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 Engineering for AI est présenté ci-dessous par blocs d’enseignement, heures, ECTS et contenus de cours.
Un pont préparatoire pour les étudiants issus de parcours académiques variés avant l’entrée dans le cœur du MSc.
Une structure transparente, cours par cours, couvrant software engineering, cloud, data management, DevOps, IA et sécurité.
Une expérience professionnelle validée où les étudiants appliquent le programme dans un environnement de travail pertinent.
Le Warm Up renforce les mathématiques, la programmation, la gestion des données, la culture IA et les fondations IT avant l’entrée dans le cœur du 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.
Ce bloc construit les bases d’ingénierie informatique derrière les systèmes data et IA : plateformes cloud, conception logicielle, semantic web, web engineering et mise en œuvre du 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.
C’est le centre de gravité du programme : stockage de données, data warehouses, ETL, bases graphes et documents, écosystèmes big data et technologies 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.
L’ingénierie des systèmes de données demande aussi des méthodes projet, une culture juridique, une pratique DevOps, des fondations en cyber sécurité et la conception de systèmes d’information.
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.
Le programme relie la data engineering à la science et aux applications de l’IA, afin que les diplômés comprennent non seulement les pipelines, mais aussi les modèles qu’ils soutiennent.
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.
Les séances de soutien aident les étudiants à consolider les notions difficiles, tandis que l’expérience professionnelle valide la capacité à appliquer le programme dans un environnement de travail pertinent.
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 étudier sur campus, en accès Live Streamed ou par le parcours online lorsque ce mode correspond à leur situation.
Online asynchrone
Accédez au programme par le parcours online de DSTI lorsque ce mode correspond le mieux à votre situation.
Le programme comprend une expérience professionnelle intégrée. Le parcours dépend du lieu de résidence de l’étudiant et de ce qui a du sens professionnellement.
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. Les missions doivent être pertinentes au regard des objectifs d’apprentissage.
Pour de nombreux étudiants Live Streamed ou internationaux, le meilleur parcours est un stage pertinent sur leur marché local de l’emploi.
Alternative structurée
Lorsque c’est pertinent, DSTI peut orienter les étudiants vers une option de stage international structurée via CRCC Asia.
Visiter CRCC AsiaLes étudiants sont accompagnés sur les CV, profils publics, candidatures et positionnement professionnel.
Le MSc in Data Engineering for AI est un parcours technique. Les mathématiques, l’anglais et la préparation IT comptent, et le processus d’admission doit confirmer que le candidat peut progresser sérieusement.
Les candidats doivent être titulaires d’un Bachelor degree reconnu, ou équivalent, en Computer Engineering, Information Systems, Computer Science ou dans une discipline informatique proche.
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 16GB de RAM, capable d’exécuter la dernière version de Windows.
Les candidats qui ont validé, ou terminent, soit une première année de 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) supplémentaire(s) du programme : Analysis & Design of Information Systems ; Cloud Computing — Amazon AWS — DSTI Internal Exam ; Software Engineering with C.
Si vous hésitez entre Data Analytics with AI, Data Engineering for AI et Data Science & AI, la question clé est votre centre de gravité : décision et mise en œuvre, plateformes et pipelines, ou modélisation et systèmes d’IA.
