Master Informatique – Parcours : Machine Learning pour la Science des Données (MLSD)




Présentation
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 en alternance « Machine Learning 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, la science des données, le Big data et de l’intelligence artificielle sont proposées. Ce master existe également en formation initiale (FI) sous le nom « Apprentissage Machine pour la Science des Données ».
OBJECTIFS
Ce master en alternance 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 également 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, la recommandation et le Computer vision.
COMPÉTENCES VISÉES
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
- les données temporelles et spatiales
- le data engineering, la programmation notamment avec R et Python
- la gestion des données non structurées
- le Big data et les outils du cloud
- le Business intelligence et les outils analytiques
- Text-mining et NLP
- divers domaines d’applications dont le computer vision, les systèmes de recommandation, les réseaux sociaux et la bioinformatique.
Programme
ORGANISATION
Organisation de la rentrée -> lien direct
Le M1 est organisé en deux semestres comprenant, en plus des enseignements communs avec les autres parcours, des UE spécifiques au parcours AMSD.
En master M2, les enseignements dispensés sont consacrés exclusivement à l’Apprentissage Machine, l’intelligence artificielle et la science des données, l’UE Anglais est également dispensée. Pour répondre efficacement aux objectifs de la formation, tous les enseignements se déroulent dans une salle machine.
Missions en entreprise et projets tutorés
La formation requière la réalisation d’un projet tutoré en première année. Le projet tutoré est programmé en second semestre. Plusieurs sujets sont proposés et s’articulent autour de l’apprentissage machine, l’intelligence artificielle et la science des données.
Cette formation en alternance (M1 et M2) requière un contrat en apprentissage ou de professionnalisation d’une durée de 1/2 an(s) au cours duquel plusieurs missions sont confiées à l’apprenti. La soutenance du stage et le rapport de mémoire en M1 et M2 clôturent la fin de l’année en juin. Un projet tutoré pluridisciplinaire est également proposé dès le mois de février ; il est évalué par un rapport et une soutenance.
Répartition des cours – Master 1 | ||
Semestres 1 - 30 ECTS | ||
Programmation pour la science des données - 9 ECTS programmtion avancée-Python et R Programmation web Programmation distribuée |
||
Mathématiques pour Machine Learning - 9 ECTS Statistique/probabilités Optimisation pour l’apprentissage machine Reconnaissance des formes |
||
Sciences des données - 9 ECTS Apprentissage supervisé I Dimensionality reduction I Time series I |
||
Data engineering - 3 ECTS Cloud Computing Technologies de Conteneurisation |
||
Semestres 2 - 30 ECTS | ||
Big Data Analytics - 3 ECTS | ||
Machine Learning - 9 ECTS Clustering et Réduction de la dimension Text mining et NLP Deep Learning I |
||
Droit et communication - 3 ECTS Droit informatique Analyse et Restitution |
||
Projet et Recherche - 3 ECTS Projet PludriDisciplinaire (PDD) Anglais |
||
Mission en entreprise - 12 ECTS |
Répartition des cours – Master 2 | ||
Semestres 3 - 30 ECTS | ||
Accompagnement - 0 ECTS Mise à niveau et Business Intelligence |
||
Apprentissage non supervisé - 9 ECTS Clustering Mixture models Factorisation and Recommendation Dimensionality reduction II |
||
Apprentissage et décision - 12 ECTS Supervised learning II Reinforcement learning Time series II Deep Learning II Graph learning |
||
Natural Language Processing (NLP) - 6 ECTS Generative AI Reinforcement learning Data embedding and learning |
||
Data engineering - 3 ECTS Big Data Analytics Packaging |
||
Semestres 4 - 30 ECTS | ||
Projet et Recherche - 12 ECTS Projet PludriDisciplinaire (PPD) Anglais |
||
UE Mission en entreprise - 18 ECTS |
Admission
Ce master est destiné aux titulaires d’une licence Informatique, licence mathématiques appliquées ou équivalents avec un bon niveau en statistiques et calcul matriciel. Les candidatures de licence Mathématiques avec une compétence en informatique attestée par l’obtention d’UE spécifiques à la programmation et aux bases de données sont également étudiées.
Prérequis pour entrer en M1 : Licence d’informatique ou validation d’acquis personnels et professionnels (VAPP D. 23/08/1985)
Prérequis pour entrer en M2 : Master 1 en informatique ou Master mathématiques appliquées avec des pré-requis en science des données, diplôme d’ingénieurs ou validation d’acquis personnels et professionnels (VAPP D. 23/08/1985)
Candidatures
Dossier de candidatures :
- Lettre de motivation (document obligatoire)
- Curriculum vitae complet (document obligatoire)
- Photocopie des relevés de notes bac et post bac (document obligatoire)
- Lettre de recommandation (document facultatif)
- Dossier VAPP85 (le cas échéant)
Période des candidatures : entre mars et juin
Période des entretiens : mai
Pour candidater, rendez-vous à l’adresse suivante pour accéder à la plateforme eCandidat Université de Paris : https://ecandidat.app.u-paris.fr/sciences1/#!offreFormationView
NB : Afin de pouvoir candidater, il vous sera nécessaire de créer un compte eCandidat si cela n’est pas déjà fait. Pour cela, rendez-vous à l’adresse suivante : https://ecandidat.app.u-paris.fr/sciences1/#!candidatCreerCompteView
Vous retrouverez le parcours sous l’onglet INFORMATIQUE (UFR SCIENCES FONDAMENTALES ET BIOMEDICALES) > Master > Parcours – cf illustration ci-dessous :
Et après
POURSUITE D’ÉTUDES
Avec le master MLSD, vous pouvez ensuite si vous le souhaitez poursuivre vos études en doctorat et réalisé ainsi une thèse en contrat doctoral ou CIFRE en partenariat avec une entreprise ; ce qui correspond à une sorte d’alternance en doctorat.
PASSERELLE
A l’issue de la première année, une réorientation en seconde année vers un autre parcours du Master Informatique est envisageable à l’appréciation du responsable du parcours concerné.
TAUX DE RÉUSSITE
90% en M1, 98% en M2 (FI), 100% (FA)
INSERTION PROFESSIONNELLE
Avec ce master et en tant que data scientist vous pouvez intégrer petites, moyennes et grandes entreprises dans divers secteurs. Voici une liste de métiers auxquels vous pouvez aussi prétendre : Data Engineer, Data Analyst, Architecte et Développeur d’outils d’analyse de données, Concepteur/Développeur de modèles mathématiques/statistiques, Ingénieur Recherche & Développement.
Contacts
Responsable du diplôme et du M2
Mohamed Nadif
mohamed.nadif@u-paris.fr
Responsable du Master 1
Lazhar Labiod
Coordinatrice pédagogique
Séverine Affeldt
Responsable de pôle alternance
Karima Doukkali
Site CFA numiA
Responsable administratif et pédagogique
Aline Dodeman
aline.dodeman@u-paris.fr
En bref
UFR des Sciences fondamentales et biomédicales
Niveau d’études visé
BAC +5
2 ans
ECTS
120
- Formation initiale
- Formation continue
- Formation en alternance
Validation des Acquis de l’Expérience
Oui
Français
Lieu de formation
Campus Saint Germain des Prés
Pour en savoir plus, rendez-vous sur > u-paris.fr/choisir-sa-formation