La structure combine Warm Up technique, cours spécialisés, séances de soutien et expérience professionnelle intégrée.
DSTI ne se cache pas derrière des intitulés vagues. Le MSc in Data Analytics with AI est présenté ci-dessous par blocs d’enseignement, heures, ECTS et contenus de cours.
Une passerelle préparatoire pour des étudiants issus de parcours académiques variés avant d’entrer dans le cœur du MSc.
Une structure transparente, cours par cours, couvrant l’analyse, la modélisation, les systèmes de données, la visualisation et la gouvernance.
Une expérience professionnelle validée où les étudiants appliquent le programme dans un environnement de travail pertinent.
Le Warm Up aide les étudiants issus de parcours variés à renforcer les fondations techniques nécessaires pour aborder sérieusement le programme.
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.
C’est le cœur analytique du programme : mathématiques, statistiques, machine learning, modélisation, interprétation et applications sectorielles.
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 autonome sur le plan IT doit comprendre les bases de données, data warehouses, pipelines, cloud et principes 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.
Ce bloc relie l’analytics aux outils et systèmes que les organisations utilisent réellement pour le reporting, le CRM et l’aide à la décision.
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.
Les professionnels de l’analytics doivent aussi comprendre l’environnement organisationnel, juridique et éthique dans lequel les données sont utilisées.
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.
Le programme inclut un soutien structuré et une expérience professionnelle afin que les connaissances soient consolidées et appliquées.
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 a été construite autour d’un enseignement connecté. Les étudiants peuvent suivre les cours sur campus ou en Live Streamed, selon leur situation et leur éligibilité.
Online asynchrone
Accéder au programme via le parcours online de DSTI lorsque ce mode correspond le mieux à votre situation.
Le programme inclut une expérience professionnelle intégrée. Le parcours dépend du lieu où se trouve l’étudiant et de ce qui a du sens pour son projet professionnel.
DSTI peut accompagner une expérience professionnelle en France ou à l’étranger (en stage seulement), sous réserve de validation académique et des règles du programme. La mission doit être pertinente au regard des objectifs d’apprentissage.
Pour beaucoup d’étudiants en Live Streamed ou internationaux, le meilleur parcours est un stage pertinent dans leur marché de l’emploi local.
Alternative structurée
Lorsque cela est pertinent, DSTI peut orienter les étudiants vers une option de stage international structurée avec CRCC Asia.
Visiter CRCC AsiaLes étudiants reçoivent des conseils sur les CV, les profils publics, les candidatures et le positionnement professionnel.
Le MSc in Data Analytics with AI est ouvert à un éventail plus large de parcours Bachelor que les parcours d’ingénierie plus spécialisés, mais les mathématiques, l’anglais et la préparation technique restent importants.
Les candidats doivent être titulaires d’un Bachelor reconnu en 3 ou 4 ans, ou équivalent. Un niveau de mathématiques de fin de lycée, ou équivalent, est attendu.
Les candidats issus de parcours moins techniques peuvent être invités à passer l’examen d’entrée en ligne de DSTI en mathématiques et IT.
Les cours sont dispensés en anglais. IELTS 6.0, Duolingo 110 ou une preuve équivalente peuvent être demandés. En alternance, un test de français du même niveau est aussi nécessaire, pour votre employabilité.
Les étudiants doivent disposer d’un ordinateur portable Windows PC avec au moins 16 Go de RAM, capable d’exécuter la dernière version de Windows.
Les candidats ayant validé, ou terminant, soit une première année d’un programme de niveau Master dans le même domaine, soit un Bachelor en quatre ans dans le même domaine, peuvent demander une entrée directe en Année 2. La Direction des Études décide de l’admission après une revue académique spécifique.
Examens communs requis : Applied Mathematics ; Foundations of Statistical Analysis — Part 1 ; Data Wrangling with SQL. Examen(s) complémentaire(s) du programme : Analysis & Design of Information Systems.
Si vous hésitez entre Data Analytics, Data Engineering for AI et Data Science & AI, la question centrale est votre centre de gravité : décision et mise en œuvre, plateformes et pipelines, ou modélisation et systèmes d’IA.
