Machine Learning et Intelligence Artificielle – Formation continue

Formation
75-Paris
Publié il y a 1 semaine

En septembre 2018, Sorbonne Université ouvre une nouvelle formation centrée sur le machine learning et l’intelligence artificielle en collaboration avec les enseignants chercheurs en mathématiques et informatique de l’université.

L’objectif pédagogique de cette formation continue est de compléter et enrichir les compétences des étudiants/collaborateurs concernant :

– Les outils mathématiques et informatique du traitement de données.
– Les outils du Cloud Computing et du Big Data .
– Les modèles d’apprentissage automatique, notamment l’apprentissage profond.
– Les enjeux réglementaires et professionnels autour de la donnée, notamment dans des secteurs tels que la gestion des risques.

La spécificité de cette formation tient dans l’association à parts égales entre informatique et mathématiques, tout en s’attachant à conserver un fort aspect professionnalisant.

Cette formation continue en Data Science doit permettre à ses diplômés une évolution professionnelle rapide dans les secteurs émergents de l’analyse des données et des technologies de l’information. En associant étroitement une dimension informatique, mathématique, et connaissance métier (via l’apport d’intervenants extérieurs), elle conférera à ses étudiants une capacité à la fois à modéliser, à coder, et à analyser les résultats et conséquences d’une démarche de data scientist. Elle apportera notamment une capacité à ses diplômés à se mouvoir dans le secteur du conseil (où une demande croissante en experts des données est ressentie), ou à développer au sein de nouvelles approches industrielles au sein d’une entreprise qui cherche à valoriser ses données.

A l’obtention du diplôme, le diplômé maîtrisera :

– les enjeux, les problématiques et le contexte du traitement de l’information à grande échelle
– les outils de base de la data science et du big data
– les différents constituants d’un outil opérationnel de traitement de données
– les modèles, principes et outils du machine learning et du deep learning

Il sera également capable de mettre en œuvre et d’apporter de l’innovation dans des cadres applicatifs précis, notamment : la recommandation, le text mining, le traitement de graphes et de réseaux sociaux, la publicité en ligne, etc..

Cette formation s’adresse à des techniciens et cadres possédant un bon niveau en mathématiques et/ou en informatique, et souhaitant développer des compétences en machine learning, en deep learning, en intelligence artificielle ou en traitement de données massives. Les participants seront sélectionnés sur dossier et, le cas échéant, sur entretien individuel. Ledit dossier devra contenir un CV, un questionnaire relatif à l’entreprise et au projet professionnel ainsi qu’une lettre de motivation.

Contact

Formation Machine Learning et IA
Email: formation.continue@sorbonne-universite.fr
Téléphone: 01 44 27 82 82
Sorbonne-Université, 4 place Jussieu, 75005 PARIS

⇒pour en savoir plus : Machine Learning et Intelligence Artificielle – Formation continue

Unités d’enseignements

UE 1 : Outils de base en Mathématiques et Informatique

L’objectif de cette UE est de remettre à niveau les étudiants en terme de compétences en mathématiques et informatique. Les aspects abordés sont l’algorithmique de base, la maitrise du langage Python et des bibliothèques de traitement de données (numpy, pandas, matplotlib, bokeh, …), ainsi que la gestion des entrées/sorties ainsi que l’analyse (intégration), l’algèbre linéaire (produit et inversion de matrices, valeurs propres et singulières), les probabilités et statistiques de base (espace probabilisé, échantillonnage, modèle statistique, inférence).

Organisation: L’enseignement est organisé sur 2 jours de Cours/TP.

UE 2 : Machine Learning

Ce module dresse un panorama de l’apprentissage statistique aujourd’hui. Il aborde successivement les grandes problématiques du domaine et en présente les avancées majeures des dix dernières années avec un focus sur les modèles supervisé.

– Cadre général de l’apprentissage supervisé

– Classifieur bayésien naïf

– Sur-apprentissage et validation croisée

– Arbres : CART et random forests

– Minimisation du risque empirique

– Perceptron, Réseaux de neurones, Support Vector Machine,…

– Approches régularisées

– Traitement de données incertaines et incomplètes

Organisation:  L’enseignement est organisé sur 2 jours de Cours/TD/TP.

UE 3 : Deep Learning

Cet enseignement se focalise sur les modèles de réseaux de neurones profonds et les outils informatiques associés :

– Algorithmes de descente de gradient, back-propagation et variantes

– Réseaux de neurones convolutionnels et réseaux récurrents

– Outils : Plateforme déclarative (TensorFlow) et algorithmique (PyTorch)

Organisation:  L’enseignement est organisé sur 2 jours de Cours/TP.

UE 4 : Algorithmique pour l’apprentissage

L’objectif de l’UE est d’étudier les algorithmiques classiques utilisés en apprentissage supervisé (autre que les réseaux de neurones) et en apprentissage non-supervisé.

– Classification supervisée: régression logistique, SVM, boosting, classifieur bayésien naïf

– Clustering : classification hiérarchique, k-means et ses variantes, modèles de mélange gaussiens, méthodes spectrales

– Réduction de dimension et visualisation : décomposition en valeurs singulières, ACP et ses variantes, ACM, MDS, ISOMAP, t-SNE

Organisation:  L’enseignement est organisé sur 2 jours de Cours/TP.

UE 5 : Cloud Computing et Big Data

L’objectif de l’UE est de former les étudiants aux outils autour de la gestion de données massives. C’est un enseignement orienté outils informatique et infrastructure qui recouvre les aspects :

Bases de données SQL et NoSQL
Hadoop, Spark, MapReduce
Cloud Computing et virtualisation
Pig, Hive et SPARQL

Organisation:  L’enseignement est organisé sur 2 jours de Cours/TP.

UE 6 : Environnement des données

Ce module vise à appréhender le contexte global dans lequel s’inscrivent les approches industrielles liées au Big Data. Il sensibilise les étudiants aux notions de réglementation et d’éthique, et insiste sur l’intégration des méthodologies de data science dans un environnement professionnel

Gouvernance, et éthique des données

Cyber-sécurité

Business Analytics

Communication, « data story telling »

Organisation :  L’enseignement est organisé sur 2 jours de Cours/TD.

UE 7: Applications (et déclinaisons par secteur d’activité)

L’objectif de l’UE est d’aborder des applications particulières nécessitant la mise en œuvre d’outils mathématiques et informatique particuliers. Cette UE sera organisée sous forme de conférences, en fonction du profil des étudiants.

Les thèmes seront choisis parmi les applications suivantes :

Recommandation
Graphes et réseaux sociaux
Text Mining
Publicité
Intelligence Artificielle
Actuariat
Finance
Gestion des risques

Organisation: Une journée par application (selon public)

UE 8: Projet Data

L’objectif de l’UE est d’encadrer les étudiants autour de projets de traitement de données. Les sujets des projets et les données à traiter seront proposés par les étudiants eux-mêmes. Un effort particulier sera porté sur la restitution (Data story telling) des résultats et des modèles proposés.

Organisation :  Suivi personnalisé, articulé autour de séances de regroupement en présence d’un ou plusieurs enseignants référents.

Validation

Les acquis seront contrôlés à travers des travaux pratiques notés et des projets personnels. Pour valider une UE, il sera nécessaire d’avoir obtenu une moyenne supérieure ou égale à 10. Le diplôme sera validé si tous les cours cours sont validés. La décision finale de validation du diplôme sera prise par un jury.

Caractéristiques de l'emploi

Catégorie emploiData Scientist, Formation Ingénierie, sciences et technologies de l’information