Parcours Science des Données
Objectifs
La science des données (SD) est une discipline scientifique émergente qui vise à extraire de la connaissance à partir de données générées en quantités toujours plus importantes (Big Data). Cette “nouvelle” science est un des moteurs de l'intelligence artificielle, notamment au travers l'étude et la conception de méthodes d'apprentissage machine (Machine Learning). Le parcours SD du Master vise la formation d’ingénieurs et de chercheurs spécialisés dans cette discipline qui seront les data managers et les data scientists de demain.
Ouvert à l'international
Les enseignements du M2 SD sont dispensés en anglais afin d'accueillir des étudiants anglophones, et de préparer les étudiants francophones à la mobilité. Des stages sont proposés chaque année dans nos laboratoires partenaires à l'étranger (Belgique, Danemark, Canada, etc.), comme ce fut le cas pour les étudiants de notre rubrique "International".
Projets et Stages
Les projets et les stages prennent une part importante de la formation de ce parcours, avec:
- un stage ou un projet en M1 : un stage en laboratoire ou en entreprise pour une durée minimale de 8 semaines ou un projet à réaliser à l'Université en autonomie sous la supervision d'un membre de l'équipe pédagogique.
- un projet en M2 : un projet individuel, qui peut constituer une initiation à la recherche en science des données.
- un stage en M2 : un stage de fin d'étude d'une durée comprise entre 4 et 6 mois, à effectuer en entreprise ou en laboratoire de recherche.
Programme
L'objectif de cette UE est d'atteindre une plus grande aisance dans l'expression orale en Anglais dans des contextes généraux et professionnels tels que la prise de parole en public ou lors d'un entretien en anglais ou d'une réunion. Seul ou en équipe au sein d'un groupe restreint, il s'agit d'être capable de travailler et de présenter des arguments à l'oral à un niveau B2 du CECRL. Cela passe en particulier par :
- L'apprentissage de la méthodologie de la prise de parole en public.
- Un travail intensif (atelier spécifiques) sur les règles de prononciation de la langue anglaise (accent britannique ou nord-américain) pour viser une expression authentique à l'oral.
- L'acquisition du vocabulaire et des expressions propres à la communication écrite et orale dans des contextes généraux et professionnels.
L'objectif de cette UE est de présenter les bases de l’apprentissage automatique (les différents types de contextes/tâches/applications), à comprendre le fonctionnement des principales méthodes d’apprentissage automatique, et à donner les principes méthodologiques expérimentaux pour la mise en œuvre de ces méthodes. Le but est de maîtriser les différentes tâches de l’apprentissage automatique, de comprendre les différences entre les méthodes et leur principe de fonctionnement et de savoir monter un protocole expérimental pour tester et comparer ces méthodes sur des jeux de données réels. Les thèmes abordés sont :
- Les classifieurs paramétriques et non paramétriques, génératifs ou discriminants (estimation de gaussiennes, estimateur de Parzen, k plus proches voisins, séparateur linéaire (perceptron, SVM))
- Les classifieurs hiérarchiques (arbres de décision)
- Réseaux de neurones (MLP)
- La sélection de modèles
L'objectif de cette UE est d'introduire la problématique de Web de données à la fois du point de vue historique et technique. Ce sont les technologies du Web sémantique qui permettent d’implémenter les principes fondamentaux de ce Web de données. Celui-ci s’accompagne d’une pile de standards délivrés par le World Wide Web Consortium (W3C) que ce cours propose d’appréhender à la fois de manière théorique et pratique. L’objectif premier de ce cours et de permettre aux étudiants d’acquérir une connaissance du fonctionnement du Web sémantique et de ses principes architecturaux. Cela s’avère indispensable à une bonne compréhension du Web d’aujourd’hui compte tenu de la part grandissante qu’y prennent les technologies du Web Sémantique. L’objectif secondaire et de former aux standards du Web sémantique afin notamment d’aboutir à une compréhension concrète et maîtrisée de la notion d’ontologie et de leur capacité à mettre en œuvre des raisonnements et des déductions de nouvelles données. Les compétences visées sont :
- Comprendre le concept de Web de données et connaître les principes architecturaux du Web sémantique.
- Maîtriser les langages de représentation adaptés à la publication de données liées sur le Web (modèle RDF).
