Admission

Prérequis : M1 math et informatique ou équivalent

Dossier : diplômes et relevés de notes

Débouchés

Entreprise ou poursuite en thèse

Organisation

Deux semestres de 12 semaines et un stage de 6 mois.

Organisation

  • Une semaine d'intégration: rafraichissement en Informatique
  • Une première période de 12 semaines (10 semaines de cours, 2 semaines d'examen) de septembre à décembre
  • Une seconde période de 12 semaines (10 semaines de cours, 2 semaines d'examen) de janvier à mars
  • Un stage d'au moins quatre mois d'avril à septembre

Période I

Septembre-Décembre 10 semaines

Période II

Janvier-Mars 10 semaines

Cours Mathématiques

Semestre II : Stage

Avril-Septembre

Validation

Pour valider un semestre de double master, les étudiants doivent valider 18 crédits de mathématiques et 18 d'informatique.

Pour valider le seul master mathématiques, les étudiants doivent valider 18 crédits de mathématiques et 12 d'informatique sur chaque semestre (la situation est symétrique en informatique).

  • Chaque cours est validé si l'étudiant y obtient une note supérieure ou égale à 10.
  • L'année est validée si les conditions suivantes sont réunies :
    • la moyenne globale sur l'année est supérieure ou égale à 10
    • sur chacun des semestre l'étudiant valide au moins 80% des crédits requis
    • les notes aux modules obligatoires sont supérieures à 7

Cours proposés

Période I

Cours Informatique

Programmation Objet, Concepts Avancés

2 ECTS, semestre 1

PrérequisLangages Objets Avancés M1
ValidationCC+examen
EnseignantY. Regis-Gianas
Horaires hebdomadaires 2 h CM , 1 h TD

Syllabus

  • Concevoir des composants logiciels réutilisables.
  • Comprendre les limites intrinsèques de la POO.
  • Compléter l'approche objet à l'aide d'une approche fonctionnelle.
  • Utiliser les mécanismes modernes de programmation typée statiquement du langage Scala.
  • Savoir apprendre un langage de programmation de façon autonome.
  • Analyser des besoins à partir d'une spécification informelle.
  • Participer à un processus de développement moderne en utilisant les outils de développement collaboratif et de gestion de projet.
  • Utiliser des outils d'intégration continue.

Architecture des systèmes de base de données

2 ECTS, semestre 1

PrérequisBase de données avancées
ValidationCC+examen
EnseignantE. Fuchs
Horaires hebdomadaires 2 h CM , 1 h TD

Syllabus

Maîtriser la planification l'exécution et l'optimisation de requêtes. Savoir-faire attendu d'un architecte de données

Traitement de la langue naturelle (NLP, TAL)

3 ECTS, semestre 2

Prérequis
ValidationCC+examen
EnseignantMarie Candito, Benoit Crabbé, Ewan Dunbar
Horaires hebdomadaires 2 h CM

Syllabus

  • Familiarisation avec les principales méthodes du traitement automatique des langues (TAL)
  • Appliquer des notions d'apprentissage à la modélisation du langage. Cas de l'apprentissage structuré (séquences et arbres)
  • Présentation / utilisation des principales librairies incluant des modules de TAL prêts à l'emploi (Spacy, NLTK)
  • Présentation / utilisation de librairies génériques d'apprentissage profond pour le TAL (pytorch)

Cours Mathématiques

Introduction au Machine Learning

6 ECTS, semestre 1

PrérequisOptimisation M1. Statistique M1
ValidationCC+examen
EnseignantStéphane Gaïffas
Horaires hebdomadaires 3 h CM , 2 h TD

Syllabus

Présentation des méthodes d'apprentissage supervisé et non-supervisé: des modèles génératifs aux réseaux de neurones en passant par les techniques arborescentes.

Optimisation pour l'apprentissage

3 ECTS, semestre 1

PrérequisOptimisation M1
ValidationCC+examen
EnseignantGuillaume Garrigos
Horaires hebdomadaires 2 h CM

Syllabus

Maîtrise des techniques d'optimisation utilisées en Machine Learning

Période II

Cours Informatique

Cours Mathématiques

Deep learning

3 ECTS, semestre 2

PrérequisMachine Learning
ValidationCC+examen
EnseignantIlaria Giulini
Horaires hebdomadaires 2 h CM

Syllabus

Entrainement et usage des réseaux de neurones profonds

Renforcement

3 ECTS, semestre 2

Prérequis
ValidationCC+examen
EnseignantSylvain Delattre
Horaires hebdomadaires 2 h CM

Syllabus

L'apprentissage par renforcement constitue, avec l'apprentissage supervisé et non-supervisé, l'une des trois grandes familles algorithmiques d'apprentissage automatique. Inspirée par la théorie de la décision et la psychologie comportementale, elle a pris une importance de premier plan ces dernières années en fusionnant avec d'autres méthodes d'apprentissage automatique, en particulier celle des réseaux profonds, donnant lieu à des champs d'application encore inexplorés.

Algorithmique des données massives

3 ECTS, semestre 1

PrérequisMachine Learning. Optimisation. Algorithmique avancée
ValidationCC+examen
EnseignantStéphane Boucheron
Horaires hebdomadaires 2 h CM

Syllabus

Usage des méthodes randomisées en traitement des données massives et en traitement des flots de données (streaming). Familiarisation avec Spark. Articulation estimation/optimisation

Anglais

3 ECTS, semestre 4

Prérequis
ValidationCC+examen
EnseignantJ. Murat
Horaires hebdomadaires 2 h TD

Semestre II : Stage

Admission

Débouchés

Les choix d'options permettent de s'orienter