Cette formation met l’accent à la fois sur la rigueur, indispensable pour le traitement des données et sur les méthodologies récemment développées.
Ces dernières ont pour fonction de produire des outils d’analyse mathématique, d’estimation statistique et de prévision qui se déclinent à travers la construction d’algorithmes programmés, dans des langages informatiques performants.
L’analyse de grandes masses de données ne peut se faire sans connaissance de modèles et techniques mathématiques et informatiques, tant pour la pertinence de l’information résultante que pour sa représentation et sa visualisation.
Objectifs
L’objectif du Master Big Data - Intelligence Artificielle est d’offrir une solide connaissance en Mathématiques appliquées ainsi qu’en IA, afin de couvrir l’ensemble des problématiques de traitement et d’analyse des données massives, que l’on peut rencontrer en entreprise.
Perspectives
- Data Scientist ;
- Concepteur/Développeur d’applications Big Data ;
- Data Analyst ;
- Ingénieurs de recherche et développement ;
- Ingénieur en Intelligence Artificielle ;
- Architecte bases de données complexes ;
- Gestionnaire de données massives.
Contenu de la formation
1ère Année :
Semestre 1 :
UE obligatoires
- Mathématiques pour la Data Science - Optimisation numérique ;
- Mathématiques pour la Data Science - Modèle linéaire ;
- Analyse des données ;
- Python pour la Data Science ;
- Logique ;
- Complexité et Théorie des graphes ;
- Anglais.
UE Complémentaires
- Algorithmique avancée ;
- Programmation Objet ;
- Apprentissage statistique I.
Semestre 2 :
U.E fondamentales
- Méthodes de Monte Carlo et application ;
- Séries Temporelles avec R ;
- Projet Machine Learning ;
- Intelligence Artificielle ;
- Fouille de données ;
- Anglais 2.
UE Complémentaires
- Systèmes de gestion de bases de données ;
- Décision dans l’incertain ;
- Apprentissage statistique II.
2ème Année :
Semestre 3 :
UE Obligatoires :
- Fondamentaux de l’apprentissage automatique ;
- Optimisation pour l'apprentissage automatique ;
- Bases de données avancées (SBGD non classiques) ;
- Apprentissage Profond ;
- Systèmes, paradigmes et langages pour les Big Data ;
- Ethique et science des données ;
- Natural Language Processing (NLP) ;
- Fouille de Graphes ;
- Data wrangling, qualité de données ;
- Apprentissage par renforcement.
Semestre 4 :
UE obligatoires :
- Machine Learning sur Big Data ;
- Apprentissage profond pour l’analyse d’images ;
- Graphes de connaissance, logiques de description, raisonnement sur les données ;
- Flux de données ;
- Recherche Monte-Carlo et Jeux ;
- Visualisation de données ;
- IA sur le Cloud ;
- Projet Sciences des Données.
Stage :
UE obligatoires :
- Mémoire de stage
Déroulement des enseignements
Pré-rentrée :
- mise à niveau en mathématiques et en informatique pour les étudiants venant de parcours différents ;
- Traitement des données, via les architectures, algorithmes et langages orientés gestion des données à grande échelle ;
- Traitement de l’information via les techniques d’apprentissage (Machine Learning, Deep Learning, Renforcement Learning) et d’Intelligence Artificielle ;
- L’enseignement inclut aussi des projets tutorés.
Conditions d'admission
La sélection se fait en 2 étapes : une présélection sur dossier suivie d’un entretien pour les candidats retenus
Public cible
Architecte « Big Data » et bases de données relationnelles et non relationnelles.
- Concepteur, Développeur ou Analyste en Intelligence Artificielle ;
- Data Science ;
- Data Engineer et Big Data.
