v2.11.0 (5440)

Parcours de domaine - IDF3A_IODAA : De l'information à la décision par l'analyse et l'apprentissage

Domaine > Département Modélisation Mathématique, Informatique et Physique.

Descriptif

L'objectif est de former les futurs ingénieurs aux problèmes, méthodes et techniques liées à la découverte de nouvelles connaissances par l'exploration de l'immense univers des données numérisées. Il s'agit d'un ensemble de méthodes et techniques nouvelles et puissantes en science des données pour aider à comprendre le monde, en synergie avec les trois autres grandes approches que sont l'expérimentation, la modélisation et la simulation.

La motivation générale de la DA IODAA est de proposer une spécialisation en science des données qui complète et enrichit la formation des ingénieurs AgroParisTech en sciences du vivant et de l’environnement

(1) en fournissant les outils de base pour savoir tirer parti du monde de données digital (enregistrer les informations, les analyser, les enrichir, les exploiter),

(2) en donnant des connaissances fondamentales sur la fouille de données pour assurer la maîtrise d'œuvre de projets en science des données, et

(3) en préparant au travail collaboratif et multidisciplinaire de synthèse de sources de données variées et multi-sources.

Toutes ces compétences sont recherchées dans de très nombreux secteurs d’activité et plus particulièrement dans les sciences du vivant et de l’environnement.

Organisation

  • Le tronc commun (18 ECTS) est organisé autour des champs thématiques suivants :

1- Information et données.
Objectif: Comprendre les enjeux et méthodes en représentation des données et informations (base de données, entrepôt de données, système d’information décisionnel)

2- Algorithmique et programmation
Objectif : Acquérir les bases conceptuelles et théoriques en raisonnement algorithmique et programmation avancée ainsi qu’en complexité algorithmique indispensables à tout expert en science des données.

3- Intelligence Artificielle
Objectif: Comprendre les enjeux et méthodes en intelligence artificielle et plus particulièrement en apprentissage artificiel, fouille de données et outils d’aide à la décision.

4- Apprentissage automatique avancé
Approfondir ses connaissances en apprentissage artificiel avancé et en statistique en grande dimension. Acquérir les bases conceptuelles et théoriques pour comprendre l’état de l’art, les possibilités et limites des méthodes et techniques. Connaître les questions de la recherche actuelle.

  • Des choix possibles :

Des champs thématiques spécifiques (ex. analyse d’images, analyse de sources textuelles, bioinformatique avancée, ...) peuvent être explorés par les élèves en suivant de manière optionnelle des modules des Masters AMI2B et Intelligence Artificielle de l’université Paris-Saclay.

  • Le projet : Ces enseignements théoriques sont complétés par une mise en pratique des connaissances et compétences acquises au travers d’un projet fil rouge donnant l’occasion de mettre en œuvre les concepts et méthodes clés présentés lors des enseignements théoriques sur des problèmes en sciences du vivant et de l’environnement et impliquant des systèmes complexes. On citera par exemple la reconnaissance automatique d’espèces végétales ou le traitement et l’analyse d’images IRM du cerveau.
  • Enfin l'étudiant rejoint une organisation (entreprise ou laboratoire de recherche) pour les derniers 6 mois de la formation pour conduire une mission d'ingénieur.

Localisation : Palaiseau

 

 

Objectifs

- Data Analyst, Data Scientist en entreprises quel que soit leur envergure ou leur domaine d’application ou dans le monde académique : chargé d’études spécialiste en fouille de données à source unique ou multiple, consultant.

La composante « Agro » du diplôme donnant un avantage dans les secteurs des sciences de la vie, de l’environnement, de l’agronomie, etc.

- Data Manager : Chargé de la récolte, la gestion et l’exploitation de données.

- Spécialiste de Business Intelligence, d’informatique décisionnelle

- Chercheur en Data Science dans des organismes de recherche

Effectifs minimal / maximal

7/22

Diplômes concernés

Domaines ParisTech

Système d'information - Modélisation.

Compétences

- Savoir où et comment chercher de l'information digitale sur une question donnée

- Savoir utiliser les outils et méthodes de fouille de données pour extraire de l'information

- Savoir interagir avec une direction des services informatiques pour conduire un projet en science des données (i.e. organiser un datawarehouse, mettre en œuvre des techniques de fouille de données, utiliser des outils d'aide à la décision)

- savoir interagir avec des décideurs pour les aider à prendre des décisions sur la base d'informations extraites et synthétisées par des traitements informatiques et/ou statistiques

- suivre l'évolution des méthodes et techniques en science des données et participer à la conception de nouvelles méthodes

Mots-clés

Big data, Fouille de données, Apprentissage artificiel, Aide à la décision, Intelligence Artificielle, Web sémantique

Pré-requis

Cette formation est accessible de plein droit sous réserve du nombre de places aux élèves ingénieurs AgroParisTech. Des élèves ingénieurs d'autres écoles avec lesquelles AgroParisTech a signé un accord peuvent postuler pour suivre cette formation. Enfin des candidats admis au CS adossé à cette dominante peuvent suivre cette formation comme auditeur.

