.
  • A. Lissy et P. Martineau. New scheduling problems coming from GRID computing, International Symposium on Combinatorial Optimization, Hammamet (Tunisie), 24-26 mars 2010. Publié également dans Electronic Notes in Discrete Mathematics.
  • F. Quesnel, A. Lèbre et M. Südholt. Cooperative and Reactive Scheduling in Large-Scale Virtualized Platforms with DVMS. Concurrency and Computation: Practice and Experience, Special Issue in Cloud Computing Scalability, à paraître, juin 2012
  • F. Hermenier, J. Lawall, J.-M. Menaud et G. Muller. Dynamic Consolidation of Highly Available Web Applications, INRIA Research Report 7545, février 2011.
  • E. Saule et D. Trystram. Multi-users scheduling in parallel systems. In Proceedings of IPDPS 2009, the 23rd International Parallel and Distributed Processing Symposium, Roma, Italy, mai 2009. IEEE.
  • D. Cordeiro, P.-F. Dutot, G. Mounié et D. Trystram. Tight analysis of relaxed multi-organization scheduling algorithms. In Proceedings of the 25th IPDPS, Anchorage, Alaska, 2011. IEEE. acceptance rate 19%.
  • F Quesnel, « Vers une gestion coopérative des infrastructures virtualisées à large échelle : le cas de l’ordonnancement » thèse de doctorat n°2013EMNA0046, Université de Nantes et Ecole des Mines de Nantes

Sujet 2


Time series forecasting and classification with deep learning

Keywords: Pattern recognition, deep learning, time series, neural networks

Context:
Forecasting and classification of time series is essential in many application domains that include modeling natural phenomena, predicting power consumption, taking decision in finance and detecting events in videos.
The goal of this PhD thesis will be to study and propose innovative algorithms, based on neural networks, for the modeling of time series. In particular, deep learning will be considered for extracting higher-level information from past values.
Research tasks
The first part of the thesis will be dedicated to adaptations (preprocessing, structure definition and learning parameters) of several existing methods (LSTM, recurrent neural networks and convolutional NN) to common time series problems :
  • conventional time series benchmarks;
  • financial time series (FOREX);
  • information flow and scene analysis in videos.
Depending on the results of this study, new algorithms will be proposed to improve performances and to allow continuous learning from data streams.
Administrative information
The thesis will be supervised by Pr. Hubert CARDOT and Dr. Nicolas RAGOT (firstname.surname@univ-tours.fr). It will take place at the computer science laboratory (LI-Tours) in Tours, France.
The candidates should be younger than 30 in October 2016 and have a master degree in computer science or equivalent. Python programming experience and pattern recognition knowledge will be much appreciated.
The academic allocation is granted for 3 years (1400-1700 € per month), the student registration cost is only 400 € per year.

Bibliography
  • LeCun, Y., Bengio, Y. and Hinton, G. E. (2015). Deep Learning. Nature, Vol. 521, pp. 436-444.
  • Aymen Cherif, Hubert Cardot, Romuald Boné (2011). SOM Time Series Clustering and Prediction with Recurrent Neural Networks. Neurocomputing. Volume 74, Issue 11, Pages 1936-1944.
  • A. K. Ngo Ho, N. Ragot, J.-Y. Ramel, V. Eglin, N. Sidere, "Document Classification in a non-stationary environment: A One-Class SVM Approach", in Proc. of 12th International Conference On Document Analysis and Recognition (ICDAR 2013), August 25-28th, Washington DC, USA, 2013.
  • Tanmoy Mondal, Nicolas RAGOT, Jean-Yves Ramel, Umapada Pal, "Exemplary Sequence Cardinality: An Effective Application for Word Spotting", 13th International Conference on Document Analysis and Recognition (ICDAR 2015), August 23-26, 2015, Tunisia/France.

 


Contact

Laboratoire d'Informatique
64 avenue Jean Portalis
37200 Tours
Tél : 02 47 36 14 42
Fax : 02 47 36 14 22
Mél : secretariat.li@univ-tours.fr

  • Directeur du Laboratoire
Jean-Charles Billaut
Tél : 02 47 36 14 21
Mél : jean-charles.billaut@univ-tours.fr

  • Secrétariat
Christelle Grange
Tél : 02 47 36 14 42
Mél : christelle.grange@univ-tours.fr

Retour au site institutionnel