Master Informatique - Parcours : Machine learning pour la science des données
Université Paris Descartes
La plupart des décisions importantes des responsables en entreprise, mais aussi des scientifiques ou des économistes par exemple, sont prises aujourd’hui sur la base de l’analyse de données massives et multi-vues. Ces données sont au cœur du fonctionnement des intelligences artificielles actuelles. Si ces données sont disponibles en abondance (Big data), elles le sont le plus souvent sous forme brute et nécessitent d’abord une réorganisation et un prétraitement éclairés. Ensuite, une phase d’analyse, par des méthodes d’apprentissage machine (Machine Learning) issues de l’intelligence artificielle et de la statistique, est donc nécessaire. C’est l’objet du Master « Machine Learning for Data Science » ou « Apprentissage Machine pour la Science des Données ». Ce master requière des compétences en Informatique et en mathématiques appliquées. Dans M1, des UE spécifiques aux domaines de l’apprentissage machine et de l’intelligence artificielle sont proposées. Le M2 existe en formation initiale (FI) et en alternance (FA). Ce master a pour objectifs de :
- former des Data Scientists maitrisant les différentes méthodes d’apprentissage machine (supervisé, non supervisée et semi-supervisé sous différentes approches y compris le deep learning) et capables de concevoir de nouvelles méthodes adaptées aux divers domaines d’activités dans le but d’extraire de la connaissance utile à l’optimisation des offres et services de l’entreprise.
- permettre de poursuivre en thèse dans le domaine de l’apprentissage machine, l’intelligence artificielle et la science des données sur des sujets d’ordre théorique et appliqué à divers domaines dont le text-mining, le NLP et le Computer vision.
Concepts enseignés
Débouchés
Le Master prépare aux métiers liés au domaine du Machine Learning, l’intelligence artificielle et la science des données. Il permet d’acquérir de nombreuses compétences dans :
les méthodes de machine learning sous différentes approches y compris le deep learning
la statistique et l’algèbre linéaire dans le domaine de la science des données
le data engineering
la programmation notamment avec R et Python
la gestion des données non structurées
l’essentiel du Big data et les outils du cloud
le Business intelligence et les outils analytiques
divers domaines d’applications dont le Text-mining, le NLP, le computer vision, les réseaux sociaux et la bioinformatique.
Lien entre la formation et l'IA :Elevé Faible
Non disponible
|
Approche de la formation :Pratique
Théorique
|