La estructura combina nivelación técnica, cursos especializados, sesiones de apoyo y experiencia profesional integrada.
DSTI no se esconde detrás de títulos vagos. El MSc in Data Science & Artificial Intelligence se presenta abajo por bloques de enseñanza, horas, ECTS y contenido de cursos.
Un puente preparatorio para estudiantes con trayectorias académicas variadas antes de entrar al núcleo completo del MSc.
Una estructura transparente, curso por curso, que cubre modelado, optimización, deep learning, MLOps, big data y gobernanza.
Una experiencia profesional validada donde los estudiantes aplican el programa en un entorno laboral pertinente.
El Warm Up ayuda a estudiantes de distintos perfiles a reforzar las matemáticas, la programación, la cultura de IA y las bases de IT necesarias para un MSc serio en Data Science e IA.
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 establece las bases científicas y matemáticas del programa: análisis estadístico, optimización, series de tiempo, SAS y redes neuronales.
Calculus, linear algebra and complex numbers required for optimisation and data science.
Descriptive statistics, probability theory and applications using R.
Tests, estimators, confidence intervals, inference, ANOVA, PCA, linear regression and applications using R.
Temporal data analysis with mathematical foundations and applications in R for forecasting and prediction.
Preparation for SAS Base certification, covering SAS Base programming and applications in SAS STATS.
Critical points, optimisation of multivariable functions, gradient methods and constraint-based optimisation using Lagrange multipliers.
Neural network layers, weights, biases, hyperparameters, optimisation algorithms and TensorFlow implementation.
Los data scientists necesitan cultura de ingeniería. Este bloque conecta el modelado con los entornos de software, cloud, bases de datos, MLOps y big data que hacen desplegable la IA.
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.
DevOps, GitOps, DataOps, MLOps, unit testing with Spark, CI/CD, artifact deployment, Databricks and MLFlow.
Relational databases, advanced SQL queries, stored procedures, triggers, dynamic SQL and Microsoft SQL Server.
AWS cloud services and preparation for AWS Certified Solutions Architect – Associate.
HDFS, scheduling, resource management, ETL, scalable enterprise service bus, Spark, data exploration and visualisation.
Este bloque es el núcleo de modelado avanzado: estadística de alta dimensión, survival analysis, inverse problems, bases de datos de grafos y documentos, deep learning, ABM y web semántica.
Multiple linear regression, CART, random forests, feature selection, model comparison and practical applications in R.
Analysis of large datasets including open data and social networks, with modern statistical tools and practical implementation in R.
Parametric, non-parametric and semi-parametric survival analysis techniques.
Variational and sequential data assimilation for initial condition identification and parameter estimation, with Python applications.
Preparation for Neo4j Certified Professional and graph-based problem modelling with practical Neo4j implementations.
MongoDB collections, documents, advanced queries, aggregations, architecture and practical applications.
Deep learning models in Python, with practical applications in computer vision and natural language processing.
Complex problem modelling with ABM, comparisons with statistical, Markov and system dynamics approaches, and ABM validation.
RDF, SPARQL and standards for representing, querying and using knowledge on the web.
La data science y la IA se utilizan dentro de organizaciones y marcos legales. Este bloque aborda regulación de datos, ética y metodología de proyectos.
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.
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 questions, re-explaining harder concepts 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 encaja con su situación.
Online asíncrono
Accede al programa mediante 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 una 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 es una práctica pertinente en su mercado laboral local.
Alternativa estructurada
Cuando es pertinente, DSTI puede orientar a los estudiantes hacia una opción estructurada de práctica internacional con CRCC Asia.
Visitar CRCC AsiaLos estudiantes reciben orientación sobre CV, perfiles públicos, postulaciones y posicionamiento profesional.
El MSc in Data Science & Artificial Intelligence requiere preparación matemática, dominio del inglés y capacidad para avanzar en cursos técnicos y estadísticos exigentes.
Los candidatos deben contar con una licenciatura reconocida de 3 o 4 años, o equivalente, en un campo donde hayan estudiado matemáticas aplicadas, como matemáticas, física, ingeniería, informática o economía.
Se puede pedir a los candidatos que presenten el examen de admisión en línea de DSTI en matemáticas e IT, especialmente cuando Admisiones o la Dirección de Estudios necesitan más evidencia de preparación.
Los cursos se imparten en inglés. Puede requerirse IELTS 6.0, Duolingo 110 o evidencia equivalente.
Los estudiantes deben contar con una laptop Windows PC con al menos 16 GB 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 una licenciatura 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: Continuous Optimisation; Artificial Neural Networks.
Si dudas 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.