- Maîtriser les principaux aspects du langage de requête SPARQL qui permet l’interrogation et la modification des données (liées) au travers du Web.
- Appréhender la notion d’ontologie et les langages permettant de les écrire (RDFS, OWL, SKOS).
L'objectif de cette UE est de s'initier à la conception d’interface graphique avec les technologies du Web. Elle vise à former à l’utilisation des technologies HTML/CSS pour la création d’interface Web, en mettant l’accent sur les techniques modernes de conception web réactive (responsive web design). À l’issue de cet enseignement, les étudiants devront être capables de concevoir des interfaces graphiques adaptatives multi-supports, c’est-à-dire qui soient fonctionnelles sur tous types d’écrans (mobile, tablette, ordinateurs, etc.). Ce cours n'aborde pas de concepts d’ergonomie ou de graphisme, mais se concentre sur la maîtrise technique des outils dédiés. Les compétences visées sont :
- Maîtriser le HTML5 pour la structuration des documents web.
- Maîtriser les principes clés du CSS pour la mise en forme et le rendu visuel et fonctionnel de ces pages.
- Maîtriser les techniques fondamentales de conception web réactive (agencement flexible, média flexible, media queries, etc...).
L'objectif de cette UE est de présenter les outils théoriques et pratiques permettant le traitement des signaux aléatoires, en particulier sur les aspects liés au filtrage des signaux. Il s'agit de maîtiser les approches classiques pour de tels traitements. Les compétences visées sont :
- Approfondissement théorique des outils du traitement du signal.
- Mise en pratique des méthodes vues en cours.
L'objectif de cette UE est de savoir organiser un travail d’équipe autour d’un projet de développement utilisant de l’IA :
- Connaître et mettre en œuvre les principes de gestion d’équipe (cycles, agilité...)
- Maîtriser les outils courants de gestion de projet (diagrammes, tableaux de bord, suivi de version...)
L'objectif de cette UE est de présenter les méthodes de recherche de minimum d'une fonction de R^n par descente avec ou sans contraintes, méthodes qui sont présentes dans de nombreux algorithmes d'apprentissage. Il s'agit d'en maîtriser les aspects théoriques et d'être capable d'implémenter ces méthodes de descentes
L'objectif de cette UE est de de maîtriser les techniques d’analyse de données non supervisées classiques et avancées à des fins de visualisation des données ou de réduction de la dimension. Il comporte des séances de travaux pratiques au cours desquelles les méthodes sont programmées en langage python. Il s'agit de comprendre les hypothèses qui sous-tendent les différents modèles d'analyse de données et de mettre en œuvre des techniques modernes d’analyse de données
L'objectif de cette UE est de concevoir des documents professionnels (CV et lettre de motivation) en cohérence avec un objectif professionnel et de se préparer à l’entretien d’embauche.
L'objectif de cette UE est d'atteindre une plus grande aisance dans l'expression orale en anglais dans des contextes généraux et professionnels tels que la prise de parole en public ou lors d'un entretien en anglais ou d'une réunion. Seul ou en équipe au sein d'un groupe restreint, il s'agit d'être capable de travailler et de présenter des arguments à l'oral à un niveau B2 du CECRL. Cela passe en particulier par :
- L'apprentissage de la méthodologie de la prise de parole en public.
- Un travail intensif (atelier spécifique) sur les règles de prononciation de la langue anglaise (accent britannique ou nord-américain) pour viser une expression authentique à l'oral.
- L'acquisition du vocabulaire et des expressions propres à la communication écrite et orale dans des contextes généraux et professionnels.
L'objectif de cette UE est de présenter la problématique d'optimisation combinatoire et les approches de référence pour traiter de tels problèmes. Il permettra de maîtriser les algorithmes standards de résolution de problèmes de recherche opérationnelle (programmation dynamique, programmation mathématique, algorithmes de branchement...). L'UE fournit aux étudiants une culture de base en recherche opérationnelle, qui les rend capables de modéliser un problème d'optimisation combinatoire et de choisir l'approche adaptée pour le résoudre et de l’évaluer.
