Le Master 2, Data Science: Santé, Assurance, Finance est un master destiné à former des étudiant·es issus de filière de mathématiques et
mathématiques appliquées à la science des données (aspects
mathématiques et informatiques) et aux statistiques
avancées.
Année organisée en 5 blocs compensable entre eux, sauf le stage
Informations
Compétences
- Comprendre, mettre en oeuvre et développer des méthodes statistiques (mathématiques, numériques, apprentissage statistique) pour la science des données, le deep learning et la grande dimension
- Gérer de grandes bases de données
- Choisir les algorithmes d’apprentissage automatique et de statistique adaptés à la grande dimension et pertinents suivant les domaines d'application
- Développer les programmes informatiques nécessaires à leur mise en oeuvre (python, R, spark)
- Partager les résultats obtenus avec les outils de visualisation adéquats
Objectifs pédagogiques de la formation
+ Former des étudiant·es issus de filière de mathématiques et
mathématiques appliquées à la science des données (aspects
mathématiques et informatiques) et aux statistiques
avancées.
+ Comprendre et savoir utiliser les algorithmes du machine
learning et de deep learning avec un accent mis sur trois
domaines d’application (santé, assurance, finance).
+ Permettre aux étudiants d’acquérir une connaissance
approfondie des signaux (données) complexes issus de ces
domaines.
Agenda
Capacité d’accueil
Places
Public visé et prérequis
Le M2 Data Science : Santé, Assurance, Finance s’adresse en particulier aux étudiant.e.s de M1 de mathématiques (ou formation équivalente type école d’ingénieur) comprenant des cours de statistique inférentielle et modèle linéaire, probabilités et processus stochastiques, programmation (R et python).
Période(s) de candidature
Du 05/01/2026 au 10/07/2026
Pièces justificatives
Obligatoires
Lettre de recommandation ou évaluation de stage.
Descriptif détaillé et volume horaire des enseignements suivis depuis le début du cursus universitaire.
Curriculum Vitae| Lettre de motivation.
Tous les relevés notes des années / semestres validés depuis le bac à la date de candidature.
Facultatives
Fiche de choix de M2 (obligatoire pour les candidats inscrits en M1 à l'Université Paris-Saclay) à télécharger sur https://urlz.fr/i3Lo.
| Matières | ECTS | Semestre | Cours | TD | TP | Cours-TD | Cours-TP | TD-TP | A distance | Projet | Tutorat |
|---|---|---|---|---|---|---|---|---|---|---|---|
| Anglais semestre 2 | 2 | Semester 2 | 10 | ||||||||
| Anglais semestre 1 | 2 | Semester 1 | 10 | ||||||||
| Matières | ECTS | Semestre | Cours | TD | TP | Cours-TD | Cours-TP | TD-TP | A distance | Projet | Tutorat |
|---|---|---|---|---|---|---|---|---|---|---|---|
| Statistique | 6 | Semester 1 | 27 | 27 | |||||||
| Statistique et machine learning avancés | 6 | Semester 2 | 24 | 27 | |||||||
| Deep Learning | 4 | Semester 2 | 15 | 15 | |||||||
| Statistique bayésienne et variables latentes discrètes | 2.5 | Semester 1 | 12 | 15 | |||||||
| Machine Learning/ IA fiable | 2.5 | Semester 1 | 10.5 | 10.5 | |||||||
| Réduction de dimension (FA+FI) | 2.5 | Semester 1 | 9 | 9 | |||||||
| Matières | ECTS | Semestre | Cours | TD | TP | Cours-TD | Cours-TP | TD-TP | A distance | Projet | Tutorat |
|---|---|---|---|---|---|---|---|---|---|---|---|
| Méthodes numériques de pricing et calibration de modèles | 6 | Semester 1 | 42 | ||||||||
| Econométrie financière | 3 | Semester 1 | 15 | 10 | |||||||
| Statistique pour la génétique et la génomique (option Santé) | 2.5 | Semester 2 | 9 | 9 | |||||||
| Introduction à la génétique (option santé) | 2.5 | Semester 1 | 9 | 9 | |||||||
| Analyse des données de survie et longitudinales (options santé et assurance) | 5 | Semester 1 | 10.5 | 10.5 | |||||||
| Bioinformatique (Option Santé) | 2.5 | Semester 2 | 9 | 9 | |||||||
| Machine Learning pour l'assurance et la finance (Options Assurance et Finance) | 5 | Semester 2 | 18 | 18 | |||||||
| Matières | ECTS | Semestre | Cours | TD | TP | Cours-TD | Cours-TP | TD-TP | A distance | Projet | Tutorat |
|---|---|---|---|---|---|---|---|---|---|---|---|
| Stage | 15 | Semestre 2 | |||||||||
| Matières | ECTS | Semestre | Cours | TD | TP | Cours-TD | Cours-TP | TD-TP | A distance | Projet | Tutorat |
|---|---|---|---|---|---|---|---|---|---|---|---|
| Base de l'informatique | 2 | Semester 1 | 9 | 9 | |||||||
| Informatique avancée | 4 | Semester 2 | 13.5 | 22.5 | |||||||
| Data Camp | 4 | Semester 2 | 9 | ||||||||
Lieu(x) d'enseignement
Campus de la formation
