Mathématiques et Applications parcours Data Science

⚠️ Attention : cette formation ne semble actuellement plus dispensée ⚠️

Dernière mise à jour : 
16/12/2019
Master II
Scolarité : 
243
 € par an
Le parcours de Data Science est destinée à des étudiants ayant des connaissances de niveau M1 en mathématiques appliquées ou en informatique avec des prérequis en statistique ou en machine learning. Il constitue un parcours de haut niveau scientifique équilibré entre la théorie et la mise en oeuvre.

Pour Patrick Duvaut, Directeur de la Recherche à Télécom ParisTech, “ce Master vise à former des experts dans la science des données, capables non seulement de concevoir des nouveaux algorithmes d’analyse et de prédiction qui supportent le passage à l’échelle, mais aussi susceptibles de répondre aux besoins opérationnels des entreprises liés au Big Data. Il bénéficiera de l’effet d’entraînement des nombreuses chaires de recherche et d’enseignement autour des data sciences et du Big Data à l’X et Télécom ParisTech. Ce Master s’inscrit dans les initiatives (en formation, recherche et valorisation) destinées à faire de l’Université ParisSaclay une des plaques tournantes de la Science des Données en France et en Europe.”

Les enseignements auront lieu à l’X (Campus de Palaiseau) , à Télécom ParisTech (Paris, 13e arrondissement), à l’ENSAE et à Paris Sud. Ce parcous du Master Mathématiques et Applications de l’université Paris Saclay est un élément de réponse aux attentes du plan Big Data initié par le gouvernement et qui appelait la création de formations en Data Sciences. Le programme souhaite ainsi répondre aux besoins des entreprises et combler le déficit en experts dans un secteur aujourd’hui stratégique.

Le diplôme délivré est un diplôme Paris Saclay.

Cette formation offre la possibilité par la suite d'occuper l'un des postes suivants : Data Scientist, Data Engineer/Ingénieur, Ingénieur Machine Learning.

Première période

Data Camp

Apprentissage et optimisation séquentiels

Bayesian Learning for partially observed dynamical systems

Big Data Frameworks

Convex Analysis and Optimization Theory

Deep Learning I

Introduction to Bayesian learning

Introduction to Deep Learning with Python

Introduction to Graphical Models

Machine Learning

Modèles à chaîne de Markov cachée et méthodes de Monte Carlo séquentielles

Enchères et Matching : apprentissage et approximations

Statistical Learning Theory

Statistique en grande dimension

Optimization for Data Science

Seconde période

Partially observed Markov chains in signal and image

Reinforcement learning

Generalisation properties of algorithms in ML

Theoretical guidelines for high-dimensional data analysis

Bootstrap and resampling methods in machine learning

Computer Vision

Estimation non paramétrique

High dimensional matrix estimation

NLP

Graphical models for large scale content access

Recherche opérationnelle et données massives

Introduction to Deep Learning with Python part 1

Stochastic approximation and reinforcement learning

Troisième période

Deep learning II

Optimal Transport: Theory, Computations, Statistics, and ML Applications

Introduction to compressive sensing

Kernel Techniques with Information Theoretical Applications

Machine Learning Business Case

Missing Data and causality

Mixed effects models: methods, algorithms and applications in life sciences

Multi-object estimation and filtering

Natural language processing

Projet Big Data & Assurance

Infrastructure de données

Structured Data : learning and prediction

Systems for Big Data Analytics

Tail events analysis: Robustness, outliers and models for extreme values

Time series for financial Data

Introduction to Deep Learning with Python part 2

Quatrième période : Stage

Stage obligatoire d’une durée minimum de 14 semaines à compter du mois d’avril.

Lieux d'enseignement