Formation - Module 3 - DS : Détecter et évaluer l’état de l’art de l’intelligence artificielle pour développer des projets innovants

Référence : N5eoziMJHiUl

Durée : 210 h sur 42 j

Cette unité d’enseignement, sous-ensemble de notre Applied MSc in Data Science & Artificial Intelligence, est composée de 8 cours différents, pour un total de 210 heures. Tous les modules à DSTI sont délivrés en anglais.

Détails de la formation

Méthodes et outils pédagogiques

Avant le début de la formation, un entretien avec un membre de la Direction des Etudes a lieu afin de :

Vérifier que le candidat possède les prérequis nécessaires pour suivre le module. Le cas échéant, il lui sera proposé sans surcout des frais de formation, des vidéos ou liens complémentaires de remise à niveau.
Préciser avec le candidat l’adéquation du module avec ses objectifs professionnels. Le cas échéant, il sera possible d’ajuster le contenu du module avec d’autres classes pour coller parfaitement à ses besoins.

Objectifs de la formation

Cibler et faire ressortir des modèles linéaires, non-linéaires, généralisés ou mixtes et construire des modèles complexes ou novateurs de prévisions en utilisant les techniques de modélisation, estimations, tests et diagnostics. Identifier les variables ou composantes importantes d’un modèle afin de tester des hypothèses en utilisant les techniques de modélisation, estimations, tests et diagnostics.
Modéliser des données observées, les interpréter pour en faire de la prédiction en utilisant des outils appropriés et en tenant compte de leur nature aléatoire.
Déterminer et analyser des données complexes en utilisant les méthodes de fouille et de visualisation de séries temporelles et fonctionnelles, de textes (clustering, classification), de réseaux (statique ou dynamiques) ou d’images.
Intégrer les technologies complémentaires (web sémantique, modélisation multi-agents) pour l’hybridation des approches intelligence artificielle connectivistes (réseaux de neurones) et symboliques (moteurs de raisonnement).
Opérationnaliser une publication scientifique en implémentation informatique pour réaliser un prototype innovant.

Méthodes d'évaluation

Questionnaires à choix multiples
Projets d’applications
Examen externe de certification industrielle « SAS® Certified Predictive Modeler Using SAS® Enterprise Miner™ »

Bloc de compétences capitalisable pour obtenir la certification : 10 ECTS

Les plus

Un enseignement de haut niveau reconnu au niveau international
Une reconnaissance académique: Titre RNCP "expert en science des données"
Des certifications industriels externes: Amazon AWS et SAS
Une employabilité proche de 100% à la fin du cursus
Des compétences utlises et recherchées par les entreprises
Un accompagnement sur-mesure de votre projet professionnel
Un environnement multiculturel avec 70% d'étudiants internationaux
Des campus modernes et digitalisés
Un bootcamp organisé en préambule de la rentrée pour se préparer
L'esprit famille de DSTI, une écoute et un soutien quotidien

Pré-requis

CANDIDATS DIPLÔMÉS D'UN NIVEAU BAC+3 : 3 ans d'expérience professionnelle
CANDIDATS DIPLÔMÉS D'UN NIVEAU BAC+4 : Expérience professionnelle (y compris les stages)
CANDIDATS DIPLÔMÉS D'UN NIVEAU BAC+5 : Aucune condition particulière

Modalités d'enseignement

En présentiel
En distanciel

Public cible

Tous publics

Programme

Agent-Based Modelling (25 hrs)

Solving complex problems using ABM – Comparisons with statistical – Markov and system dynamics approaches – ABM validation for “trustability”

Deep Learning with Python (25 hrs)

Introduction to PyTorch – Deep Learning – Neural architectures & their applications – Neural Network training on a GPU (practice)

Statistical Analysis of Massive and High Dimensional Data (25 hrs)

Context for new uses of massive datasets (open data, social networks, Twitter…) – Review of conventional statistical methods (tests, regression, classification) and their (un)suitability massive datasets – Latest alternative statistical tools for analysing modern datasets – Implementation in realistic situations using R

Semantic Web technologies for Data Science development (25 hrs)

Representing & querying web-rich data (RDF, SPARQL) – Introducing semantics in data (RDFS, ontologies) – Tracing & following data history (VOiD, DCAT, PROV-O)

Inverse Problems & Data Assimilation (25 hrs)

Variational and sequential data assimilation – Identification of the initial condition, parameter estimation – Applications using Python

Survival Analysis (25 hrs)

Analysis of survival data using parametric , nonparametric and semiparametric methods – Applications using R

Time Series Analysis (25 hrs)

Mathematical foundations – Applications with R including using neural networks

Advanced Statistical Analysis & Machine Learning (35 hrs)

CART & random forests & applications – Features Selection & Engineering – Models comparison & competition