v2.11.0 (5728)

Filières de 2e année - TSIA : Filière Traitement du signal pour l'intelligence artificielle (créneau C).

Descriptif

Responsable de la filière : Roland Badeau
Responsable mobilité internationale : Matthieu Labeau
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).
 
Cinq cours sont communs, trois autres sont au choix (au P3 et au P4).
 
La filière est complétée par certains cours du créneau UE partagées :
  • APM_0EL02_TP (MDI 210) Optimisation  (obligatoire en P1)
  • APM_0EL02_TP (MDI 220) Statistiques  (obligatoire en P1)
  • CSC_0EL13_TP (SD202) (recommandée)
  P1 P2 P3 P4

C1

APM_4AI02_TP
(TSIA 202a)

Séries chronologiques 1e partie

APM_4AI08_TP
(SD-TSIA 204)

Statistics – Linear models

APM_4AI03_TP
(TSIA 202b)

Séries chronologiques 2e partie

-----OU-----

APM_4AI09_TP SD-(TSIA 205)

Advanced Statistics

-----OU-----

APM_4AI12_TP
(SD-TSIA 214)

Machine Learning for Text Mining

APM_4AI04_TP
(TSIA206)

Analyse des signaux de musique et de parole

-----OU-----

CSC_4AI05_TP
(TSIA 207)

Introduction au traitement et à la transmission des signaux multimédia

C2

 

APM_4AI01_TP
(TSIA 201)

Représentations des signaux

 

APM_4AI11_TP
(SD-TSIA 211)

Optimization for machine learning

 

APM_4AI10_TP
 (SD-TSIA 210)

 Machine Learning

CSC_4AI07_TP
(SD-TSIA 203)

Introduction to deep learning

 
 
3e ANNEE (M2)
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
- Suivre l'option interne IA, Intelligence Artificielle en collaboration avec l'ENSTA Paris.

Master M2

Postuler pour un de ces Masters 2 qui incluent un stage :

  • ATSI Automatique et Traitement du Signal et des Images  (Upsay, mention E3A)
  • Data AI Artificial Intelligence (IP Paris)
  • Data Science (IP Paris)
  • MVA, Mathématiques, Vision, Apprentissage (IP Paris)
  • ATIAM, Acoustique, traitement du signal et informatique appliqués à la musique  (Sorbonne Université)
  • BME-Paris, BIM - BioMedical Imaging  (mention BME, Université Paris Cité et Arts et Métiers et PSL)
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  :

  • un cursus transverse, c'est à dire ouvert quelle que soit la filière choisie en 2e année : Option interne Quantum Engineering,  ou un des M2 transverses du domaine SES (PIC / IREN / COSI)
  • une mobilité en France dans une école de l'Institut Mines-Télécom ou de IP Paris.
 Quelle que soit l'option choisie, les élèves font un stage ingénieur ou de recherche de 6 mois.

Objectifs

 Mobilité internationale.
 
Avant d'aller plus loin, assurez-vous que vous avez pris connaissance des informations générales concernant la mobilité internationale. Notez en particulier que la DRI propose déjà une offre conséquente dans laquelle il est très probable que vous trouviez votre bonheur.
 
Ci-après une petite sélection d'établissements que nous recommandons pour des séjours d'étude (et qui s'étoffera au fur et à mesure des retours des élèves des promotions précédentes). A nouveau, d'autres choix sont possibles (en particulier ceux proposés par la DRI), n'hésitez pas à venir en discuter avec le responsable des mobilités de la filière.
Asie
National Taiwan University
National University of Singapore
Shanghai Jiao Tong University
Tokyo Institute of Technology
Europe
ETH Zurich
EPFL
Imperial College
KTH
TU Berlin
TU Munich
TU Wien
Université Catholique de Louvain-la-Neuve
Universitat Politècnica de Catalunya, ETSETB
Universidad Politecnica de Madrid, ETSIT & ETSII
 
Stages à l'étranger
 
Le plus naturel pour trouver un tel stage et de visiter les sites spécialisés et les pages web des entreprises qui vous intéressent sur lesquels des offres sont régulièrement publiées. Contactez aussi le responsable des mobilités de la filière qui pourra vous orienter vers des offres dont il est au courant. Il vous aidera également à "décoder" les compétences requises pour les offres qui vous intéressent et à vous assurer que vous y correspondez.
 
Retour sur expérience
 
Le responsable des mobilités de la filière maintient une liste des anciens élèves de TSIA qui sont déjà partis à l'étranger. Vous verrez apparaître ci-dessous les établissements et les entreprises dans lesquels ces élèves sont déjà partis. Contactez le responsable pour qu'il vous mette en relation.
 
Etablissements d'enseignement
NUS

Pré-requis

UE du créneau D partagé obligatoires en P1 : MDI210 Optimisation et MDI220 Statistiques. UE partagée du créneau D recommandée : SD202 Bases de données

Modalités 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

    APM_4AI02_TP APM_4AI01_TP APM_4AI08_TP APM_4AI11_TP APM_4AI10_TP APM_4AI03_TP APM_4AI09_TP APM_4AI12_TP APM_4AI04_TP CSC_4AI05_TP CSC_4AI07_TP

Unités d'enseignement

UE Type d'enseignement Domaines Catégorie d'UE Volume horaire Responsables Site pédagogique
APM_4AI01_TP Représentations des signaux Enseignement scientifique & technique Image-Données-Signal UE du créneau C. 24 Roland BADEAU
APM_4AI02_TP Séries chronologiques (partie 1) Enseignement scientifique & technique Mathématiques UE du créneau C. 24 Francois ROUEFF
APM_4AI03_TP Séries chronologiques (partie 2) Enseignement scientifique & technique Mathématiques UE du créneau C. 24 Roland BADEAU
APM_4AI04_TP Analyse des signaux de musique et de parole : méthodes et... Enseignement scientifique & technique Image-Données-Signal UE du créneau C. 24 Roland BADEAU
APM_4AI08_TP Statistics: linear models/Statistique : modèles linéaires Enseignement scientifique & technique Mathématiques UE du créneau C. 24 Ekhine IRUROZKI ARRIETA
APM_4AI09_TP Advanced Statistics/Statistique avancée Enseignement scientifique & technique Mathématiques UE du créneau C, SD Apprentissage statistique. 24 Philippe CIBLAT
APM_4AI10_TP Machine Learning Enseignement scientifique & technique Mathématiques UE du créneau C. 24 Florence D'ALCHE
APM_4AI11_TP Optimization for Machine Learning Enseignement scientifique & technique Mathématiques SD Apprentissage statistique, UE du créneau C. 24 Radu-Alexandru Dragomir,
Olivier FERCOQ
APM_4AI12_TP Machine Learning for Text Mining Enseignement scientifique & technique Mathématiques SD Apprentissage statistique. 24 Matthieu LABEAU
CSC_4AI05_TP Introduction au traitement et à la transmission des signa... Enseignement scientifique & technique Image-Données-Signal UE du créneau C. 24 Jean LE FEUVRE
CSC_4AI07_TP Introduction to deep learning Enseignement scientifique & technique Image-Données-Signal UE du créneau C. 21 Geoffroy PEETERS
Veuillez patienter