Modalités d'acquisition

30 ECTS sont accordées sur la partie académique (enseignements et projets).
Chaque enseignement est évalué par des examens, travaux personnels et/ou projets ; de manière individuelle ou en groupes ; avec ou sans présentation orale.

30 ECTS sont accordées à la mission de 6 mois minimum en entreprise ou en laboratoire qui vient clore la formation (mars - septembre).

Composition du parcours

Unités d'enseignement

UE Type d'enseignement Domaines Catégorie d'UE Volume horaire Responsables Site pédagogique
IODAA-UE APA_ACSN Apprentissage artificiel avancé Enseignement scientifique et technique Département Modélisation Mathématique, Informatique et Physique UE de spécialité (3A - M2). 18 Antoine CORNUEJOLS,
Christine MARTIN
IODAA-UE STATS Statistique en grande dimension Enseignement scientifique et technique Département Modélisation Mathématique, Informatique et Physique UE de spécialité (3A - M2). 21 Antoine CORNUEJOLS,
Céline LÉVY-LEDUC,
Christine MARTIN
IODAA-UE_Angl Anglais Enseignement scientifique et technique Service Langues - Cultures UE de spécialité (3A - M2). 30 Halima BENDAHMANE,
Antoine CORNUEJOLS,
Christine MARTIN,
Paul MERRILL
IODAA-UE_BDA Bases de Données avancées : optimisation (AMI2B) Enseignement scientifique et technique UE de spécialité (3A - M2). Antoine CORNUEJOLS,
Christine MARTIN
IODAA-UE_Fouille Fouille de données et apprentissage automatique Enseignement scientifique et technique Département Modélisation Mathématique, Informatique et Physique UE de spécialité (3A - M2). 24 Antoine CORNUEJOLS,
Christine MARTIN
IODAA-UE_IA_Solve Résolution de problèmes et décisions Enseignement scientifique et technique Département Modélisation Mathématique, Informatique et Physique UE de spécialité (3A - M2). 30 Antoine CORNUEJOLS,
Christine MARTIN
IODAA-UE_INFO - THEO Informatique Théorique (AMI2B) Enseignement scientifique et technique UE de spécialité (3A - M2). 20 Antoine CORNUEJOLS,
Christine MARTIN
IODAA-UE_M.A.N Mise à niveau (Shell – Git – VsCode) Enseignement scientifique et technique UE de spécialité (3A - M2). 15 Antoine CORNUEJOLS,
Christine MARTIN
IODAA-UE_PROJ-HAC Projet Hackathon reproductible pour les données massives ... Enseignement scientifique et technique UE de spécialité (3A - M2). Antoine CORNUEJOLS,
Christine MARTIN
IODAA-UE_Prog Programmation pour la science des données Enseignement scientifique et technique Département Modélisation Mathématique, Informatique et Physique UE de spécialité (3A - M2). 30 Antoine CORNUEJOLS,
Christine MARTIN
IODAA-UE_Proj Projet fil rouge Enseignement scientifique et technique Département Modélisation Mathématique, Informatique et Physique UE de projet. 100 Antoine CORNUEJOLS,
Christine MARTIN
IODAA-UE_WebSem Ontologies, Web sémantique, TAL Enseignement scientifique et technique Département Modélisation Mathématique, Informatique et Physique UE de spécialité (3A - M2). 24 Antoine CORNUEJOLS,
Vincent GUIGUE ,
Mariana Liliana IBANESCU,
Christine MARTIN
IODAA_05-UE_OPTION Master Option de spécialisation (AMI2B - IA) Enseignement scientifique et technique Département Modélisation Mathématique, Informatique et Physique UE de spécialité (3A - M2). 24 Antoine CORNUEJOLS,
Christine MARTIN
IODAA_UE PARC 1 Parcours sciences des données Enseignement scientifique et technique UE d'approfondissement. Antoine CORNUEJOLS,
Christine MARTIN
IODAA_UE PARC 2 Parcours Bioinformatique Enseignement scientifique et technique UE d'approfondissement. Antoine CORNUEJOLS,
Christine MARTIN
_3A_IODAA_STAGE Stage de fin d'études Mise en situation professionnelle Département Modélisation Mathématique, Informatique et Physique UE Mise en situation professionnelle. Antoine CORNUEJOLS,
Christine MARTIN
Veuillez patienter