Objectif
- Devenir experts en apprentissage statistique et en intelligence artificielle.
- Acquérir une formation complète dans les différentes disciplines constituant la science des données, avec un fort accent sur la méthodologie mathématique et statistique.
- Maîtriser des techniques sophistiquées tant en théorie qu'en pratique.
contenu
Aujourd’hui, les grands acteurs du monde de l’entreprise sont de plus en plus conscients du potentiel de leurs données et recherchent les moyens d’en extraire le plus d’informations utiles possible. Les data scientists sont chargés de récupérer, stocker, organiser, traiter cette masse d’informations pour créer de la valeur. Il s’agit d’un profil hybride nécessitant une solide formation en mathématiques et statistiques, la maîtrise des outils et infrastructures de gestion et de traitement des données, ainsi que de la curiosité et une soif de comprendre.
L'objectif du Master en Datascience est de former des experts dans ce domaine. A l’issue de la formation, les étudiants ont acquis des compétences en mathématiques de l’apprentissage statistique, en deep learning, en renforcement learning, en optimisation et en infrastructures big data entre autres. Ces compétences sont notamment développées à travers des projets pratiques et des compétitions de data science. En fin d'année, les résultats aux formations choisies ainsi que le projet professionnel sont évalués pour valider le Master.
domaines d'enseignement
Mathématiques appliquées.domaines ParisTech
Mathématiques appliquées.niveau requis
- Réalisation d'une première année de Master en mathématiques à l'Institut Polytechnique de Paris ou équivalent en France ou à l'étranger.
- Anglais et Français.
atouts
- Maîtriser les outils et compétences clés des data scientists basés sur une approche interdisciplinaire.
- Poser les bases de votre future carrière en poursuivant un doctorat en Data Science ou en suivant un programme d'apprentissage.
- Ouvrir de nombreuses opportunités d'emploi en tant que data scientists, analystes de données ou dans le milieu universitaire.
débouchés
La Science des Données a un fort impact sur de nombreux secteurs. Il existe actuellement une importante pénurie mondiale de data scientists et d’analystes de données. Les étudiants des filières Data Science et Big Data sont donc très attendus sur le marché du travail mondial. Comme tous les domaines d’innovation de rupture (par exemple la biotechnologie et la médecine électronique), il existe un fort besoin d’ingénieurs et de doctorants de haut niveau.
En moyenne, près de 25 % des étudiants poursuivent leurs études avec un doctorat, tandis que les autres poursuivent leurs études dans l'industrie.
Parcours
- M2DS-MAST2A M2 Data Science - Master 2A
- M2DS - S1 M2DS - Semestre 1
- EP-MAP-600A Remise à niveau M2DS : PROBA
- EP-MAP-600B Remise à niveau M2DS : STATS
- M2DS - S1 - TC M2DS - Semestre 1 - Tronc Commun
- DS-télécom-9 Data Camp
- M2DS - S1 - Electifs M2DS - Semestre 1 - Electifs
- DS-ENSAE-1 Statistical Learning Theory
- MAP670U Monte Carlo Methods: from MCMC to Data -based Generative Model
- DS-ECE-1 Big Data Framework
- DS-ENSAE-4 Estimation non paramétrique en Nonparametic estimation and testing
- DS-ENSAE-2 High dimentional statistics
- DS-télécom-7 Convex Analysis and Optimization Theory
- MAP654I Practical introduction to machine learning
- DS-télécom-6 Deep Learning 1
- DS-télécom-8 An introduction to Machine Learning Theory
- DS-télécom-20 Natural Language Processing
- DS-ENSAE-3 Hidden Markov models and Sequential Monte Carlo methods
- MAP670N Advanced Learning for text and graph Data
- MAP670L Generalisation properties of algorithms in ML
- MAP670H High-dimensional Matrix Estimation
- DS-télécom-11 Modèles de Markov partiellement observés en signal et image
- MAP670P Law and ethics of artificial intelligence
- DS-télécom-1 Optimization for Data Science
- MAP670C Reinforcement Learning (M2DS)
- DS-télécom-13 Deep Learning for Computer Vision
- MAP670G Data Stream Processing
- MAP670X Master Classes and Hi!ckathon
- DS-ENSTA-2a Introduction à la Recherche opérationnelle et données massives
- M2DS - S1 - Electifs H.M. M2DS - Semestre 1 - Electifs hors maquette
- M2DS - S1 M2DS - Semestre 1
- M2DS - S2 - TC M2DS - Semestre 2 - Tronc Commun
- DS-Capstone Capstone Project
- DS-ML-1 ML Research Seminar
- M2DS - S2 - Electifs M2DS - Semestre 2 - Electifs
- DS-LEC Groupe de Lecture (A)
- DS-APP-Seminar Apprenticeship Seminar
- DS-ENSTA-2b Recherche opérationnelle et données massives
- DS-télécom-19 Deep Learning II
- MAP670i Structured Data: Learning and Prediction
- DS-ENSTA-1 Optimisation sous-différentiable et méthodes proximales
- M2DS - S2 - Electifs H.M. M2DS - Semestre 2 - Electifs hors maquette
- DS-télécom-16 Tail events analysis: Robustness, outliers and models for extreme values
- DS-télécom-15 Audio and music information retrieval
- DS-ESILV-1 Projet Big Data & Assurance
- DS-télécom-17 Multi-object estimation and filtering
- DS-ENSAE-6 Online learning and aggregation
- DS-ESILV-2 Infrastructure de données
- MAP670M Causal Inference
- DS-télécom-18 Stochastic approximation and reinforcement learning
- DS-ENSAE-9 Optimal Transport: Theory, Computations, Statistics, and ML Applications
- DS-Télécom-23 Representation Learning for Computer Vision and Médical Imaging
- DS-Télécom-24 Développements récents dans l'IA responsable