L'objectif de cette UE est une introduction aux réseaux de neurones multicouches et leur algorithme d'apprentissage par rétropropagation du gradient de l'erreur. L'algorithme SGD est présenté et le problème de la disparition du gradient dans les architectures profondes est mis en évidence. Les différentes techniques permettant de maîtriser ce phénomène sont présentées. Les réseaux convolutifs sont ensuite abordés, et mis en valeur pour les applications à la reconnaissance de visages. Les architecture de réseaux récurrents sont présentés pour la reconnaissance de la parole. Les architectures de réseaux adverses permettent d’aborder les techniques de génération de fausses données. L'objectif est de comprendre et maîtriser les techniques modernes d’apprentissage supervisée et faiblement supervisée reposant sur les architectures de réseaux de neurones, et réseaux de neurones profonds. Comprendre et maîtriser les algorithmes d’optimisation spécifiques à ces architectures. Savoir mettre en œuvre ces algorithmes en utilisant les environnements de calcul dédiés en langage python, tels que Tensor Flow, Keras, ou PyTorch.
L'objectif de cette UE est d'approfondir les concepts théoriques fondamentaux de l’apprentissage automatique de façon générale, mais aussi des méthodes généralistes les plus emblématiques. À l’issue de cet enseignement, les étudiants seront familiers avec les fondements théoriques de l’apprentissage automatique, comprendront les motivations derrière les différentes approches existantes et maîtriseront le fonctionnement des méthodes généralistes les plus emblématiques.
L'objectif de cette UE est de traiter des différentes architectures matérielles dans le domaine du traitement massif des données ainsi que des méthodes et outils pour utiliser au mieux ces différentes architectures. Cet enseignement abordera les aspects matériels, en particulier la mémoire (locale ou distribuée sur plusieurs machines) et différents paradigmes et outils de programmation sur architecture distribuée. L'objectif est de fournir aux étudiants les connaissances et compétences de base en calcul distribué qui les rende capables d’utiliser ce type d’infrastructure et de porter leurs algorithmes sur de telles infrastructures et de le familiariser aux technologies associées (frameworks, système de fichiers,...).
L'objectif de cette UE est de mettre en application pendant au moins 8 semaines les enseignements théoriques reçus pendant la période des cours, dans le cadre de projets académiques ou industriels. Les projets sont réalises au sein de l'URN. Le stage peut être réalisé en laboratoire ou en entreprise.
L'objectif de cette UE est de préparer les étudiants à la soutenance de projet et/ou de stage. Les étudiants sont formés à élaborer une présentation orale (scientifique ou professionnelle), à présenter une contribution scientifique auprès d’un public spécialiste ou non spécialiste et à identifier, formaliser et défendre un projet professionnel.
Ce cours vise à permettre aux étudiants de maîtriser les règles de communication écrite et orale en anglais dans des contextes généraux et professionnels.
Les objectifs de cette UE sont d'atteindre une plus grande aisance dans l’expression orale dans des contextes généraux et professionnels tels que la prise de parole en public ou lors d’un entretien en anglais, et de maîtriser les outils langagiers propres à la communication écrite professionnelle.
Les compétences visées sont l'acquisition du vocabulaire et des expressions propres à la communication écrite et orale dans des contextes généraux et professionnels.
Ce cours présente les différentes architectures dans le domaine du calcul intensif (HPC) : calculateurs à mémoire partagée, à mémoire distribuée, accélérateurs de type GPU... ainsi que les méthodes et outils pour utiliser au mieux ces différentes architectures. Cet enseignement abordera les notions de puissance de calcul, de profilage et d’optimisation des performances de calcul, de calculs massivement parallèles et de portage sur GPU. Un focus sera fait sur la consommation énergétique de ce type d’infrastructures. L'objectif est de fournir aux étudiants une culture de base en calcul intensif (HPC), qui les rende capables d’utiliser ce type d’infrastructure et d’améliorer leurs algorithmes pour les adapter à l’utilisation de telles infrastructures. Un second objectif est de sensibiliser les étudiants à l’impact énergétique et environnemental de l’utilisation de ces infrastructures.
Compétences et apprentissages visés :
- Utiliser des ressources HPC
- Identifier et résoudre les problèmes de performance
- Paralléliser des algorithmes calculatoires
- Porter des algorithmes sur GPU
Ce cours est l'un des choix possibles de l'UE 3 : Machine Learning and Artificial Intelligence 1.
