M2 Data Science

Candidater à la formation
  • Capacité d'accueil
    40
  • Langue(s) d'enseignement
    Français, Anglais
  • Régime(s) d'inscription
    Formation initiale
    Formation en apprentissage
Présentation
Objectifs pédagogiques de la formation

Ce parcours-type permet aux étudiants de se doter des connaissances fondamentales, des compétences techniques et des méthodologies appliquées concrètes pour exploiter et donner un sens aux grands ensembles de données du monde réel, qui sont généralement très volumineux et peuvent consister en plusieurs bases de connaissances hétérogènes. En particulier, les étudiants acquerront de l'expérience dans l'utilisation et le développement de services et d'outils intelligents basés sur les données pour la prise de décision. Les étudiants seront également formés à maîtriser les traitements de données et de connaissances volumineuses. Ce parcours donnera aussi les bases des techniques d'apprentissage (Machine Learning, Deep Learning). Ce parcours met l'accent comme sus-mentionné sur la science des données mais également sur l'ingénierie du logiciel.

Cette formation est proposée en formation initiale (capacité d'accueil: 15) et en formation en apprentissage (alternance) (capacité d'accueil: 25)

  • Formation initale :

session de recrutement du 01/05/2020 au 01/07/2020

  • Formation en apprentissage (alternance):

session de recrutement du 01/04/2020 au 01/07/2020

Lieu(x) d'enseignement
ORSAY
GIF SUR YVETTE
PALAISEAU
Pré-requis, profil d’entrée permettant d'intégrer la formation

Ayant validé les M1 DataScience ou Artificial Intelligence de l'Université Paris-Saclay ou une formation équivalente pour les étudiants hors Paris-Saclay. Pour la voie par alternance, les étudiants devront avoir validé le M1 Data Science par alternance car les contrats avec les entreprises sont sur deux années.

Prospective students are expected to have at least validated 4 years of tertiary studies in Computer Science, either as an M1 in Paris-Saclay or an equivalent diploma for foreign students.

Compétences
  • Acquérir les fondements théoriques relatifs à différentes types d'approches issues des sciences des données.

  • Concevoir et developper des systèmes pour la gestion des données massives et hétérogènes.

  • Construire, évaluer et interpréter des modèles d'analyse et d'apprentissage en tenant compte de la nature des données.

  • Maitriser la méthodologie d'apprentissage à partir des données brutes (from scratch) à l'évaluation.

Profil de sortie des étudiants ayant suivi la formation

Data scientist/engineer, concepteur/dévelopeur d'architecture de gestion et d'analyse de données massives, gestionnaire d’applications, intégrateur d’applications, architecte de données, ingénieur R&D.

Débouchés de la formation

Ce parcours-type permet aux étudiants de s'insérer facilement dans le monde industriel dans des entreprises développant des logiciels innovants, des startups ou des départements R&D de grandes entreprises. Il permet également de poursuivre vers un doctorat afin de préparer une thèse en rejoignant un organisme de recherche (publique ou privée) ou un département R&D en entreprise
Les métiers visés après ce parcours-type sont Data Analyste, Administrateur de bases de données, Gestionnaire de données massives, Gestionnaire d'applications, Intégrateur d'applications, Architecte de données, Concepteur/Développeur applications Big Data, Ingénieur en Recherche et Développement.

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

Laboratoire de recherche en informatique
Laboratoire d'Informatique pour la Mécanique et les Sciences de l'Ingénieur
Laboratoire Spécification et Vérification.

Programme

Le parcours-type Data Science peut être validé selon deux voies de formation :
- La voie par alternance (ISD)
- La voie initiale (DS)

Toutes les UEs listées ci-dessous devront être validées au cours du parcours (M1 / M2): il est requis d'acquerir 60 ECTS par niveau, pour un total de 120 ECTS à l'issue des deux années.

** Pour valider la voie initiale DS (M1 & M2), les étudiants devront valider toutes les UE intitulées [DS].
À ces UE s'ajoutent :
- [AI] TC1 : Machine Learning
- [AI] TC2 : Optimization
- [AI] TC6 : Datacomp 2
- Visual Analytics (UE du M2 BDMA)

Pour atteindre 120 crédit ECTS, chaque étudiant devra compléter son parcours avec 4 UE dont l'intitulé est Soft skills - xxxx, un TER-Stage (en M1), un stage long (au second semestre du M2) ainsi qu'un libre choix de cours d'autres parcours-types pour compléter les 120 crédits ECTS.

** Pour valider la voie par alternance, les étudiants devront suivre toutes les UE [ISD] pour un total de 120 ECTS. Les cours dans cette voie sont dispensés en français.

