MVA : Mathématiques, Vision, Apprentissage

⚠️ Attention : cette formation ne semble actuellement plus dispensée ⚠️

Dernière mise à jour : 
13/12/2019
Master II
Scolarité : 
243
 € par an
Le parcours MVA fournit une formation de haut niveau permettant aux étudiants mathématiciens, informaticiens, ingénieurs, ou physiciens de formation, de découvrir un faisceau de concepts, modèles et algorithmes leur permettant d’aborder des sujets de recherche aux interfaces numériques des mathématiques.

L’essor gigantesque de l’usage des données numériques dans tous les domaines de la science, de la technologie et de la société nécessite la formation de chercheurs mathématiciens de haut niveau maîtrisant l’acquisition et le traitement des données numériques d’une part, et leur interprétation automatique d’autre part.

Ces deux aspects sont strictement complémentaires et sont reflétés dans les trois termes caractérisant le parcours MVA : - « V comme vision » - images, vidéo, image de synthèse, mais aussi son et autres données alpha-numériques, - « A comme apprentissage » – tous les algorithmes classiques et nouveaux de représentation et d’interprétation des données dans les champs émergents requérant une compréhension fine de leur structure et de leur géométrie. - « M comme mathématiques » - car le parcours aborde le traitement et l’analyse des données en tant que discipline mathématique, dans la mesure où elle renouvelle les mathématiques. Citons parmi ses acquis retentissants et récents le « compressed sensing », la théorie des ondelettes, le boosting, la complétion de matrices...

L’ancrage de la majorité des cours dans des domaines d’application permet au public d’appréhender tous les aspects d’un projet de recherche appliquée, jusqu’à la validation des méthodologies et des algorithmes via l’expérimentation numérique sur des données réelles.

Les thèmes mathématiques couverts sont multiples : techniques de représentation des signaux, méthodes variationnelles et EDP en analyse d’images, compressed sensing, théorie probabiliste de l’apprentissage, matrices aléatoires, optimisation convexe, théorie des espaces de formes, méthodes à noyaux pour l’apprentissage, modèles graphiques, apprentissage par simulation markovienne, théorie du contrôle et apprentissage par renforcement, ...

Les débouchés des lauréats du MVA se trouvent principalement dans la recherche appliquée au sein de grands organismes (CNRS, CEA, CNES, INRIA, INRA, INSERM, ...) ou dans des centres de R&D de grandes entreprises (SAFRAN, General Electric, Technicolor, Saint-Gobain, SAGEM, Dassault Systèmes, Xerox, ...). Une grande majorité poursuit en thèse en laboratoire industriel ou académique sur des thèmes de recherche transverses, en prise avec le réel. Depuis quelques années, les PME et startups innovantes dans le monde numérique, en France et à l’étranger, recherchent tout aussi activement les profils issus de cette formation.

Premier Semestre

Data/Modélisation

Topological data analysis for imaging and machine learning

Introduction to medical image analysis

Introduction à l'imagerie numérique

Object recognition and computer vision

Sub-pixel image processing

3D computer vision

Image denoising : the human machine competition

Méthodes mathématiques pour les neurosciences

Apprentissage

Computational statistics

Convex optimization and applications in machine learning

Probabilistic graphical models

Reinforcement learning

Computational optimal transport

Graphs in machine learning

Introduction to statistical learning

Advanced learning for text and graph data ALTEGRAD

Deep Learning

Foundations of Distributed and Large Scale Computing Optimization

Deuxième semestre

Data/Modélisation

Remote sensing data: from sensor to large-scale geospatial data exploitation

Audio signal processing - Time-frequency analysis

Nuages de points et modélisation 3D

Imagerie fonctionnelle cérébrale et interface cerveau machine

Deformable models and geodesic methods for image analysis

Méthodes stochastiques pour l'analyse d'images

Audio signal Analysis, Indexing and Transformations

Géométrie et espaces de formes

Problèmes inverses et imagerie : approches statistiques et stochastiques

Algorithms for speech and natural language processing

Biostatistics

Apprentissage

Théorie des matrices aléatoires et apprentissage

Modélisation en neurosciences et ailleurs

Kernel Methods for machine learning

Approches géométriques en apprentissage statistique: l'exemple des données longitudinales

Modèles multi-échelles et réseaux de neurones convolutifs

Predictions of individual sequences (Sequential learning)

Fondements Théoriques du deep learning

Deep Learning in Practice

Apprentissage Profond pour la Restauration et la Synthese d'Images

Discrete inference and learning

Bayesian machine learning

Lieux d'enseignement