Descriptif
Coordination des stages : Mathieu Fontaine
Le programme est en anglais.
A l’issue de la filière, l’étudiant aura acquis une vision large et opérationnelle de l'apprentissage statistique et du traitement du signal.
Il comprendra les enjeux du traitement des données et du big data, les fondements méthodologiques (statistiques, optimisation) et les techniques visant à traiter plus particulièrement des données temporelles (traitement du signal).
La filière vise à former de futurs ingénieurs ayant un large spectre de compétences autour de l'apprentissage statistique (machine learning) et du traitement de signal, ce qui recouvre un immense panel de domaines applicatifs : musique et parole, signaux biologiques, radioastronomie, transmission et compression de l'information multimédia, etc.
La pédagogie met à la fois l'accent entre des cours magistraux rigoureux et des travaux pratiques en contexte réaliste. La formation proposée en deuxième année est une introduction pertinente à différents M2 de Paris-Saclay ou d'autres universités.
Cette filière pourra être associée avec profit à une des filières :
- Filière IMA : Le traitement de l'image et le traitement du signal partagent de nombreux outils fondamentaux. Les outils de traitement du signal abordés en TSIA viennent naturellement renforcer les méthodes spécifiques d'analyse des images. Les thèmes utiles, abordés en TSIA sont : statistiques, ondelettes, bancs de filtre, compression et transmission de signaux multimédia (images).
- Filière MACS : La filière TSIA contient des cours de modélisation aléatoire qui apportent un complément très pertinent à la filière MACS : séries chronologiques, statistiques avancées, optimisation en contexte stochastique, filtrage et modèles de Markov cachés.
2e ANNEE (M1)
Les enseignements (192 heures) sont composés
- d'UE spécifiques à TSIA sur les données temporelles (code : TSIA)
- et d'UE communes avec la filière SD Science des données, sur l'apprentissage statistique et la gestion de données (code : SD-TSIA).
- MDI 210 Optimisation (en P1)
- MDI 220 Statistiques en P1 (obligatoire)
P1 | P2 | P3 | P4 | |
C1 |
TSIA 202a Séries chronologiques 1e partie |
SD-TSIA 204 Statistics – Linear models |
TSIA 202b Séries chronologiques 2e partie -----OU----- SD-TSIA 205 Advanced Statistics -----OU----- SD-TSIA 214 Machine Learning for Text Mining |
TSIA206 Analyse des signaux de musique et de parole -----OU----- TSIA 207 Introduction au traitement et à la transmission des signaux multimédia |
C2 |
TSIA 201 Représentations des signaux |
SD-TSIA 211 Optimization for machine learning
|
SD-TSIA 210 Machine Learning |
SD-TSIA 203 Introduction to deep learning |
En troisième année les étudiants peuvent choisir :
Option interne |
- Suivre l'option interne Science de données, composée de 120 heures de cours issus des M2 ci-dessous et d'un projet PRIM, complétée par un stage au S2. Le choix des cours dépendra de l'orientation souhaitée : coloration apprentissage statistique et signal, Audio et parole, Multimedia |
Master M2 |
Postuler pour un de ces Masters 2 qui incluent un stage :
|
Formation à l’étranger |
Suivre une formation équivalente à l'étranger (contacter le responsable mobilité internationale de la filière) |
Autre |
Vous pouvez aussi choisir, après la 2e année, de suivre en 3eA :
|
Objectifs
Diplômes concernés
Pré-requis
UE du créneau D partagé obligatoires en P1 : MDI210 Optimisation et MDI220 Statistiques. UE partagée du créneau D recommandée : SD202 Bases de donnéesModalités d'acquisition
La filière est validée si la moyenne des notes finales est ≥ 10 et si vous obtenez au minimum 15 crédits ECTS.
Composition du parcours
-
TSIA202a TSIA201 SD-TSIA204 SD-TSIA211 SD-TSIA210 TSIA202b SD-TSIA205 SD-TSIA214 TSIA206 TSIA207 SD-TSIA203