v2.11.0 (5762)

Parcours thématiques des apprentis - 2A-ALT-IA : Parcours Thématique Intelligence Artificielle 2A

Domaine > Informatique.

Descriptif

L’objectif du parcours est de former des ingénieurs opérationnels, experts en apprentissage statistique et intelligence artificielle, et conscients des enjeux industriels et sociétaux de l’IA. L’ambition est de fournir une formation ouverte aux diverses disciplines constituant le champ de l’IA et de la science des données. La formation se situe à la croisée de trois domaines professionnels : data analysis, data engineering, et intelligence artificielle.

Points forts de la formation

  • Deux années d’alternance, précédées d’une première année à vocation généraliste, consacrée aux fondamentaux des domaines du numérique.
  • Une formation complète, explorant les différents champs de compétence du data scientist : traitement de données hétérogènes (texte, vidéo, audio, langage, etc.), infrastructures de données et programmation, jusqu’aux aspects sociologiques.
  • Un suivi régulier de l’apprenti par un tuteur académique.
  • Un projet intégrateur au long cours, réalisé à l’école sur deux ans.

Compétences acquises

  • Maîtrise des techniques du machine learning, du deep learning, de l’apprentissage par renforcement, et de l’optimisation
  • Savoir-faire en traitement de données perceptuelles (langage naturel, images, son)
  • Compréhension des concepts-clé en infrastructure de données
  • Connaissance du contexte socio-professionnel de l’intelligence artificielle

Description du parcours

  • Première année : base des connaissances indispensables (formation école)
  • Deuxième année : alternance hebdomadaire 3 jours école – 2 jours entreprise

192 heures de parcours thématique en IA, majoritairement dispensées en anglais

72 heures d’enseignements scientifiques généralistes

72 heures d’enseignements d’ouverture (droit, sciences économiques et sociales, etc.)

48 heures de projet intégrateur

Langue étrangère (anglais)

  • Troisième année : alternance hebdomadaire 2 jours école – 3 jours entreprise

216 heures de parcours thématique en IA, majoritairement dispensées en anglais

96 heures d’enseignements généralistes au choix

48 heures de projet intégrateur

Séminaire

Langue étrangère (anglais)

  • Suivi de l’apprenti : par le tuteur académique, tout au long de l’année. Un comité de pilotage composé du maître d’apprentissage, du tuteur et de l’étudiant, se réunit deux fois par an.

 

Candidature auprès de l’entreprise

Il revient à l’étudiant admis d’entreprendre les démarches pour contacter les entreprises de son choix, et obtenir une offre de mission. Télécom Paris et le CFA des sciences s’appuient sur leur réseau de partenaires industriels afin de rassembler des offres de mission en entreprise. L’étudiant n’est toutefois pas contraint au périmètre des offres proposées par les partenaires. L’offre de mission doit être validée par le responsable pédagogique avant signature du contrat d’apprentissage.

Pour plus d'informations

 

Diplômes concernés

Composition du parcours

    CSC_4SD01_TP CSC_4SD02_TP APM_4AI08_TP APM_4AI11_TP APM_4AI10_TP CSC_4AI07_TP CSC_4SD04_TP APM_4AI12_TP APM_4AI09_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 Informatique, Mathématiques UE du créneau C. 24 Thomas BONALD
Veuillez patienter