M2 Data Science

Candidater à la formation
  • Graduate School(s)
  • Capacité d'accueil
    40
  • Langue(s) d'enseignement
    Français, Anglais
  • Régime(s) d'inscription
    Formation initiale
    Formation en apprentissage
Présentation
Année dans le diplôme
Master 2
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
[AI] OPT 10: IMAGE INDEXING AND UNDERSTANDING 2.5 15 6
[AI] OPT 11: DEEP LEARNING FOR NLP 2.5 18 3
[AI] OPT 12: INFORMATION EXTRACTION FROM DOCUMENTS TO INTERFACES 2.5 10.5 10.5
[AI] OPT 13: Theorie de l'information 2.5 10.5 10.5 0 0
[AI] OPT1 : GRAPHICAL MODELS 2.5 15 6
[AI] OPT14:MULTILINGUAL NATURAL LANGUAGE PROCESSING 2.5 21
[AI] OPT2: IMAGE PROCESSING 2.5 21
[AI] OPT3 : REINFORCEMENT LEARNING 2.5 15 6
[AI] OPT4: DEEP LEARNING 2.5 10.5 10.5
[AI] OPT5 : VOICE RECOGNITION AND AUTOMATIC LANGUAGE PROCESSING 2.5 21
[AI] OPT6: LEARNING THEORY AND ADVANCED MACHINE LEARNING 2.5 21
[AI] OPT7: ADVANCED OPTIMIZATION 2.5 12 4.5 4.5
[AI] OPT8: GAME THEORY 2.5 12 4.5 4.5
[AI] OPT9: DATA CAMP 2.5 10 15
[AI] PRE1: APPLIED STATISTICS 2.5 10.5 10.5
[AI] PRE2: MATHEMATICS FOR DATA SCIENCE 2.5 12 4.5 4.5
[AI] PRE3: DATACOMP 1 2.5 12 9
[AI] PRE4: SCIENTIFIC PROGRAMMING 2.5 9 12
[AI] TC0 : Introduction to Machine Learning 2.5 15 6
[AI] TC1: MACHINE LEARNING 2.5 15 6
[AI] TC2: OPTIMIZATION 2.5 12 4.5 4.5
[AI] TC3: INFORMATION RETRIEVAL 2.5 9 12
[AI] TC4: Probabilistic Generative Models 2.5 16.5 4.5
[AI] TC5: SIGNAL PROCESSING 2.5 24
[AI] TC6: DATACOMP 2 2.5 12 9
[ANO] Blockchain 2.5
[ANO] Evaluation de performances 2.5
[ANO] Internet of Things 2.5 21
[ANO] Optimisation dans les graphes 2.5 21
[ANO] Optimisation discrète non linéaire 2.5 21
[ANO] Optimisation multi-objectifs 2.5 21
[ANO] Programmation MPI 2.5
[ANO] Programmation système et réseaux 2.5 21
[ANO] Réseaux mobiles 2.5 21
[ANO] Réseaux sans fil 2.5 21
[ANO] Tests fonctionnels de protocoles 2.5 21
[ANO] Théorie des jeux 2.5 21
[ANO] Virtualisation et cloud 2.5
[DS] Algorithms for Data Science 2.5 12 9
[DS] Bases de données avancées I : Optimisation 2.5 9 8 4
[DS] Bases de données avancées II : Transactions 2.5 9 8 4
[DS] Data Science Project 2.5 3 18
[DS] Distributed Systems for Massive Data Management 2.5 12 0 9
[DS] Intelligence Artificielle, Logique et Contraintes 2.5 10.5 10.5
[DS] Intelligence Artificielle, Logique et Contraintes : Projet 2.5 10.5 10.5
[DS] Knowledge Discovery in Graph Data 2.5 12 6 3
[DS] Semantic Web and Ontologies 2.5 12 9
[DS] Social and Graph Data Management 2.5 12 9
[HCI] Advanced Design of Interactive Systems classes 2.5
[HCI] Advanced EXtended Reality 2.5 21
[HCI] Advanced Programming of Interactive Systems 1 2.5
[HCI] Advanced Programming of Interactive Systems 2 2.5
[HCI] Career Seminar - Level 1 2.5
[HCI] Career Seminar - Level 1 : Project 2.5 21
[HCI] Creative Design 2.5
[HCI] Creative Design : Project 2.5
[HCI] Design of Interactive Systems classes 2.5
[HCI] Design project - Level 1 2.5 21
[HCI] Design project - Level 1 : Project 2.5 21
[HCI] Design project - Level 2 2.5 21
[HCI] Design project - Level 2 : Project 2.5 21
[HCI] Digital Fabrication 2.5
[HCI] Digital fabrication : Project 2.5
[HCI] Evaluation of Interactive Systems classes 2.5
[HCI] Experiment Design and Analysis 2.5
[HCI] Fundamental of Human-Computer Interaction 1 2.5
[HCI] Fundamental of Human-Computer Interaction 2 2.5
[HCI] Fundamentals of Virtual & Augmented Reality 5
[HCI] Gesture and Mobile Interaction 2.5
[HCI] Groupware and Collaborative Work 2.5 21
[HCI] Groupware and Collaborative Work : Project 2.5 21
[HCI] Interactive Information Visualization 2.5
[HCI] Interactive Information Visualization : Project 2.5
[HCI] Interactive Machine Learning 2.5
[HCI] Interactive Machine Learning : Project 2.5
[HCI] Mixed Reality and Tangible Interaction 2.5 21
[HCI] Mixed Reality and Tangible Interaction - Project 2.5 21
[HCI] Photo-Realistic Rendering 2.5 21
