La estructura combina Warm Up técnico, cursos especializados, sesiones de apoyo y experiencia profesional integrada.
DSTI no se esconde detrás de nombres de cursos vagos. El MSc in Data Engineering for AI se presenta abajo mediante sus bloques de enseñanza, horas, ECTS y contenido de cursos.
Un puente preparatorio para estudiantes de trayectorias académicas diversas antes de entrar al núcleo completo del MSc.
Una estructura transparente, curso por curso, que cubre software engineering, cloud, data management, DevOps, IA y seguridad.
Una experiencia profesional validada donde los estudiantes aplican el programa en un entorno laboral pertinente.
El Warm Up refuerza matemáticas, programación, gestión de datos, cultura de IA y bases IT antes de que los estudiantes entren al núcleo completo del MSc.
Core mathematical preparation for quantitative and technical coursework.
Programming, data structures and first machine-learning workflows using Python and R.
Introduction to how data is organised, stored, queried and prepared for later work.
Initial orientation on artificial intelligence concepts, uses and limits.
Essential concepts about how computers execute, store and process information.
Basic networking knowledge for students who will work with connected systems and platforms.
Practical systems work to consolidate the IT foundation of the programme.
Responsible and sustainable digital practice.
Baseline spreadsheet skills for students who need to consolidate fundamentals.
Este bloque construye la base de ingeniería informática detrás de los sistemas de data e IA: plataformas cloud, diseño de software, semantic web, web engineering e implementación de machine learning.
AWS cloud services and preparation for AWS Certified Solutions Architect – Associate.
Comparative overview with AWS, focusing on Azure services relevant to data lakes and data pipelines.
RDF, SPARQL and standards for representing, querying and using knowledge on the web.
Procedural programming in Rust, memory representation, ownership, borrowing, data structures, testing and reliable code.
Object-oriented programming in C#, SOLID, UML, MVC, design patterns, services and Entity Framework.
Data structures, data cleaning, feature engineering and machine-learning modelling with Python libraries.
HTML, CSS, JavaScript, front-end basics, MVC programming with ASP.NET and API frameworks.
Este es el centro de gravedad del programa: almacenamiento de datos, data warehouses, ETL, bases de grafos y documentos, ecosistemas big data y tecnologías de pipelines.
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.
HDFS, scheduling, resource management, workflow and ETL, scalable enterprise service bus, Spark and data exploration.
XML data flow, DTD and schemas, XSL transformations and JSON data formats.
Apache Spark, Kafka, modern data platforms, Lambda and Kappa architectures, anything-as-code and CI/CD practices.
La ingeniería de sistemas de datos también requiere métodos de proyecto, cultura jurídica, práctica DevOps, bases de cyber security y diseño de sistemas de información.
Data privacy and security principles, EU and US regulation, and differences between common law and code law.
Project management lifecycle and best practices for traditional and agile approaches.
Preparation for Microsoft Power Platform Functional Consultant and CRM data management software.
Nagios, Consul, Docker, Ansible, GitHub, Jenkins, Kubernetes and continuous integration practices.
System security design patterns, infrastructure security, data encryption and code safety.
Principles and methodologies for designing and analysing information systems.
El programa conecta data engineering con la ciencia y las aplicaciones de IA, para que los egresados entiendan no solo los pipelines, sino también los modelos que sostienen.
Calculus, linear algebra and complex numbers needed for optimisation and data science.
Descriptive statistics, probability theory and applications using R.
Importing, manipulating, transforming, visualising, exploring and modelling large datasets in R.
Neural network layers, weights, biases, hyperparameters, optimisation and TensorFlow implementation.
Deep learning models in Python, with practical applications in computer vision and natural language processing.
Las sesiones de apoyo ayudan a consolidar conceptos difíciles, mientras que la experiencia profesional valida la capacidad de aplicar el programa en un entorno laboral pertinente.
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, mediante acceso Live Streamed o por la ruta online cuando este modo se adapta a su situación.
Online asíncrono
Accede al programa por la ruta online de DSTI cuando este modo se adapta 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 experiencia profesional en Francia o en el extranjero, sujeta a validación académica y a las reglas del programa. El trabajo debe ser pertinente para los objetivos de aprendizaje.
Para muchos estudiantes Live Streamed o internacionales, la mejor ruta son prácticas pertinentes en su mercado laboral local.
Alternativa estructurada
Cuando sea pertinente, DSTI puede orientar a los estudiantes hacia una opción estructurada de prácticas internacionales mediante CRCC Asia.
Visitar CRCC AsiaLos estudiantes reciben orientación sobre CV, perfiles públicos, postulaciones y posicionamiento profesional.
El MSc in Data Engineering for AI es una ruta técnica. Matemáticas, inglés y preparación IT importan, y el proceso de admisión debe confirmar que el candidato puede avanzar seriamente.
Los candidatos deben contar con un Bachelor degree reconocido, o equivalente, en Computer Engineering, Information Systems, Computer Science o una disciplina de computación cercana.
A los candidatos de perfiles menos técnicos se les puede pedir presentar el examen de entrada en línea de DSTI en matemáticas e IT.
Los cursos se imparten en inglés. Se puede solicitar IELTS 6.0, Duolingo 110 o evidencia equivalente.
Los estudiantes deben tener una laptop Windows PC con al menos 16GB de RAM, capaz de ejecutar la versión más reciente de Windows.
Los candidatos que hayan completado, o estén terminando, ya sea un 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; Cloud Computing — Amazon AWS — DSTI Internal Exam; Software Engineering with C.
Si estás dudando entre Data Analytics with AI, Data Engineering for AI y Data Science & AI, la pregunta clave es tu centro de gravedad: decisión e implementación, plataformas y pipelines, o modelado y sistemas de IA.
