M2 Mathematics, Vision, Learning

Apply for the degree
  • Places available
    180
  • Language(s) of instruction
    French, English
Présentation
Objectives

The Master 2 MVA (Mathematics, Vision, Learning), created by the mathematics department of the ENS Paris-Saclay, is a unique master in France since its creation in 1996. In cooperation with several academic partners, it trains a large number of university and "grandes ecoles" students each year in Research, Development and Innovation for public and private organizations and companies in the field of mathematics applied to data, image and signal processing.
The huge growth in the use of digital data in all fields of science, technology and society requires the training of high-level mathematical researchers mastering the acquisition and processing of digital data on the one hand, and their automatic interpretation on the other. These two aspects are strictly complementary and are reflected in the three terms characterizing the MVA program.

Location
GIF SUR YVETTE
PALAISEAU
PARIS 15
Course Prerequisites

Admission: Sur dossier, pour les titulaires d'un M1 de mathématiques, d'informatique ou de physique, ou pour les élèves de 3e année d'École d'ingénieurs (intégration possible dans le cadre de doubles cursus, selon accords).

Skills
  • Maitriser et mettre en oeuvre des outils et méthodes mathématiques de haut niveau.

  • Comprendre et modéliser mathématiquement un problème afin de le résoudre.

  • Analyser des données et mettre en oeuvre des simulations numériques.

  • Analyser un document de recherche en vue de sa synthèse et de son exploitation.

  • Maitriser des outils numériques et langages de programmation de référence.

  • Expliquer et rédiger, clairement et rigoureusement, une théorie et des résultats mathématiques.

Post-graduate profile

En sortie du master MVA, les étudiants ont acquis un solide bagage théorique et pratique dans le domaine de l'analyse des données au sens large.

Career prospects

Les débouchés du parcours sont la thèse, la R&D dans les grands organismes et les grands groupes, les terrains d'innovation (startups) à peu près dans tous les secteurs d'activité.
Les étudiants sont confrontés à ces débouchés à travers :
-les modules d'enseignement (les contenus pédagogiques sont illustrés sur des cas d'applications réelles)
-le forum labos-entreprises organisé chaque année en novembre qui permet aux étudiants de discuter directement et de manière informelle avec des employeurs potentiels (publics ou privés).

Covid-19 context (start of the academic year 2020-2021 for this training)

Training offering exclusively via distance-learning until December 2020 for international students detained outside France.

More information

Collaboration(s)
Laboratories

Centre de mathématiques et de leurs applications.

Fédération de Mathématiques (CentraleSupélec),.

Programme

ECTS au choix à valider.

Matières ECTS Cours TD TP Cours-TD Cours-TP TD-TP A distance Projet Tutorat
Topological data analysis for imaging and machine learning 5 12 12 3
Théorie des matrices aléatoires et apprentissage 5 24 6
Sub-pixel Image Processing 5 20 16
Remote sensing data: from sensor to large-scale geospatial data exploitation 5 31.5 7
Reinforcement Learning 5 16 4.5
Problèmes inverses et imagerie : approches statistiques et stochastiques 5 24
Probabilistic graphical models 5 27
Predictions of individual sequences 5 18
Parcimonie et analyse de données massives en astrophysique 5 24
Object Recognition and Computer Vision 5 30
Nuages de points et modélisation 3D 5 12 12
Modélisation en neurosciences et ailleurs 5 20
Méthodes stochastiques pour l'analyse d'images 5 18 9
Méthodes mathématiques pour les neurosciences 5 24 16
L'apprentissage par réseaux de neurones profonds 5 24
Kernel Methods for machine learning 5 23
Introduction to statistical learning 5 16 6
Introduction to Medical Image Analysis 5 24
Introduction à l'imagerie numérique 5 21 6
Imagerie fonctionnelle cérébrale et interface cerveau machine 5 24
Image denoising : the human machine competition 5 20 10 10
Graphs in Machine Learning 5 16 6
Géométrie et espaces de formes 5 20 9
Foundations of distributed and large scale computing optimization 5 24
Fondements Théoriques du deep learning 5 25 5
Discrete inference and learning 5 24
Deformable Models and Geodesic Methods for Image Analysis 5 21 9
Deep Learning in Practice 5 12 12
Deep Learning 5 18 3 6
Convex optimization and applications in machine learning 5 21
Computational statistics 5 20 10
Computational optimal transport 5 18
Biostatistics 5 24
Bayesian machine learning 5 16 8
Audio Signal Processing - Time-Frequency Analysis 5 20
Audio signal Analysis, Indexing and Transformations 5 14 10
Approches géométriques en apprentissage statistique: l'exemple des données longitudinales 5 21
Apprentissage Profond pour la Restauration et la Synthese d'Images 5 12 9 6
Algorithms for speech and natural language processing 5 20
Advanced Learning for Text and Graph 5 14 14
3D Computer Vision 5 18

Stage obligatoire.

Matières ECTS Cours TD TP Cours-TD Cours-TP TD-TP A distance Projet Tutorat
Stage 20
Modalités de candidatures
Application period
From 30/03/2020 to 01/07/2020
Compulsory supporting documents
  • Curriculum EU (description of the units of education followed) of the last two years.

  • Curriculum Vitae.

  • Motivation letter.

  • Letter of recommendation or internship evaluation.

  • All transcripts of the years / semesters validated since the high school diploma at the date of application.

Additional supporting documents
Contact(s)
Course manager(s)