[HCI] Programming of Interactive Systems 1 2.5
[HCI] Programming of Interactive Systems 2 2.5
[HCI] Serious games 2.5
[HCI] Serious games : project 2.5
[HCI] Studio Art Science transversal 2.5 21
[HCI] Virtual Humans 2.5 21
[HCI] Virtual Humans : Project 2.5 21
[HCID] Fundamental of situated computing 2.5
[ISD] Algorithmique avancée 3 25
[ISD] Algorithmique distribuée 3 25
[ISD] Anglais 3 25
[ISD] Anglais 3 25
[ISD] Blockchain 3 25
[ISD] Cloud Computing 3 25
[ISD] Communication 3 25
[ISD] Data Lake 3 25
[ISD] Data Warehouse I 3 25
[ISD] Data Warehouse II 3 25
[ISD] Droit informatique 3 25
[ISD] Extraction et programmation statistique de l'information 3 25
[ISD] Introduction à l'apprentissage 3 25
[ISD] IoT (Internet des objets) 3 25
[ISD] langages Dynamiques 3 25
[ISD] Machine learning/Deep learning 3 25
[ISD] Mémoire 12 8
[ISD] Modèles Mathématiques 3 25
[ISD] Modélisation 3 25
[ISD] Optimisation 3 25
[ISD] outils pour la manipulation et l'extraction de données 3 25
[ISD] Politiques et concepts avancés en sécurité 3 25
[ISD] Probabilités/Statistiques 3 25
[ISD] Programmation système et réseau 3 25
[ISD] Projet étude de cas 3 25
[ISD] Projets tuteurés 6 25
[ISD] Rapport d'activité 6 5
[ISD] Représentation des connaissances et visualisation 3 25
[ISD] Réseaux 3 25
[ISD] Réseaux sans fil 3 25
[ISD] sécurité 3 25
[ISD] Services et applications Web 3 25
[ISD] Test et Vérification 3 25
[ISD] Traitement automatique des langues 3 25
[ISD] Traitement distribué des données. 3 25
[PDCS] Algorithmes de la nature 2.5 21
[PDCS] Algorithmes distribués robustes 2.5 21
[PDCS] Algorithmique parallèle 2.5 12 6 3
[PDCS] Auto-stabilisation 2.5 21
[PDCS] Big Data 2.5 12 3 8
[PDCS] Calcul Haute Performance 2.5 12 9
[PDCS] Frontières du calcul parallèle et distribué 2.5 21
[PDCS] Initiation au calcul quantique 2.5 21
[PDCS] Jeux, apprentissage et optimisation des systèmes complexes 2.5 21
[PDCS] Modélisation et optimisation des systèmes discrets 2.5 21
[PDCS] Optimisation stochastique 2.5 21
[PDCS] Ordonnancement et systèmes d'exécution 2.5 21
[PDCS] Programmation avancée C++ 2.5 9 0 12
[PDCS] Programmation GPU 2.5 12 9
[PDCS] Programmation orientée objet 2.5 11 10
[SOFT] Soft skills - 1A (Langue) 2.5 21
[SOFT] Soft skills - 1B (Langue) 2.5 100
[SOFT] Soft skills - 2 (Communication) 2.5 21
[SOFT] Soft skills - 3 (Formation à la vie de l'entreprise - Initiation) 2.5 21
[SOFT] Soft skills - 4 (Formation à la vie de l'entreprise - avancée) 2.5 21
[SOFT] Soft skills - 5 (Formation à la recherche) 2.5 21
[SOFT] Soft skills - Seminars (Fairness in Data Science) 2.5 20
[SOFT] Soft skills - Seminars B 2.5
[SOFT] Soft skills - Summer school 2.5 21
[SOFT] Soft skills - Transversal Project A 2.5 7 7 7
[SOFT] Soft skills - Transversal Project B 2.5 7 7 7
EIT - Business Development Lab 1 3
EIT - Business Development Lab 2 6
EIT - Innovation & Entrepreneurship Advanced 5 21
EIT - Innovation & Entrepreneurship Thesis 6 21
EIT - Innovation and Entrepreneurship Basics 1 3
EIT - Innovation and Entrepreneurship Basics 2 3
French Language and Culture 1 2 30
French Language and Culture 2 2 21
Stage long 30
TER Stage 10
Modalités de candidatures
Période(s) de candidatures
Du 01/05/2020 au 01/07/2020
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.

  • Attestation de niveau d'anglais.

    (Seulement pour M2 Data Science - initiale)
Pièces justificatives complémentaires
  • Justificatif de suivi d'une année d'études en France pour les ressortissants non européens.

    (obligatoire pour les candidats à la voie par apprentissage)
  • Dossier VAPP (obligatoire pour toutes les personnes demandant une validation des acquis pour accéder à la formation).

 

 

Contact(s)
Responsable(s) de la formation
Fatiha ZAIDI - fatiha.zaidi@lri.fr

Référent de la voie en formation initiale: Silviu Maniu

Référente de la voie en apprentissage: Fatiha ZAIDI