v2.11.0 (5728)

Filières de 2e année - SD : Filière Science des données (créneau C)

Domaine > Mathématiques, Informatique.

Descriptif

Responsables de la filière : Mauro Sozio (domaine Gestion et exploration de données), Pavlo Mozharovskyi (domaine Apprentissage Statistique)
Responsable mobilité internationale :
Ekhine Irurozki
Coordination des stages : Olivier Fercoq et Hicham Janati

La filière est enseignée en anglais.

La filière Science des données couvre l'ensemble des domaines liés à l'exploitation, la gestion et l'analyse de grands volumes de données, structurées et non structurées.

La filière vous propose d’explorer les grands volumes de données, de comprendre et analyser les données.
Les cours associent théorie et pratique grâce à un bon équilibre entre TD de maths et TP en salle informatique. Vous développerez vos connaissances en bases de données, développement web, statistiques et apprentissage statistique.

Des exemples de débouchés naturels sont les métiers de « data scientist » ou analyste des données, d'ingénieur statisticien, d'administrateur de bases de données, ou les domaines de recherche et R&D en apprentissage statistique, gestion de données, extraction de données, fouille de données, mathématiques de l'apprentissage.

En savoir plus...

2e année

Les étudiants suivront en 2e année 7 unités d'enseignement communes, et soit APM_4AI09_TP (SD-TSIA 205) soit APM_4AI12_TP (SD-TSIA 214) selon leur choix d'option.



  P1 P2 P3 P4

C1

CSC_4SD01_TP
(SD 201)

Data Mining

APM_4AI08_TP
(SD-TSIA 204)

Statistics : linear models

 

APM_4AI09_TP
(SD-TSIA 205)

Advanced Statistics

-----OU-----

APM_4AI12_TP
(SD-TSIA 214)

Machine Learning for Text Mining

CSC_4SD04_TP
(SD 212)

Graph Learning

C2

CSC_4SD02_TP
(SD 202)

Data Bases

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


 
UE du créneau D d'UE partagées
  • Le module FMA_0EL01_TP (MDI 210) Optimisation devra être suivi en P1 (prérequis pour APM_4AI11_TP (SD-TSIA211). Cependant, en cas d'incompatibilité avec une UE requise par une autre filière suivie, et seulement dans ce cas, FMA_0EL01_TP peut être suivi en P3 (cela pourra rendre plus difficile le suivi de certains cours de la filière SD).
  • APM_0EL02_TP (MDI 220) Statistiques  en P1 (obligatoire)
  • CSC_0EL11_TP (INF 224) Paradigmes de programmation (recommandé)

Options de 3e année

Option interne

Faire une option interne à l'école :

  • Option interne SD science de données
  • Option interne IA Intelligence Artificielle (en partenariat avec l'ENSTA)
Master M2 Spécialisation Apprentissage : Master M2
  • M2 parcours Data Sciences (mention Mathématiques et applications) - IP Paris
  • M2 parcours MVA : Mathématiques, Vison et Apprentissage (mention Mathématiques et applications) - IP Paris
  • M2 parcours Data and Artificial Intelligence (mention Informatique) - IP Paris
  • M2 parcours MICAS (mention E3A) - IP Paris
Spécialisation Gestion de Données : Master M2 :
  • M2 parcours DataScale : Gestion de données dans un monde numérique (mention informatique) - IP paris
  • M2parcours Data and Artificial Intelligence (mention Informatique) - IP Paris
Formation à l’étranger

Suivre une formation équivalente à l'étranger (contacter le responsable mobilité internationale)

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 ParisTech.

Pré-requis

UE créneaux D partagés pour la filière : Statistiques (MDI220) au P1, Optimisation (MDI210) au P1 et Paradigmes de programmation (INF224) recommandé

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

    CSC_4SD01_TP CSC_4SD02_TP APM_4AI08_TP APM_4AI11_TP APM_4AI10_TP APM_4AI09_TP CSC_4SD04_TP APM_4AI12_TP CSC_4AI07_TP

Unités d'enseignement

UE Type d'enseignement Domaines Catégorie d'UE Volume horaire Responsables Site pédagogique
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_4AI07_TP Introduction to deep learning Enseignement scientifique & technique Image-Données-Signal UE du créneau C. 21 Geoffroy PEETERS
CSC_4SD01_TP Exploration de données /Data Mining Enseignement scientifique & technique Informatique UE du créneau C. 24 Mauro SOZIO
CSC_4SD02_TP Databases / Bases de données Enseignement scientifique & technique Mathématiques UE du créneau C. 24 Mehwish ALAM
CSC_4SD04_TP Graph Learning Enseignement scientifique & technique Mathématiques, Informatique UE du créneau C. 24 Thomas BONALD
Veuillez patienter