La estructura combina Warm Up técnico, cursos especializados, sesiones de apoyo y experiencia profesional integrada.
DSTI no se esconde detrás de títulos vagos. El MSc in Data Analytics with AI se presenta abajo por bloques de enseñanza, horas, ECTS y contenido de cursos.
Un puente preparatorio para estudiantes de distintos perfiles académicos antes de entrar al núcleo del MSc.
Una estructura transparente, curso por curso, que cubre análisis, modelización, sistemas de datos, visualización y gobernanza.
Una experiencia profesional validada donde los estudiantes aplican el programa en un entorno laboral pertinente.
El Warm Up ayuda a estudiantes de perfiles diversos a reforzar las bases técnicas necesarias para iniciar el programa con seriedad.
Core mathematics needed to approach optimisation, data science and quantitative coursework.
First technical bridge into programming, data structures and machine-learning workflows.
Introduction to how data is organised, stored, queried and prepared for analysis.
Initial orientation on artificial intelligence concepts, limits and responsible use.
A first look at how computers execute, store and process information.
Essential networking concepts for students who will work with connected systems and platforms.
Hands-on system practice to consolidate the IT foundation of the programme.
Sustainable IT awareness and responsible digital practice.
Baseline spreadsheet skills before advanced analytics and visualisation coursework.
Este es el núcleo analítico del programa: matemáticas, estadística, machine learning, modelización, interpretación y aplicaciones sectoriales.
Calculus, linear algebra and complex numbers required for optimisation and data science.
Descriptive statistics, probability theory and applications using R.
Importing, manipulating, transforming, visualising, exploring and modelling large datasets in R.
Data preparation, feature engineering and machine-learning modelling with Python libraries.
RDF, SPARQL and web standards for representing, querying and using knowledge on the web.
Temporal data analysis with mathematical foundations and applications in R for forecasting.
Complex problem modelling using ABM, with comparison to statistical, Markov and system dynamics approaches.
Tests, confidence intervals, models, assumptions, linear models and regression.
Practical analytics applications across sectors such as marketing, finance, industry and risk management.
Un data analyst con autonomía IT debe entender bases de datos, data warehouses, pipelines, cloud y principios de software.
Relational databases, advanced SQL queries, stored procedures, triggers, dynamic SQL and Microsoft SQL Server.
Design and implementation of data warehouses and ETL processes in stand-alone and cluster deployments.
Graph-based problem modelling and practical implementation in Neo4j graph databases.
MongoDB collections, documents, advanced queries, aggregations and data architecture.
XML data flow, DTD and schemas, XSL transformations and JSON data formats.
AWS cloud services and preparation for AWS Certified Solutions Architect – Associate.
Procedural programming in Rust, memory representation, ownership, borrowing and reliable code.
Object-oriented programming in C#, SOLID principles, UML, MVC, design patterns and Entity Framework.
Este bloque conecta analytics con las herramientas y sistemas que las organizaciones realmente usan para reporting, CRM y apoyo a decisiones.
Formulas, data visualisation, PowerPivot, Solver and Visual Basic for Applications.
Data visualisation and machine-learning ecosystem, with a focus on SAS Viya.
Principles and methodologies for designing and analysing information systems.
Preparation for Microsoft Power BI data analysis certification and reporting workflows.
Microsoft Power Platform Functional Consultant preparation and CRM data management software.
Los profesionales de analytics también necesitan entender el entorno organizacional, legal y ético en el que se usan los datos.
Data privacy and security principles, EU and US regulation, and differences between common law and code law.
Project management lifecycle and implementation using traditional and agile approaches.
El programa incluye apoyo estructurado y experiencia profesional para que los conocimientos se consoliden y se apliquen.
Reviewing course topics, answering student questions, re-explaining harder notions and preparing for examinations.
Internship, employment or contracting experience validated through DSTI’s standard evaluation procedures.
DSTI fue construida alrededor de una enseñanza conectada. Los estudiantes pueden estudiar en campus o mediante acceso Live Streamed, según su situación y elegibilidad.
Online asíncrono
Accede al programa por la ruta online de DSTI cuando esta modalidad se adapte mejor a tu situación.
El programa incluye experiencia profesional integrada. La ruta depende de dónde se encuentre el estudiante y de lo que tenga sentido profesionalmente.
DSTI puede apoyar una experiencia profesional en Francia o en el extranjero, sujeta a validación académica y a las reglas del programa. La misión debe ser pertinente para los objetivos de aprendizaje.
Para muchos estudiantes Live Streamed o internacionales, la mejor ruta es una práctica pertinente en su mercado laboral local.
Alternativa estructurada
Cuando sea pertinente, DSTI puede orientar a los estudiantes hacia una opción estructurada de prácticas internacionales con CRCC Asia.
Visitar CRCC AsiaLos estudiantes reciben orientación sobre CV, perfiles públicos, postulaciones y posicionamiento profesional.
El MSc in Data Analytics with AI está abierto a una gama más amplia de perfiles Bachelor que las rutas de ingeniería más especializadas, pero las matemáticas, el inglés y la preparación técnica siguen siendo importantes.
Los postulantes deben contar con un Bachelor reconocido de 3 o 4 años, o equivalente. Se espera un nivel de matemáticas de preparatoria o equivalente.
A los postulantes con perfiles menos técnicos se les puede pedir presentar el examen de ingreso en línea de DSTI en matemáticas e IT.
Los cursos se imparten en inglés. Se puede requerir IELTS 6.0, Duolingo 110 o evidencia equivalente.
Los estudiantes deben contar con una laptop Windows PC con al menos 16GB de RAM, capaz de ejecutar la versión más reciente de Windows.
Los postulantes que hayan completado, o estén terminando, ya sea el primer año de un programa de nivel Master en la misma área o un Bachelor de cuatro años en la misma área, pueden solicitar entrada directa a Año 2. La Dirección de Estudios decide la admisión después de una revisión académica específica.
Exámenes comunes requeridos: Applied Mathematics; Foundations of Statistical Analysis — Part 1; Data Wrangling with SQL. Examen(es) adicional(es) del programa: Analysis & Design of Information Systems.
Si dudas entre Data Analytics, Data Engineering for AI y Data Science & AI, la pregunta clave es tu centro de gravedad: decisión e implementación, plataformas y pipelines, o modelización y sistemas de IA.
