M2 Mathématiques, Vision, Apprentissage

Candidater à la formation
  • Graduate School(s)
    Mathématiques
  • Capacité d'accueil
    180
  • Langue(s) d'enseignement
    Français, Anglais
  • Regime d'inscription
    Formation initiale
Présentation
Année dans le diplôme
Master 2
Objectifs pédagogiques de la formation

Le master M2 MVA (Mathématiques, Vision, Apprentissage), créé par le département de mathématiques de l'ENS Paris-Saclay (ex-Cachan), est un master unique en France depuis sa création en 1996. En coopération avec plusieurs partenaires académiques, il forme chaque année un grand nombre d'étudiants des universités et des grandes écoles aux métiers de Recherche, Développement et Innovation pour les organismes et entreprises publics et privés dans le domaine des mathématiques appliquées au traitement des données, des images et des signaux.

L'essor gigantesque de l'usage des données numériques dans tous les domaines de la science, de la technologie et de la société nécessite la formation de chercheurs mathématiciens de haut niveau maîtrisant l'acquisition et le traitement des données numériques d'une part, et leur interprétation automatique d'autre part. Ces deux aspects sont strictement complémentaires et sont reflétés dans les trois termes caractérisant le parcours MVA :
" V comme vision " - images, vidéo, image de synthèse, mais aussi son et autres données alpha-numériques,
" A comme apprentissage " - tous les algorithmes classiques et nouveaux de représentation et d'interprétation des données dans les champs émergents requérant une compréhension fine de leur structure et de leur géométrie.
" M comme mathématiques " - car le parcours aborde le traitement et l'analyse des données en tant que discipline mathématique, dans la mesure où elle renouvelle les mathématiques.

Débouchés:
Recherche publique (universités en France et à l'étranger, CNRS, INRIA, CEA, CNES, INRA, ISPRA, LETI, etc.), industrie (Airbus, Areva, EDF, General Electric, Philips, RATP, Safran, Siemens, Thales, Valeo ...), banque-assurance-finance (Allianz, AXA, BNP Paribas, Crédit Agricole, EDF Trading, Generali, Goldman Sachs, J.P. Morgan, Natixis ...), ou encore internet et marketing digital (Cdiscount, Criteo, Facebook, Google, Huawei, LinkedIn, 1mercis, Orange, Parrot, NAVER LABS Europe ...). Un forum des stages, à large spectre, est organisé en décembre. Le nombre de stages et de thèses proposés dans les secteurs public et privé est chaque année largement supérieur au nombre d'étudiants, créant une certaine émulation entre entreprises et laboratoires.

Lieu(x) d'enseignement
GIF SUR YVETTE
PALAISEAU
PARIS 15
Pré-requis, profil d’entrée permettant d'intégrer la formation
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).
Compétences
  • 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.

Profil de sortie des étudiants ayant suivi la formation

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.

Débouchés de la formation

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).

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

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

Stage obligatoire.

Matières ECTS Cours TD TP Cours-TD Cours-TP TD-TP A distance Projet Tutorat
Stage 20
Modalités de candidatures
Période(s) de candidatures
Du 30/03/2020 au 20/02/2020
Pièces justificatives obligatoires
  • Curriculum UE (descriptifs des UE suivies) des deux dernières années.

  • Curriculum Vitae.

  • Lettre de motivation.

  • Lettre de recommandation ou évaluation de stage.

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

Pièces justificatives complémentaires
  • Fiche de choix de M2 (obligatoire pour les candidats inscrits en M1 à l'Université Paris-Saclay) à télécharger sur https://www.universite-paris-saclay.fr/fr/etre-candidat-a-nos-formations.

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

  • Attestation de niveau d'anglais (obligatoire pour les non anglophones).

Contact(s)
Responsable(s) de la formation