Matières ECTS Cours TD TP Cours-TD Cours-TP TD-TP A distance Projet Tutorat
TER Stage 10
Stage long 30
French Language and Culture 2 2 21
French Language and Culture 1 2 30
EIT - Summer School 4
EIT - Innovation and Entrepreneurship Basics 2 3
EIT - Innovation and Entrepreneurship Basics 1 3
EIT - Innovation & Entrepreneurship Study 2 3
EIT - Innovation & Entrepreneurship Study 1 3 21
EIT - Innovation & Entrepreneurship Advanced 2 2.5
EIT - Innovation & Entrepreneurship Advanced 1 2.5 21
EIT - Business Development Lab 2 5
EIT - Business Development Lab 1 4
[SOFT] Soft skills - Transversal Project B 2.5 7 7 7
[SOFT] Soft skills - Transversal Project A 2.5 7 7 7
[SOFT] Soft skills - Summer school 2.5 21
[SOFT] Soft skills - Seminars B 2.5
[SOFT] Soft skills - Seminars (Fairness in Data Science) 2.5 20
[SOFT] Soft skills - 5 Innovation et Entreprenariat avancé 2.5 21
[SOFT] Soft skills - 4 Innovation et Entreprenariat 2.5 21
[SOFT] Soft skills - 3 (Formation à la vie de l'entreprise - Initiation) 2.5 21
[SOFT] Soft skills - 2 (Communication) 2.5 21
[SOFT] Soft skills - 1B (Langue) 2.5 100
[SOFT] Soft skills - 1A (Langue) 2.5 21
[PDCS] Programmation orientée objet 2.5 11 10
[PDCS] Programmation GPU 2.5 12 9
[PDCS] Programmation avancée C++ 2.5 9 0 12
[PDCS] Ordonnancement et systèmes d'exécution 2.5 21
[PDCS] Optimisation stochastique 2.5 21
[PDCS] Modélisation et optimisation des systèmes discrets 2.5 21
[PDCS] Jeux, apprentissage et optimisation des systèmes complexes 2.5 21
[PDCS] Initiation au calcul quantique 2.5 21
[PDCS] Frontières du calcul parallèle et distribué 2.5 21
[PDCS] Calcul Haute Performance 2.5 12 9
[PDCS] Big Data 2.5 12 3 8
[PDCS] Auto-stabilisation 2.5 21
[PDCS] Algorithmique parallèle 2.5 12 6 3
[PDCS] Algorithmes distribués robustes 2.5 21
[PDCS] Algorithmes de la nature 2.5 21
[ISD] Traitement distribué des données. 3 25
[ISD] Traitement automatique des langues 3 25
[ISD] Test et Vérification 3 25
[ISD] Services et applications Web 3 25
[ISD] sécurité 3 25
[ISD] Réseaux sans fil 3 25
[ISD] Réseaux 3 25
[ISD] Représentation des connaissances et visualisation 3 25
[ISD] Rapport d'activité 6 5
[ISD] Projets tuteurés 6 25
[ISD] Projet étude de cas 3 25
[ISD] Programmation système et réseau 3 25
[ISD] Probabilités/Statistiques 3 25
[ISD] Politiques et concepts avancés en sécurité 3 25
[ISD] outils pour la manipulation et l'extraction de données 3 25
[ISD] Optimisation 3 25
[ISD] Modélisation 3 25
[ISD] Modèles Mathématiques 3 25
[ISD] Mémoire 12 8
[ISD] Machine learning/Deep learning 3 25
[ISD] langages Dynamiques 3 25
[ISD] IoT (Internet des objets) 3 25
[ISD] Introduction à l'apprentissage 3 25
[ISD] Extraction et programmation statistique de l'information 3 25
[ISD] Droit informatique 3 25
[ISD] Data Warehouse II 3 25
[ISD] Data Warehouse I 3 25
[ISD] Data Lake 3 25
[ISD] Communication 3 25
[ISD] Cloud Computing 3 25
[ISD] Blockchain 3 25
[ISD] Anglais 3 25
[ISD] Anglais 3 25
[ISD] Algorithmique distribuée 3 25
[ISD] Algorithmique avancée 3 25
[HCI] Virtual Humans : Project 2.5 21
[HCI] Virtual Humans 2.5 21
[HCI] Studio Art Science 2.5 21
[HCI] Serious games : project 2.5
[HCI] Serious games 2.5
[HCI] Programming of Interactive Systems 2 2.5
[HCI] Programming of Interactive Systems 1 2.5
[HCI] Mixed Reality and Tangible Interaction - Project 2.5 21
[HCI] Mixed Reality and Tangible Interaction 2.5 21
[HCI] Interactive Machine Learning : Project 2.5
[HCI] Interactive Machine Learning 2.5
[HCI] Interactive Information Visualization : Project 2.5
[HCI] Interactive Information Visualization 2.5
[HCI] Groupware and Collaborative Work : Project 2.5 21
[HCI] Groupware and Collaborative Work 2.5 21
[HCI] Gestural and Mobile Interaction 2.5
[HCI] Fundamentals of eXtended Reality 2.5
[HCI] Fundamental of situated computing 2.5