Programme : (1) Lasso, Group Lasso (sélection de variables), (2) optimisation non convexe, (3) proximal, (4) scikit-learn et outils pour le ML, (5) visualisation et clustering avancé, (6) ChatGPT
Ce cours est l'un des choix possibles de l'UE 3 : Machine Learning and Artificial Intelligence 1.
Le cours décrit de manière chronologique (historique) les principaux algorithmes et méthodes de reconnaissance de séquences, utilisés, en reconnaissance de la parole, de l'écriture, de traitement automatique du langage naturel, analyse de geste, analyse de vidéo. L'accent est mis sur les algorithmes plutôt que sur les applications : Modèles de Marko Cachés, Champs Aléatoires Conditionnels, Modèles Neuro-Markoviens, Réseaux de Neurones Récurrents, Modèles à Attention. Ces algorithmes sont implémentés en partie par l'étudiant lors des séances de TP, puis ils sont mis en oeuvre expérimentalement sur un problème d'apprentissage et de reconnaissance de séquences de symboles manuscrits. L'évaluation du module est constituée d'une soutenance orale des résultats expérimentaux obtenus par l'étudiant sur les différents sujets abordés en TP. L'accent est mis sur les expérimentations personnelles qui ne meuvent être menées lors des séances de TP pour des raisons pratiques de temps de calcul.
Objectifs :
- Comprendre et maîtriser les algorithmes de la littérature en analyse de séquences.
- Maîtriser la mise en œuvre expérimentale de ces algorithmes sur les sujets proposés lors des séances de Travaux Pratiques qui donnent lieu à des travaux expérimentaux personnels.
Compétences et apprentissages visés :
- Maitrise approfondie des algorithmes d'inférence statistique dans les séquences, approche "concepteur".
- Maitrise expérimentale de ces algorithmes mis en œuvre sur l’une des plateformes d’apprentissage profond telle que TensorFlow ou Pytorch.
Ce cours est l'un des choix possibles de l'UE 3 : Machine Learning and Artificial Intelligence 1.
Cet enseignement présente un panorama des méthodes d’apprentissage appliquées aux représentations de type graphes. Après une introduction aux représentations à base de graphes et aux algorithmes standards de manipulation de telles structures, les approches permettant le matching de graphes, le calcul de dissimilarités entre graphes ou encore le plongement de graphes dans un espace Euclidien sont abordées. Le cours se termine par une présentation des approches les plus récentes pour faire de l’apprentissage profond dans des graphes.
L'objectif est de fournir aux étudiants une culture sur le traitement de données de type graphes, avec les méthodes à l'état de l'art.
Compétences et apprentissages visés :
- Développer des modèles d’apprentissage sur graphes
- Adapter les modèles aux spécificités des données traitées
- Analyser les performances d’un modèle d’apprentissage
Ce cours est l'un des choix possibles de l'UE 3 : Machine Learning and Artificial Intelligence 1.
Il aborde les méthodes avancées en :
- débruitage d'images (filtrage bilateral, filtrage NLM, modèle ROF, )
- segmentation d'images avec approches variationnelles (contours actifs déformables, jeux de niveaux) ainsi que graph cut, NCut, Felzenschwab, méthodes de superpixel (SLIC)
- segmentation d'images avec apprentissage profond, CNN (UNet) et Transformer (vision transformer)
- détection d'objet (approches de vision par ordinateur et architectures d'apprentissage profond)
- Architectures DL pour le débruitage, le transfert de style, la colorisation, la reconstruction, la super-résolution, les modèles génératifs (modèles de diffusion)
Ce cours est l'un des choix possibles de l'UE 3 : Machine Learning and Artificial Intelligence 1.
Ce cours constitue une introduction à l'apprentissage par renforcements. Il a pour objectifs de poser les concepts fondamentaux et leur transposition moderne avec les outils de l'apprentissage profond. Au programme : (1) Bandit, (2) MDP, résolution exacte, (3) Méthodes de Monte-Carlo, (4) Différence temporelle, (5) Méthodes tabulaires, récursions, (6) Approximation par réseaux profonds.
