Ce service est destiné aux :
- entreprises et organismes sans but lucratif à la recherche de la bonne chercheuse ou du bon chercheur pour soutenir leurs projets d’innovation.
- Mitacs collabore avec ses partenaires nationaux et internationaux afin de faire circuler cette occasion dans les réseaux postsecondaires, et de proposer les candidat·es qui vous conviennent le mieux.
- chercheuses et chercheurs (professeur·es ou étudiant·es) à la recherche de l’occasion idéale de mettre en pratique leurs compétences et leurs connaissances.
- Si vous postulez pour un projet et que l'entreprise est intéressée, Mitacs vous mettra en contact avec elle pour discuter et éventuellement développer la proposition de recherche Mitacs.
Marche à suivre
Si vous êtes une chercheuse ou un chercheur (étudiant·e – de niveau collégial et universitaire du premier au troisième cycle – ou chercheuse ou chercheur au postdoctorat, ou encore nouvelle diplômée ou nouveau diplômé d’un collège ou d’une université du Canada), consultez les projets disponibles en utilisant les filtres ci-dessous et postulez en utilisant le lien à la fin de la description du projet.
Si vous êtes une entreprise à but lucratif, un organisme sans but lucratif admissible, une municipalité ou un hôpital à la recherche d’expertise postsecondaire pour un projet à venir, veuillez remplir ce formulaire.
Si vous êtes un·e membre du corps professoral d’un établissement d’enseignement canadien ou international et que l’un de ces projets vous intéresse, veuillez communiquer avec un membre de notre équipe de équipe de développement des affaires.
Pour plus d’information sur les critères d’éligibilité des projets de type Recherche et Innovation, veuillez consulter nos programmes Accélération et SSE respectivement.
Ne manquez jamais une nouvelle opportunité de stages rémunérés.
Quantum-enhanced anomaly detection for cybersecurity logs (BETH Dataset) - BC-976
AI-driven cybersecurity for IoT and cloud infrastructures - ON-1125
Knowledge Graph Distillation - QC-795 / Distillation graphique des connaissances - QC-795
Enhancing node classification in Graph Neural Networks through Curriculum Learning - BC-919
Multi-task self-supervised learning in graphs for stronger task generalization - BC-902
Multivariate time series forecasting of transactional data - BC-891
Understanding long range dependency in temporal graphs - BC-889
Manifold Learning - BC-888
Fraud-Centric Merchant Embeddings - BC-887
Georgian Bay vision 2050 conservation models, approaches and analysis - ON-1124
Pages
- « Première
- ‹ Précédente
- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
- …
- suivant ›
- Dernière »