A estrutura combina aquecimento técnico, cursos especializados, sessões de suporte e experiência profissional integrada.
A DSTI não se esconde atrás de descrições vagas. O MSc in Data Science & AI é apresentado abaixo por meio de seus blocos de ensino, horas, ECTS e conteúdo das disciplinas.
Uma ponte preparatória para estudantes de diversas origens acadêmicas antes de entrarem no núcleo completo do mestrado.
Uma estrutura transparente de curso a curso que abrange modelagem, otimização, aprendizado profundo, MLOPs, big data e governança.
Uma experiência profissional validada em que os alunos aplicam o programa em um ambiente de trabalho relevante.
O Warm Up ajuda estudantes de origens variadas a reforçar a matemática, a programação, a consciência da IA e os fundamentos de TI necessários para um mestrado sério em Ciência de Dados e IA.
Preparação matemática básica para cursos quantitativos e técnicos.
Programação, estruturas de dados e primeiros fluxos de trabalho de aprendizado de máquina usando Python e R.
Introdução à forma como os dados são organizados, armazenados, consultados e preparados para trabalhos posteriores.
Orientação inicial sobre conceitos, usos e limites da inteligência artificial.
Conceitos essenciais sobre como os computadores executam, armazenam e processam informações.
Conhecimento básico de rede para estudantes que trabalharão com sistemas e plataformas conectados.
Os sistemas práticos funcionam para consolidar a base de TI do programa.
Prática digital responsável e sustentável.
Habilidades básicas de planilha para estudantes que precisam consolidar os fundamentos.
Este bloco estabelece os fundamentos científicos e matemáticos do programa: análise estatística, otimização, séries temporais, SAS e redes neurais.
Cálculo, álgebra linear e números complexos são necessários para otimização e ciência de dados.
Estatística descritiva, teoria da probabilidade e aplicações usando R.
Testes, estimadores, intervalos de confiança, inferência, ANOVA, PCA, regressão linear e aplicações usando R.
Análise de dados temporais com fundamentos matemáticos e aplicações em R para previsão e previsão.
Preparação para a certificação SAS Base, abrangendo a programação SAS Base e os aplicativos no SAS STATS.
Pontos críticos, otimização de funções multivariáveis, métodos de gradiente e otimização baseada em restrições usando multiplicadores de Lagrange.
Camadas de redes neurais, pesos, vieses, hiperparâmetros, algoritmos de otimização e implementação do TensorFlow.
Os cientistas de dados precisam de conhecimentos de engenharia. Esse bloco conecta a modelagem aos ambientes de software, nuvem, bancos de dados, MLOPs e big data que tornam a IA implantável.
Programação processual em Rust, representação de memória, propriedade, empréstimo, estruturas de dados, testes e código confiável.
Programação orientada a objetos em C#, SOLID, UML, MVC, padrões de design, serviços e Entity Framework.
Estruturas de dados, limpeza de dados, engenharia de recursos e modelagem de aprendizado de máquina com bibliotecas Python.
DevOps, GitOps, DataOps, MLOps, teste de unidade com Spark, CI/CD, implantação de artefatos, Databricks e MLflow.
Bancos de dados relacionais, consultas avançadas SQL, procedimentos armazenados, gatilhos, SQL dinâmico e Microsoft SQL Server.
AWS serviços em nuvem e preparação para AWS Certified Solutions Architect – Associate.
HDFS, agendamento, gerenciamento de recursos, ETL, barramento de serviço corporativo escalável, Spark, exploração e visualização de dados.
Esse bloco é o núcleo da modelagem avançada: estatísticas de alta dimensão, análise de sobrevivência, problemas inversos, bancos de dados gráficos e de documentos, aprendizado profundo, ABM e web semântica.
Regressão linear múltipla, CART, florestas aleatórias, seleção de características, comparação de modelos e aplicações práticas em R.
Análise de grandes conjuntos de dados, incluindo dados abertos e redes sociais, com ferramentas estatísticas modernas e implementação prática em R.
Técnicas de análise de sobrevivência paramétrica, não paramétrica e semiparamétrica.
Assimilação de dados variacionais e sequenciais para identificação inicial de condições e estimativa de parâmetros, com aplicativos Python.
Preparação para o Neo4j Certified Professional e modelagem de problemas baseada em gráficos com implementações práticas do Neo4j.
Coleções, documentos, consultas avançadas, agregações, arquitetura e aplicativos práticos do MongoDB.
Modelos de aprendizado profundo em Python, com aplicações práticas em visão computacional e processamento de linguagem natural.
Modelagem de problemas complexos com ABM, comparações com abordagens estatísticas, de Markov e dinâmica de sistemas e validação de ABM.
RDF, SPARQL e padrões para representar, consultar e usar o conhecimento na web.
