v1.11.0 (686)

Filière - TSIA : 17-18 Filière Traitement du signal pour l'intelligence artificielle (TSIA - créneau C).

Descriptif

Responsable de la filière : Pascal Bianchi
Responsable mobilité internationale : Slim Essid
Coordination des stages : Marco Cagnazzo

Le programme est partiellement 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 MACS, IMA ou SOCOM. 

2e année (M1)
Voir la liste des cours en bas de page.
Les enseignements (192 heures) sont composés
  • d'UE en français, spécifiques à TSIA sur les données temporelles (code : TSIA)
  • et d'UE en anglais,  communes avec la filière SD Science des données, sur l'apprentissage statistique et la gestion de données (code : SD-TSIA).
Cinq cours ont communs, trois autres sont au choix (au P3 et au P4)
 
La filière est complétée par certains cours du créneau UE partagées :
  •  MDI 210 Optimisation  (en P1)
  • MDI 220 Statistiques  en P1 (obligatoire)

3e année (M2)

En M2, les étudiants peuvent

  • candidater à un de ces Master 2 , qui incluent un stage : 
    • ATSI , Automatique et Traitement du Signal et des Images  (Upsay, mention E3A)
    • MN, Multimedia Networking  (Upsay, mention E3A). Cours à Télécom ParisTech
    • AIC, Apprentissage, information et contenu (UPSAy, mention informatique)
    • DataSciences , (UPSay, mention Maths appliquées)
    • MVA, Mathématiques, Vision, Apprentissage (UPSay, mention Maths appliquées)
    • ATIAM, Acoustique, traitement du signal et informatique appliqués à la musique  (UPMC)
    • BIM, Bio-Imagerie (Université Paris-Descartes, mention Biomédical) 
  • Suivre un programme équivalent à l'étranger (contacter le responsable mobilité internationale de la filière)
  • Suivre l'option interne IDAS (S1) , composée de 120 heures de cours issus de ces M2  et  d'un projet de 120h, complétée par un stage au S2. Le choix des cours dépendra de l'orientation souhaitée : coloration apprentissage statistique et signal, Audio et parole, Multimedia
     

Les étudiants peuvent aussi choisir de

  • suivre un cursus transverse, c'est à dire accessible quelle que soit la filière suivie en 2e année (exemple : option interne ENT entrepreunariat ou un des M2 transverses : PIC, IREN)
  •  ou une des options alternatives, une 3e année dans un établissement de ParisTech ou de Mines ParisTech
 Quelle que soit l'option choisie, les élèves font un stage ingénieur ou de recherche de 6 mois.

Diplômes concernés

Composition du parcours

  • SD-TSIA204,
  • SD-TSIA205,
  • SD-TSIA210,
  • SD-TSIA211,
  • SD-TSIA214,
  • TSIA201,
  • TSIA202a,
  • TSIA202b,
  • TSIA203,
  • TSIA206,
  • TSIA207

Unités d'enseignement

UE Type d'enseignement Domaines Catégorie d'UE Volume horaire Responsables Site pédagogique
SD-TSIA204 Statistics: linear models/Statistique : modèles linéaires Enseignement scientifique & technique Mathématiques 24 Pascal BIANCHI,
Joseph SALMON,
Francois PORTIER
SD-TSIA205 Advanced Statistics/Statistique avancée (Option Apprenti... Enseignement scientifique & technique Mathématiques SD-Apprentissage statistique. 24 Francois ROUEFF,
Stephan CLEMENÇON,
Pascal BIANCHI
SD-TSIA210 Machine Learning Enseignement scientifique & technique Mathématiques 24 Pascal BIANCHI,
Florence D'ALCHE,
Umut SIMSEKLI
SD-TSIA211 Optimization for Machine Learning Enseignement scientifique & technique Mathématiques 24 Olivier FERCOQ
SD-TSIA214 Machine Learning for Text Mining (option apprentissage st... Enseignement scientifique & technique Mathématiques SD-Apprentissage statistique. 24 Chloe CLAVEL
TSIA201 Représentations des signaux Enseignement scientifique & technique Image-Données-Signal 24 Beatrice PESQUET-POPESCU,
Pascal BIANCHI
TSIA202a Séries chronologiques (partie 1) Enseignement scientifique & technique Mathématiques 24 Francois ROUEFF,
Pascal BIANCHI
TSIA202b Séries chronologiques (partie 2) Enseignement scientifique & technique Mathématiques 24 Francois ROUEFF,
Roland BADEAU,
Pascal BIANCHI
TSIA203 Méthodes adaptatives Enseignement scientifique & technique Image-Données-Signal 24 Pascal BIANCHI,
Anne SABOURIN
TSIA206 Analyse des signaux de musique et de parole : méthodes e... Enseignement scientifique & technique Image-Données-Signal 24 Yves GRENIER,
Chloe CLAVEL,
Pascal BIANCHI
TSIA207 Introduction au traitement et à la transmission des sign... Enseignement scientifique & technique Image-Données-Signal 24 Marco CAGNAZZO,
Pascal BIANCHI
Veuillez patienter