v2.2.9 (2278)

Mastère spécialisé - IA : Intelligence Artificielle

Contexte

Evolution naturelle des projets portés ces dernières années par la science des données et le Big Data, ce que l'on désigne aujourd'hui par intelligence artificielle va plus loin à la fois dans l'exigence technologique et dans le large spectre des domaines scientifiques concernés : robotique, interaction, homme-machine, traitement du langage ..
Elle couvre par essence, tous les domaines du monde socio-économique, les experts en intelligence artificielle étant particulièrement recherchés par les acteurs de la santé, de la cybersécurité, de la banque-assurance, des transports, de l'industrie automobile, de la grande distribution et bien sûr des services en ligne.
Ce cursus expert, conçu grace à un partenariat entre Télécom Paristech et l'ENSTA ParisTech, est en adéquation avec les besoins en compétences du marché et apporte une réponse sur le manque de formations exprimé dans le rapprot Villani sur l'intelligence articficielle, présenté en mars 2018.
Dans le secteure industriel, on a constaté par exemple une augmentation de 113% des offres d'emploi liées à l'intellignece artificielle entre 2016 et 2017.

Objectif

Savoir anticiper les nouveaux services et usages de l'Intelligence Artificielle tout en prenant en compte les aspects ethiques et économiques.

contenu

Le programme s'appuie sur de nombreuses études de cas et des retours d’expérience, avec 4 périodes de formation sur 9 mois suivies d'un stage de 4 à 6 mois. Un projet professionnel Fil Rouge et des séminaires thématiques avec des professionnels se déroulent tout au long de la formation et complètent ainsi le cursus.

Le programme pédagogique s’articule autour de trois axes

I Axe Fondements de l’IA avec les modules :
Enjeux sociaux, économiques et juridiques de l’Intelligence Artificielle et de la science des données, Logique et intelligence artificielle symbolique, Algorithmique des procédures de décision en logique et contraintes, Statistique, Modèles graphiques et réseaux bayésiens, Apprentissage statistique/Machine Learning

II Axe Apprentissage et Optimisation pour l’IA avec les modules :
Apprentissage en ligne et par renforcement, Pratique de l’Apprentissage à grande échelle, Apprentissage profond/Deep Learning, Programmation GPGPU pour l’apprentissage

III Axe Intelligences Artificielles en action comprenant les modules :
Apprentissage pour la robotique, Apprentissage pour l'image et la reconnaissance d'objets, Perception pour les systèmes autonomes, Traitement automatique des langues

mots clés

Intelligence Artificielle, Data Science, Marchine Learning / Apprentissage Statistique, Robotique, NLP, deep learning, apprentissage par renforcement, programmation GPGPU

niveau requis

Titulaires d’un diplôme d’ingénieur en informatique ou en télécommunications, ou
Titulaires d’un Master 2 universitaire en informatique en statistiques, ou en mathématiques appliquées, ou
Titulaires de diplômes étrangers de niveau équivalent à Bac+5, MSc ou MBA, en informatique, en statistiques, ou en mathématiques appliquées.

Un niveau d’anglais minimum est exigé : TOEIC de 700 au moins, TOEFL (Paper) de 550 au moins ou un niveau similaire d’un test équivalent.

Pré-requis
Il est fortement recommandé à tous les candidats de suivre le MOOC « Fondamentaux pour le Big Data » et de joindre leurs résultats à leur dossier de candidature (notez que les résultats peuvent être transmis dans un second temps, après le dépôt du dossier complet).

Il est demandé aux candidats de maîtriser suffisamment les concepts ci-dessous pour être à l’aise dans leur utilisation.

- Mathématiques
Analyse : suites/séries numériques, éléments de calcul différentiel, éléments d’analyse de Fourier, d’analyse Hilbertienne
Algèbre : espaces vectoriels, applications linéaires, calcul matriciel, produits scalaires, formes quadratiques
Optimisation : multiplicateurs de Lagrange, descente de gradient
Statistique : expérience aléatoire, estimateur, risque, maximum de vraisemblance, moindres carrés, intervalles de confiance, tests statistiques
Probabilité : lois de probabilités, vecteurs aléatoires, loi/espérance conditionnelle, loi des grands nombres, théorème de la limite centrale, chaînes de Markov

Comment prendre une description mathématique ou textuelle d’un algorithme et l’implémenter.

- Informatique
Programmation en Python
Concepts de base : comment définir une variable, structures de contrôle : boucles for, for each, while
Classes et objets : comment définir une classe, les attributs, les méthodes ; différence entre une variable ou méthode static ou normale (non-static) ; l’héritage : comment étendre une classe (extends) ; les interfaces : comment définir une interface et l’implémenter dans une classe ; le polymorphisme : comment surcharger une méthode, comprendre comment marchent les méthodes surchargées

Unix/Linux
Maîtriser les commandes de base

admission

Le processus de sélection comprendra deux étapes : analyse de dossier pour pré-sélection, puis entretien avec un jury constitué de membres de l’équipe pédagogique pour prise de décision.
Les candidats retenus sont ensuite soumis au jury d’admission qui émet la liste des admis définitive.