Compétences et apprentissages visés :
- Mise en place d'un environnement d'apprentissage par renforcement
- Algorithmes d'apprentissage
Ce cours est l'un des choix possibles de l'UE 3 : Machine Learning and Artificial Intelligence 1.
Programme : (1) Transformers, (2) modèles de diffusion, (3) modèle génératifs, (4) Normalizing flows, (5) Graph Neural Networks (GNN).
L'objectif de ce cours est d'apprendre aux étudiants à lire, résumer, commenter et reproduire des articles scientifiques, et être capable d’établir un état de l’art dans un domaine spécifique.
Compétences et apprentissages visés :
- Etre capable de faire une recherche bibliographiques ciblée avec les bon outils
- Avoir des repères dans les publications scientifiques (conférences, journaux)
- Lire, résumer, commenter et reproduire des articles scientifiques, et être capable d’établir un état de l’art dans un domaine spécifique
Cette UE a pour but d’informer les étudiants sur le fonctionnement d’une entreprise et de les amener à adopter une posture professionnelle.
- l’entreprise, ses différents aspects
- le salarié, droits et contrats
- le management, le travail d’équipe, le brainstorming
- le suivi de projets
Ce cours est l'un des choix possibles de l'UE 1 : Machine Learning and Artificial Intelligence 2.
- Acquisition d'images médicales et caractéristiques
- Conception de méthodes d'analyse d'images médicales
- Segmentation d'images médicales, mesures d'évaluation pour la segmentation d'images médicales
- Comment atténuer le besoin de données étiquetées (apprentissage faiblement supervisé, apprentissage semi-supervisé) ?
- Enregistrement des images
- Caractérisation des images : Attributs statistiques, matrice de cooccurrence, analyse mutlifractale, filtrage, représentation de la forme. Extraction de caractéristiques à l'aide d'un auto-encodeur
- Fusion d'images médicales multimodales. Fusion d'informations (ensembles flous, fonctions de croyance, théorie des probabilités). Fusion basée sur l'apprentissage profond
Ce cours est l'un des choix possibles de l'UE 1 : Machine Learning and Artificial Intelligence 2.
Ce cours présentera les principes généraux du traitement automatique des langues (NLP), les différentes tâches du domaines, les principaux modèles de Machine et Deep Learning
Objectif :
- Savoir réaliser un projet de traitement automatique de données textuelles par Machine et Deep Learning
Compétences et apprentissages visés :
- Savoir préparer des données textuelles
- Savoir entrainer et évaluer des modèles de NLP
- Savoir choisir un modèle adapté à la tâche
Ce cours est l'un des choix possibles de l'UE 1 : Machine Learning and Artificial Intelligence 2.
Ce cours permet de maîtriser l’usage des outils mathématiques et informatiques pour réaliser des applications de Vision par Ordinateur.
L’objectif de ce cours est de parcourir l’ensemble des outils mis en œuvre pour la réalisation d’application de CV, en allant des notions de géométrie (géométrie projective, transformations) jusqu’à la reconnaissance d’objets en passant par les techniques de traitement d’images permettant de détecter et de mettre en correspondance des primitives exploitées dans la plupart des applications de CV.
Compétences et apprentissages visés :
- Connaître les outils mathématiques impliqués dans la CV
- Mobiliser les connaissances théoriques vues en cours pour la réalisation d’applications de CV
- Développer des applications de CV en utilisant la librairie la plus répandue en CV : OpenCV
Ce cours est l'un des choix possibles de l'UE 1 : Machine Learning and Artificial Intelligence 2.
Ce cours présente la problématique de la recherche d’information. Il présente les différents modèles d’indexation et de requétage associé. Il présente également des différents prétraitements mis en œuvre pour alimenter ces modèles ainsi que les méthodologies d’évaluation des systèmes et leur optimisation.
L’objectif est de donner aux étudiants une compréhension de la problématique de la recherche d’information et présentant les principaux modèles (binaires, vectoriels, probabilistes), des traitements spécifiques à la manipulation du texte (segmentation, stemming, radicalisation…), ainsi que les aspects d’interactions avec l’utilisateur visant l’optimisation des résultats (boucle de pertinence, désambiguïsation/expansion de requêtes...).