A ciência de dados e a IA são usadas em organizações e ambientes jurídicos. Este bloco aborda a regulamentação de dados, a ética e a metodologia do projeto.
Princípios de privacidade e segurança de dados, regulamentação da UE e dos EUA e diferenças entre lei comum e lei de código.
Ciclo de vida do gerenciamento de projetos e melhores práticas para abordagens tradicionais e ágeis.
As sessões de apoio ajudam os alunos a consolidar conceitos difíceis, enquanto a experiência profissional valida a capacidade de aplicar o programa em um ambiente de trabalho relevante.
Revisando tópicos do curso, respondendo perguntas, reexplicando conceitos mais difíceis e se preparando para os exames.
Experiência de estágio, emprego ou contrato profissional validada pelos procedimentos de avaliação padrão da DSTI.
Os alunos do MSc Data devem validar o Neo4j certification. Uma segunda certificação aprovada é altamente recomendada e concede a distinção “com honras” aos graduados.
Para ciência de dados e IA, DSTI coloca em primeiro plano as certificações preparadas por meio da computação em nuvem Amazon AWS e da SAS Base Programming. Outras certificações reconhecidas podem ser aceitas somente após o corpo docente e Direction of Studies validarem seu nível e relevância para a carreira do aluno.
Contexto do curso: Computação em nuvem - Amazon AWS
Site de certificaçãoEsta lista não é gratuita para todos. Cada certificação alternativa deve ser relevante para a rota de estudo e os objetivos de carreira do aluno e permanece sujeita à validação do corpo docente e de Direction of Studies.
MongoDB
Instituto C++
DatabricksDatabricksDatabricksAWSAWS
IBMNeo4j
Google
DataikuDataikuDataiku
scikit-learnGoogle
DenodoDSTI foi construído em torno do ensino conectado. Os estudantes podem estudar no campus, por meio do acesso Live Streamed, ou por meio da rota on-line, quando essa modalidade se adequar à sua situação.
Assíncrono online Acesse o programa pela modalidade on-line da DSTI quando ela for a mais adequada à sua situação. O programa inclui experiência profissional integrada. O percurso depende de onde o aluno está baseado e do que faz sentido profissional.
DSTI pode apoiar a experiência profissional na França ou no exterior, sujeito à validação acadêmica e às regras do programa. O trabalho deve ser relevante para os resultados da aprendizagem.
Para muitos estudantes internacionais ou de Live Streamed, o melhor caminho é um estágio relevante no mercado de trabalho local.
Alternativa estruturada Quando relevante, DSTI pode orientar os alunos para uma opção estruturada de estágio internacional por meio de CRCC Asia.
Visite CRCC AsiaOs alunos recebem orientação sobre currículos, perfis públicos, inscrições e posicionamento profissional.
As primeiras funções típicas incluem cientista de dados júnior, analista de aprendizado de máquina, cientista de dados aplicado ou estagiário de IA/ML, dependendo da matemática, codificação e portfólio de projetos do aluno.
Com a experiência, os graduados podem progredir para as funções de cientista de dados, engenheiro de aprendizado de máquina, engenheiro de MLOps ou especialista em IA aplicada. A implantação responsável e o valor mensurável são mais importantes do que a inflação do título de trabalho.
O MSc in Data Science & AI exige preparação matemática, proficiência em inglês e capacidade de avançar por disciplinas técnicas e estatísticas exigentes.
Os candidatos devem possuir um diploma de bacharel reconhecido de 3 ou 4 anos ou equivalente, em um campo em que a matemática aplicada tenha sido estudada, como matemática, física, engenharia, ciência da computação ou economia.
Os candidatos podem ser convidados a fazer o exame de admissão on-line da DSTI em matemática e TI, especialmente quando a equipe de admissões ou a Direction of Studies precisar de mais evidências de preparação.
Os cursos são ministrados em inglês. IELTS 6.0, Duolingo 110 ou evidência equivalente podem ser necessários.
Os alunos devem ter um laptop com Windows PC com pelo menos 16 GB de RAM, capaz de executar a versão mais recente do Windows.
Candidatos que concluíram ou estão terminando o primeiro ano de um programa de mestrado na mesma área ou um bacharelado de quatro anos na mesma área podem solicitar a entrada direta no Ano 2. Direction of Studies decide sobre a admissão após uma revisão acadêmica específica.
Exames comuns obrigatórios: Matemática Aplicada; Fundamentos da Análise Estatística — Parte 1; Data Wrangling with SQL. Exames adicionais do programa: Continuous Optimisation; Artificial Neural Networks.
Se você está hesitando entre análise de dados com IA, engenharia de dados para IA e ciência de dados e IA, a questão-chave é seu centro de gravidade: decisão e implementação, plataformas e pipelines ou modelagem e sistemas de IA.
