M2 Traitement de l'information et exploitation données

Candidater à la formation
  • Capacité d'accueil
    25
  • Langue(s) d'enseignement
    Français
  • Régime(s) d'inscription
    Formation initiale
Présentation
Objectifs pédagogiques de la formation

Le master TRIED forme des « datascientists », les scientifiques des données sont des experts en analyse, traitement et modélisation des données. Ils maitrisent les concepts et les technologies de l’intelligence artificielle. La formation est pluridisciplinaire à la frontière entre les mathématiques appliqués, l’informatique et la physique. L’objectif est d’acquérir les compétences nécessaires au développement d’algorithmes d’apprentissage automatique (machine learning) pour des modélisation statistique complexes dans des domaines applicatifs variés. Depuis quelques années les étudiants sont formés à l’apprentissage profond (deep learning) ces techniques ayant des perspectives importantes dans de nombreux secteurs.
le Master TRIED offre donc des débouchés dans le secteur en pleine expansion du traitement statistique de données dans divers domaines d'application : la télédétection spatiale, les télécommunications, les sciences de l'environnement et du climat, la biométrie, mais aussi dans le secteur tertiaire (banques, assurances, gestion des entreprises) dans lesquels les besoins en datascientist sont croissants.La formation permet également de poursuivre en thèse. Le formation d'ingénieurs ou de futurs chercheurs en analyse et modélisation de données repose sur une forme d'enseignement spécifique dans laquelle formation théorique et pratique sont bien coordonnées. Une connaissance approfondie des modèles est associée à l'apprentissage de leur mise en œuvre. L'ensemble des contenus pédagogiques et des contrôles de connaissances proposé par la formation met l'accent sur le travail en équipe, le travail sur projet, l'acquisition de compétences transverses, la capacité à mettre en œuvre des compétences de plusieurs disciplines.

Les cours se déroulent sur deux sites:

Lundi - mercredi : CNAM : 292 Rue Saint-Martin, 75003 Paris
Mardi - jeudi - vendredi : Telecom Sud PAris - Paris Saclay : 19 place Marguerite Perey, 91120 Palaiseau

Lieu(x) d'enseignement
PARIS 03
PALAISEAU
Pré-requis, profil d’entrée permettant d'intégrer la formation

Le master TRIED peut être suivi soit à la suite d’un Master 1 scientifique (Informatique, Physique, Mathématique Appliquées, Statistique, Sciences pour l’Ingénieur, E3A, M1 anglophone de TSP), soit à partir d'un diplôme d'ingénieur. La formation de Master TRIED peut être également suivie par des étudiants en dernière année d’école d’ingénieur dans le cadre de convention pédagogique ou en bicursus (ISTY, TSP, ENSIIE, ESME,..).

Compétences
  • être capable de comprendre les problématiques spécifiques (problématiques métiers) liées au traitement de données à partir de description faites par différents type d'interlocuteurs.

  • être capable d'identifier les modèles statistiques adaptés en fonction des problématiques en interaction avec différents type d'interlocuteurs.

  • être capable d'expérimenter (mettre en oeuvre) les modèles statistiques sur des jeux de données.

  • être capable d'analyser les résultats et d'évaluer les performances.

  • être capable de communiquer sur son travail avec différents type d'interlocuteurs.

  • être capable de se former seul à l'utilisation des futurs modèles et algorithmes de machine learning.

Profil de sortie des étudiants ayant suivi la formation

Le Master TRIED forme
- des data scientists ou data ingénieurs experts en traitement statistique de données, analyse statistique de grande base de données, capables d'extraire de l'information à partir de jeux de données volumineux et hétérogènes.
- des experts en apprentissage statistique (machine learning) tels que les réseaux de neurones pour réaliser des modélisations statistiques complexes
-des ingénieurs ou des scientifiques capable de modéliser des données bruitées, extraire de l'information à partir de bases de données, ou concevoir des systèmes complexes basés sur des techniques de machine learning classique ou de deep-learning
-un focus particulier sur les données issues de capteurs et d'observations présentant un aléa naturel. Ces données sont celles qui sont utilisées notamment dans les domaines de la biométrie, la santé, l'observation de la terre, le télédétection spatiale.

