v1.11.0 (686)

3eA, Option interne - SD-3A : S1-Option SD Science des données

Descriptif

Responsables : Albert Bifet (choix "gestion de données" ) et Florence D'Alché (choix "apprentissage statistique")
Responsable des stages : François Portier ; Responsable des projets PRIM : Olivier Fercoq

Nous conseillons aux élèves de s'inscrire dans un des M2 de Paris Saclay précisés plus loin. Il est également possible, pour les étudiants qui ne souhaitent pas faire de M2 de faire une option interne. Les élèves doivent contacter un des responsables de l'option pour établir un programme tenant compte de leur formation antérieure et de leurs motivations.

L'option consistera, au 1er semestre

  • en cours de Master 2 pour 12 ECTS (120 heures approximativement) : M2 MVA,  AIC, Data Sciences, Data Scale, Data and Knowledge (Université Paris-Saclay)
  • et un projet PRIM (12 ECTS)

Elle sera suivie d'un stage au 2e semestre.

Les étudiants entrant directement en 3e année ont également accès aux cours des filières au 1er semestre comme au 2e semestre, dans la limite des contraintes horaires, et pourront faire un second projet PRIM.

Prérequis : réussite de la filière SD ou, pour les 18 mois entrant directement en 3eA,  connaissances équivalentes : 

  • bonnes compétences en programmation
  • solides bases en statistiques et optimisation
  • cours de base en apprentissage statistique et en gestion de données 

Pour en savoir plus
Il est possible mais il peut être complexe au niveau emploi du temps de combiner des cours de différents M2. Les étudiants souhaitant suivre une option interne doivent : 

  •  s'assurer de la compatibilité des choix avec leur emploi du temps
  • faire valider leur choix d'UE par un des responsables de la filière SD ; il s'agit en particulier de s'assurer que les étudiants ont les prérequis nécessaires au suivi des cours, et que les cours choisis ne sont pas redondants avec des cours de filière de deuxième année
  • contacter d'eux-mêmes les reponsables de chacune des UE choisies pour confirmer la possibilité de suivre ces cours en tant qu'auditeur libre, non inscrit au M2, et de transmission des résultats aux UE à la scolarité de Télécom ParisTech
  • faire valider leur choix de projet PRIM par le responsable des projets PRIM

 

Liste détaillée des Master 2 : 

Diplômes concernés

Composition du parcours

  • AIC901,
  • AIC902,
  • AIC903,
  • AIC911,
  • AIC912,
  • AIC921,
  • DATA901,
  • DATA902,
  • DATA903,
  • DATA905,
  • DATA907,
  • DATA909,
  • DATA910,
  • DATA912,
  • DATA913,
  • DATA927,
  • MVA-DATA908,
  • MVA904,
  • MVA905,
  • MVA906,
  • MVA907,
  • MVA909,
  • MVA913,
  • MVA914,
  • PRIM380

Unités d'enseignement

UE Type d'enseignement Domaines Catégorie d'UE Volume horaire Responsables Site pédagogique
AIC901 Large-scale distributed algorithms and matrix operations/... Enseignement de Master 2 21 Mauro SOZIO
AIC902 Information extraction and retrieval from textual data (R... Enseignement de Master 2 Mathématiques 21 Isabelle BLOCH
AIC903 Image and Signal processing (Traitement des Images et du... Enseignement de Master 2 Image-Données-Signal 21 Isabelle BLOCH,
Yohann TENDERO
AIC911 Advanced Optimization (Optimisation Avancée) Enseignement de Master 2 21 Isabelle BLOCH
AIC912 Structured learning (Apprentissage à partir de données ... Enseignement de Master 2 21 Florence D'ALCHE
AIC921 Deep Learning Enseignement de Master 2 21 Isabelle BLOCH
DATA901 Data Camp Enseignement de Master 2 Mathématiques 40 Alexandre GRAMFORT
DATA902 Optimisation for Data Science Enseignement de Master 2 Mathématiques 40 Alexandre GRAMFORT
DATA903 Machine Learning : from theory to practice Enseignement de Master 2 Mathématiques, Image-Données-Signal 40 Florence D'ALCHE
DATA905 Introduction to Graphical Models Enseignement de Master 2 21 Florence D'ALCHE,
Umut SIMSEKLI
DATA907 Advanced Optimization Methods and Monotone Operators Enseignement de Master 2 Mathématiques Pascal BIANCHI,
Olivier FERCOQ,
Florence D'ALCHE
DATA909 Machine Learning : Business Case Enseignement de Master 2 Florence D'ALCHE
DATA910 Graphical Models for large scale content access Enseignement de Master 2 Mathématiques
DATA912 Statistical Learning Theory Enseignement de Master 2 20 Florence D'ALCHE
DATA913 Theoretical guidelines for high-dimensional data analysis Enseignement de Master 2 20 Florence D'ALCHE
DATA927 Structured Data : Learning, prediction, dependency and te... Enseignement de Master 2 Slim ESSID,
Florence D'ALCHE
MVA-DATA908 Advanced learning for text and graph data Enseignement de Master 2 18 Yann GOUSSEAU
MVA904 Deep Learning (Apprentissage) Enseignement de Master 2 Yann GOUSSEAU
MVA905 Sparse Wavelet representations and classification (Appren... Enseignement de Master 2 Yann GOUSSEAU
MVA906 Modélisations en neurosciences et ailleurs (Apprentissage) Enseignement de Master 2 Florence D'ALCHE
MVA907 Théorie des matrices aléatoires et apprentissage Enseignement de Master 2 24 Yann GOUSSEAU
MVA909 Probabilistic Graphical Models (Apprentissage) Enseignement de Master 2 Yann GOUSSEAU
MVA913 Introduction to statistical learning (apprentissage) Enseignement de Master 2 Yann GOUSSEAU
MVA914 Reinforcement learning Enseignement de Master 2 24 Yann GOUSSEAU
PRIM380 Projet de recherche et d'Innovation Master Projets 120 Daniela CIRIGLIANO PESCHARD
Veuillez patienter