La structure combine remise à niveau technique, enseignements spécialisés, séances d’accompagnement et expérience professionnelle intégrée.
DSTI ne se cache pas derrière des intitulés vagues. Le MSc in Data Science & Artificial Intelligence est présenté ci-dessous par blocs d’enseignement, heures, ECTS et contenu de cours.
Une passerelle préparatoire pour des étudiants venant de parcours académiques variés, avant d’entrer dans le cœur du MSc.
Une structure transparente, cours par cours, couvrant la modélisation, l’optimisation, le deep learning, le MLOps, le big data 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 mathématiques, la programmation, la culture IA et les bases IT nécessaires à un MSc exigeant en Data Science et 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.
Ce bloc établit les fondations scientifiques et mathématiques du programme : analyse statistique, optimisation, séries temporelles, SAS et réseaux neuronaux.
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.
Les data scientists ont besoin d’une culture d’ingénierie. Ce bloc relie la modélisation aux environnements software, cloud, bases de données, MLOps et big data qui rendent l’IA déployable.
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.
Ce bloc constitue le cœur de la modélisation avancée : statistiques de grande dimension, survival analysis, inverse problems, bases graphes et documentaires, deep learning, ABM et web sémantique.
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 et l’IA s’inscrivent dans des organisations et des cadres juridiques. Ce bloc aborde la réglementation des données, l’éthique et la méthodologie projet.
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.
Les séances d’accompagnement aident à consolider les concepts difficiles, tandis que l’expérience professionnelle valide la capacité à appliquer le programme dans un environnement pertinent.
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 a été construite autour d’un enseignement connecté. Les étudiants peuvent suivre les cours sur campus, en Live Streamed, ou par le parcours online lorsque ce mode correspond à leur situation.
Online asynchrone
Accéder au programme par 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 l’étudiant est basé 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. La mission doit être cohérente avec les objectifs d’apprentissage.
Pour de nombreux étudiants Live Streamed ou internationaux, la meilleure option est un stage pertinent sur leur marché local.
Alternative structurée
Lorsque c’est pertinent, DSTI peut orienter les étudiants vers une option de stage international structurée avec CRCC Asia.
Visiter CRCC AsiaLes étudiants sont accompagnés sur le CV, les profils publics, les candidatures et le positionnement professionnel.
Le MSc in Data Science & Artificial Intelligence exige une préparation mathématique, un niveau d’anglais suffisant et la capacité de progresser dans des enseignements techniques et statistiques exigeants.
Les candidats doivent détenir un Bachelor reconnu en 3 ou 4 ans, ou équivalent, dans un domaine où les mathématiques appliquées ont été étudiées, comme les mathématiques, la physique, l’ingénierie, l’informatique ou l’économie.
Les candidats peuvent être invités à passer l’examen d’entrée en ligne de DSTI en mathématiques et IT, notamment lorsque les Admissions ou la Direction des Études ont besoin d’éléments complémentaires.
Les cours sont enseignés 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 de faire fonctionner la dernière version de Windows.
Les candidats qui ont terminé, ou terminent, 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 évaluation académique spécifique.
Examens communs requis : Applied Mathematics ; Foundations of Statistical Analysis — Part 1 ; Data Wrangling with SQL. Examen(s) complémentaire(s) du programme : Continuous Optimisation ; Artificial Neural Networks.
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.