Débouchés de la formation

Les débouchés sont nombreux et dans des secteurs d’activité très variés tels que l’industrie automobile, les télécommunications, la santé, la télédétection mais également l’analyse des réseaux sociaux, les banques ou les sociétés d’assurance ....Les emplois sont également nombreux dans les laboratoires de recherche, les petites structures (startup) ou dans les grands groupes. Le Master permet de se spécialiser en modélisation des données issues de capteurs et présentant un aléa naturel (domaine de la santé, de l’observation de la terre ou du climat).
En raison de son ancienneté (25 ans) la formation bénéficie, d'un important réseau d'anciens étudiants. Ce réseau, associé au dynamisme du secteur, permet aux étudiants de bénéficier d'un nombre extrêmement important d'offre de stage et d'emploi dans des domaines d'applications très variés. Ces dernières années tous les étudiants du Master TRIED ont trouvé un emploi, soit directement après le stage soit dans les mois qui ont suivi.
La conjoncture actuelle étant très favorable à la poursuite en doctorat les étudiants qui le souhaitent peuvent poursuivre en thèse. De nombreux stages de recherche sont proposés en laboratoire notamment dans le domaine de l'IA appliquée à observation de la terre et du climat ou bien dans les services R&D de grandes entreprises. La formation, par l'intermédiaire de ses enseignants est adossée à plusieurs laboratoires de recherche de différents domaines comme la fouille de données (data mining) ou l'apprentissage automatique (CEDRIC), les sciences de l'environnement et la télédétection spatiale (LATMOS, LOCEAN), les télécommunications et la biométrie (SAMOVAR).

Collaboration(s)
Laboratoire(s) partenaire(s) de la formation

Laboratoire Atmosphères, Milieux, Observations Spatiales (LATMOS) www.latmos.ipsl.fr.

Laboratoire d'Océanographie et du Climat: Expérimentations et approches numériques (LOCEAN) www.locean-ipsl.upmc.fr
Centre d’études et de recherche en informatique et communications
Services répartis, Architectures, MOdélisation, Validation, Administration des Réseaux (SAMOVAR)
Institut Pierre Simon Laplace (IPSL) www.ipsl.fr

Programme

Le Tronc Commun est constitué du socle scientifique et de l'UE d'anglais. Le socle scientifique comprends les bases en analyse et modélisation statistique des données, apprentissage statistique, intelligence artificielle
Les ECTS au choix permettent soit d'acquérir des compétences complémentaires relatives aux base de données , aux objets connectés, au traitement d'image; soit de réaliser des projets de data sciences qui nécessitent la mise en oeuvre de l'ensemble des compétences acquises dans le tronc commun associées à des compétences transverses (gestion de projet, rédaction, valorisation).

Matières ECTS Cours TD TP Cours-TD Cours-TP TD-TP A distance Projet Tutorat
Réseaux bayésiens-Chaînes de Markov Cachées 3 15 12
Reconnaissances des formes et méthodes neuronales 6 36 18 6 36
Méthodes statistiques pour les données qualitatives 3 9 9 12 12
Apprentissage Profond 3 15 15 12
Anglais 3 27
Analyse statistique de jeux de données réelles 6 54 12
Matières ECTS Cours TD TP Cours-TD Cours-TP TD-TP A distance Projet Tutorat
Traitement d'images 6 33 6 9
Objets connectés : principes et fiabilité des capteurs 6 15 18 21
Etude de cas en data science 3 9 9 14
Comparaison de méthodes de classification 3 9 18
Bases de données recherche d'information 3 24 12 18

Avant le stage , 6 ECTS permettent d'aider les étudiants à préciser leur projet professionnel afin de choisir le stage adéquat.

Matières ECTS Cours TD TP Cours-TD Cours-TP TD-TP A distance Projet Tutorat
Projet de recherche en data science 3 154
Connaissance de l'entreprise 3 18 6 9
Base de Données pour Big Data 3 18 18
Matières ECTS Cours TD TP Cours-TD Cours-TP TD-TP A distance Projet Tutorat
Stage 24 64
Modalités de candidatures
Période(s) de candidatures
Du 31/03/2020 au 08/07/2020
Pièces justificatives obligatoires
  • Curriculum Vitae.

  • Lettre de motivation.

  • Tous les relevés de notes des années/semestres validés depuis le BAC à la date de la candidature.

Pièces justificatives complémentaires
Contact(s)
Responsable(s) de la formation
Secrétariat pédagogique
Morgane Deschamps - Morgane.Deschamps@uvsq.fr