[HCI] Fundamental of Human-Computer Interaction 2 2.5
[HCI] Fundamental of Human-Computer Interaction 1 2.5
[HCI] Experimental Design and Analysis 2.5
[HCI] Evaluation of Interactive Systems 2.5
[HCI] Digital fabrication : Project 2.5
[HCI] Digital Fabrication 2.5
[HCI] Design project - Level 2 : Project 2.5 21
[HCI] Design project - Level 2 2.5 21
[HCI] Design project - Level 1 : Project 2.5 21
[HCI] Design project - Level 1 2.5 21
[HCI] Design of Interactive Systems 2.5
[HCI] Creative Design : Project 2.5
[HCI] Creative Design 2.5
[HCI] Career Seminar - Level 2 project 2.5
[HCI] Career Seminar - Level 2 2.5
[HCI] Career Seminar - Level 1 : Project 2.5 21
[HCI] Career Seminar - Level 1 2.5
[HCI] Advanced Programming of Interactive Systems 2 2.5
[HCI] Advanced Programming of Interactive Systems 1 2.5
[HCI] Advanced Immersive Interactions - Project 2.5
[HCI] Advanced Immersive Interactions 2.5 21
[HCI] Advanced Design of Interactive Systems 2.5
[DS] Social and Graph Data Management 2.5 12 9
[DS] Semantic Web and Ontologies 2.5 12 9
[DS] Knowledge Discovery in Graph Data 2.5 12 6 3
[DS] Intelligence Artificielle, Logique et Contraintes : Projet 2.5 10.5 10.5
[DS] Intelligence Artificielle, Logique et Contraintes 2.5 10.5 10.5
[DS] Distributed Systems for Massive Data Management 2.5 12 0 9
[DS] Data Science Project 2.5 3 18
[DS] Bases de données avancées II : Transactions 2.5 9 8 4
[DS] Bases de données avancées I : Optimisation 2.5 9 8 4
[DS] Algorithms for Data Science 2.5 12 9
[ANO] Virtualisation et cloud 2.5
[ANO] Théorie des jeux 2.5 21
[ANO] Tests fonctionnels de protocoles 2.5 21
[ANO] Réseaux sans fil 2.5 21
[ANO] Réseaux mobiles 2.5 21
[ANO] Programmation système et réseaux 2.5 21
[ANO] Programmation MPI 2.5
[ANO] Optimisation multi-objectifs 2.5 21
[ANO] Optimisation discrète non linéaire 2.5 21
[ANO] Optimisation dans les graphes 2.5 21
[ANO] Internet of Things 2.5 21
[ANO] Evaluation de performances 2.5
[ANO] Blockchain 2.5
[AI] TC6: DATACOMP 2 2.5 12 9
[AI] TC5: SIGNAL PROCESSING 2.5 24
[AI] TC4: Probabilistic Generative Models 2.5 16.5 4.5
[AI] TC3: INFORMATION RETRIEVAL 2.5 9 12
[AI] TC2: OPTIMIZATION 2.5 12 4.5 4.5
[AI] TC1: MACHINE LEARNING 2.5 15 6
[AI] TC0 : Introduction to Machine Learning 2.5 15 6
[AI] PRE4: SCIENTIFIC PROGRAMMING 2.5 9 12
[AI] PRE3: DATACOMP 1 2.5 12 9
[AI] PRE2: MATHEMATICS FOR DATA SCIENCE 2.5 12 4.5 4.5
[AI] PRE1: APPLIED STATISTICS 2.5 10.5 10.5
[AI] OPT9: DATA CAMP 2.5 10 15
[AI] OPT8: GAME THEORY 2.5 12 4.5 4.5
[AI] OPT7: ADVANCED OPTIMIZATION 2.5 12 4.5 4.5
[AI] OPT6: LEARNING THEORY AND ADVANCED MACHINE LEARNING 2.5 21
[AI] OPT5 : VOICE RECOGNITION AND AUTOMATIC LANGUAGE PROCESSING 2.5 21
[AI] OPT4: DEEP LEARNING 2.5 10.5 10.5
[AI] OPT3 : REINFORCEMENT LEARNING 2.5 15 6
[AI] OPT2: IMAGE PROCESSING 2.5 21
[AI] OPT14:MULTILINGUAL NATURAL LANGUAGE PROCESSING 2.5 21
[AI] OPT1 : GRAPHICAL MODELS 2.5 15 6
[AI] OPT 13: Theorie de l'information 2.5 10.5 10.5 0 0
[AI] OPT 12: INFORMATION EXTRACTION FROM DOCUMENTS TO INTERFACES 2.5 10.5 10.5
[AI] OPT 11: DEEP LEARNING FOR NLP 2.5 18 3
[AI] OPT 10: IMAGE INDEXING AND UNDERSTANDING 2.5 15 6
Modalités de candidatures
Période(s) de candidatures
Du 01/05/2020 au 01/07/2020
Pièces justificatives obligatoires
  • Curriculum Vitae.

  • Fiche de choix complétée à télécharger sur le site de la formation.

  • Lettre de motivation.

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

  • Attestation de niveau d'anglais.

    (Seulement pour M2 Data Science - initiale)
Pièces justificatives complémentaires
  • Dossier VAPP (obligatoire pour toutes les personnes demandant une validation des acquis pour accéder à la formation).

Contact(s)
Responsable(s) de la formation
Silviu Maniu - silviu.maniu@lri.fr

Référent de la voie en formation initiale: Silviu Maniu

Référente de la voie en apprentissage: Fatiha ZAIDI