Statistiques et Machine Learning

⚠️ Attention : cette formation ne semble actuellement plus dispensée ⚠️

Dernière mise à jour : 
16/12/2019
Master II
Scolarité : 
243
 € par an
La finalité de M2 StatML est tournée vers la compréhension scientifique de l’analyse de données et de l’apprentissage automatique. Son objectif principal est de vous préparer à une thèse (académique ou industrielle) et au développement des nouvelles générations d’outils d’analyse de données, de prédiction et de prise de décision.

StatML est une finalité du parcours « Mathématiques De l’Aléatoire » du Master « Mathématique et Applications » de l’Université Paris Saclay. Le nombre de places est limité à 20 étudiants.

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

La formation s’articule autour de cours, d’un projet long (obligatoire), du séminaire du M2 (obligatoire) et d’un stage/mémoire (obligatoire).

Semestre 1

Au premier semestre, chaque étudiant doit valider au minimum 30 ECTS de cours choisis en concertation avec un des responsables du M2, dont le séminaire (2.5 ECTS) et le projet (7.5 ECTS) qui sont obligatoires.

Séminaire (obligatoire)

Projet Machine Learning pour la prévision (obligatoire)

Apprentissage et optimisation séquentiels

Apprentissage par renforcement

Apprentissage statistique et rééchantillonnage

Concentration de la mesure

Statistique en grande dimension

Machine Learning

Convex analysis and optimisation theory

Statistical Learning Theory

Chaîne de Markov et simulation numérique

Optimization for Data Science

Generalisation properties of algorithms in ML

Estimation non paramétrique

Méthodes bayésiennes pour l’apprentissage

Introduction to Probabilistic Graphical Models

Modèles graphiques pour l’accès à l’information à grande échelle

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

Sélection de modèles

Semestre 2

Au second semestre, chaque étudiant doit valider au moins 16 ECTS de cours (4 cours) choisis en concertation avec un des responsables du M2, ainsi que son stage/mémoire.

Optimisation et statistique

Online Learning and Aggregation

Statistical inference in large random graphs

Apprentissage robuste

Matrices aléatoires

Introduction to compressed sensing

Analyse topologique des données

Stochastic optimization and reinforcement learning

Optimal transport : theory and applications in Machine Learning

Estimation bayésienne non-paramétique

Modèles à variables latentes en biologie et écologie

Stage ou mémoire

Crédits : 14 ECTS
Durée : 4 mois minimum.

Lieux d'enseignement