Le dépôt des candidatures se fait uniquement en ligne : https://www.telecom-paristech.fr/fr/masteres-specialises/mention/ia-big-data/intelligence-artificielle
Votre dossier doit faire apparaître une vraie maîtrise de la programmation et des mathématiques présentées dans le MOOC. S’il est retenu, vous serez sollicité pour un entretien téléphonique. Si ce dernier est concluant, votre dossier sera étudié en jury.
Quatre jurys sont organisés tout au long de l’année, les dates limites de candidature sont indiquées en sur le site mentionné ci-dessus. Il est conseillé de postuler aussi tôt que possible, notamment pour les étudiants étrangers et pour ceux ayant fait une demande de Fongécif / CPF de Transition. Les candidats sont informés de la réponse du jury de manière individualisée par mail.
En cas d’admission, vous disposez pendant 10 jours d’une priorité d’inscription qui vous garantit une place.

informations pratiques

Responsable du mastère
Florence d'Alché-Buc
Ons Jelassi Ben Attallah
Chloé Clavel

compétences acquises

En terme de compétences à aquérir, les principaux objectifs de la formation sont :

● Employer les méthodes avancées d’apprentissage statistique pour résoudre des problématiques d’intelligence artificielle
● Utiliser les techniques avancées d’apprentissage statistique et les architectures associées
● Concevoir et analyser des expériences pour évaluer les systèmes HRI (Interaction Homme-Robot)
● Mettre en œuvre des méthodes de réseaux de neurones et d’apprentissage profond en s’appuyant sur des bibliothèques logicielles

métiers

Architecte en conception d’IA
Intégrateur d'IA
Spécialiste "métier" avec double compétence IA
Designer d'interactions avec IA/Robots
Chefs de Projets IA

 

atouts

La notoriété du Mastère Spécialisé® Intelligence artificielle de Télécom ParisTech et de l'ENSTA ParisTech est forte aussi bien auprès des grands groupes internationaux que des start-ups. Les étudiants reçoivent généralement plusieurs propositions de stage ou d’embauche au cours de leur formation.

Une dizaine d’entreprises tels que BNP Parisbas, Safran, Airbus, Devoteam, Naval Group, Valeo,  sont membres du comité de perfectionnement du Mastère Spécialisé® Intelligence Artificielle, ce qui permet que ses contenus restent toujours en adéquation avec les besoins des entreprises.

débouchés

Pour des professionnels de l'Intelligence Artificielle tels qu'Architecte en conception d'IA, Intégrateur d'IA, Spécialiste "métier" avec double compétence IA, Designeur d'interactions avec IA/robots, Chefs de Projets IA, presque tous les secteurs d’activité sont désormais à la recherche de leurs compétences : finance, industrie, grande distribution, transports, assurance, santé, énergie, agriculture... et nombreux sont les métiers encore à inventer.

Parcours

Unités d'enseignement

UE Type d'enseignement Domaines Catégorie d'UE Volume horaire Responsables Site pédagogique
IA301 Logics and Symbolic AI : knowledge representation and rea... Enseignement scientifique & technique 24 Isabelle BLOCH
IA304 Probabilistic Models and Machine Learning Enseignement scientifique & technique 24 Wojciech PIECZYNSKI
IA306 Deep learning I Enseignement scientifique & technique 24 Geoffroy PEETERS
IA307 Programming with GPU for Deep Learning Enseignement scientifique & technique 24 Mauro SOZIO
IA312 Natural Language Processing Enseignement scientifique & technique 24 Chloe CLAVEL,
Giovanna VARNI
IA314 Intelligence artificielle et sciences des données : enjeu... Enseignement scientifique & technique 24 Valérie BEAUDOUIN
IA316 AI and E-Commerce Enseignement scientifique & technique 24 Pascal BIANCHI
IA317 Large scale machine learning Enseignement scientifique & technique 24 Pascal BIANCHI,
Thomas BONALD,
Robert GOWER
IA318 Apprentissage avancé (dont apprentissage par renforcement) Enseignement scientifique & technique 24 Mauro SOZIO
IA321 Apprentissage pour la robotique (ROB311) Enseignement scientifique & technique 24 Mauro SOZIO
IA322 Navigation pour les systèmes autonomes (ROB312) Enseignement scientifique & technique 24 Mauro SOZIO
IA325 From complexity to Intelligence Enseignement scientifique & technique 24 Jean-Louis DESSALLES
IA710 Apprentissage statistique Enseignement de Formation Continue 57 Florence D'ALCHE
INFMDI722 Séminaires Enseignement scientifique & technique 40 Stephan CLEMENÇON
INFMDI780 Projet Big Data Projets 20 Stephan CLEMENÇON,
Ons JELASSI
MDI721 Module Statistiques Enseignement scientifique & technique Pavlo MOZHAROVSKYI,
Francois PORTIER,
Anne SABOURIN
Veuillez patienter