Compétences et apprentissages visés :
- Modéliser un problème de recherche d’information
- Détermination du modèle de recherche d’information selon la situation
- Mise en œuvre de traitements du texte pour alimenter ces modèles
- Évaluation des systèmes de recherche d’information
Ce cours est l'un des choix possibles de l'UE 1 : Machine Learning and Artificial Intelligence 2.
Ce cours porte sur le problème applicatif de la recherche d'images, cas particulier de la recherche d'information, et plus spécifiquement sur les techniques de recherche d'images par le contenu (content based image retrieval). Dans ce cadre, on y aborde les problématiques de modes d'interrogation, de représentation des images (extraction de caractéristiques, représentation vectorielle, caractérisation locale vs globale des images, représentation profonde) pour l'indexation et la recherche d'informations, de calcul de similarité entre les représentations, de retour utilisateur, de performances et de passage à l'échelle. On aborde aussi les problématiques d'object detection, de spotting (word et pattern) et d'apprentissage d'un modèle pour la recherche d'images à partir de peu d'exemples.
L’objectif est de présenter l'évolution du domaine applicatif de la recherche d'images, en particulier la recherche d'images par le contenu, et dresser un panorama des techniques de recherche d'images à l'état de l'art.
Compétences et apprentissages visés :
- être capable de concevoir un système de recherche d'images par le contenu en évaluant l'influence du mode de représentation, du choix de la mesure de similarité et des post-traitements pour fiabiliser le système
- être capable de développer en Python un moteur simple de recherche d'images par le contenu, évaluer ses performances
- être capable de développer en Python un moteur permettant le passage à l'échelle
- être capable de comparer les systèmes de recherche d'images
Ce cours est l'un des choix possibles de l'UE 1 : Machine Learning and Artificial Intelligence 2.
Acquérir les compétences essentielles au développement d'applications permettant des interactions hommes-machines.
Objectifs :
- Acquérir les compétences essentielles au développement d'applications permettant des interactions hommes-machines intuitives et adaptées à l'utilisateur et au contexte.
- Illustrer la notion de proactivité d'une IHME qui proposerait un comportement et/ou de l'information adaptée, alors même que l'utilisateur n'en fait pas la demande explicite.
- Illustrer ces concepts sur des exemples concrets
- Introduction à la recherche (synthèse bibliographique, modélisation et résolution d'un problème scientifique,...)
Compétences et apprentissages visés :
- Modèles formels pour l'interaction (automates, HMM, SMA, seq2seq, graphes, ...)
- Realité virtuelle et augmentée (Interaction humain-agent/robot, communautés mixtes, informatique ubiquitaire, ...)
- Captation de comportements (reconnaissance d'expressions faciales ou de gestes, catégorisation de comportements,...)
- Interactions (chatbots, agents conversationnels animés, analyse d'opinion et de sentiment, réseaux sociaux,...)
- Modèles formels pour l'interaction (automate, HMM, MAS, seq2seq, graphes, ...)
- Réalité virtuelle et augmentée (intéraction humain/robot, communauté mixte, informatique ubiquitaire, ...)
- Capture comportementale (reconnaissance des expressions faciales ou des gestes, apprentissage de profils utilisateur, ...)
- Interactions (chatbots, agents conversationnels incarnés, reconnaissance d'opinion, analyse de sentiments, analyse de réseaux sociaux)
Ce cours est l'un des choix possibles de l'UE 1 : Machine Learning and Artificial Intelligence 2.
Le cours est destiné à donner aux étudiants une vue complète des principes fondamentaux et des techniques de combinaison de plusieurs classifieurs ou modèles d'apprentissage automatique.
Objectifs :
- Maîtriser l'art de combiner les classifieurs.
Compétences et apprentissages visés :
- Systèmes multi-classifieurs (motivation, terminologie, applications, taxonomie des méthodes de fusion : architectures séquentielles, parallèles, hybrides)
- Opérateurs de combinaison/fusion (basée sur les classes, basée sur les rangs, basée sur les mesures, paramétrique, non paramétrique, en cascade)
- Ensemble de classifieurs (diversité dans les ensembles, comités à validation croisée, bagging, boosting, sous-espaces aléatoires, ECOC, forêts aléatoires et variantes, XGBoost)
Projet individuel étude théorique, développement et expérimentations. Ce projet peut constituer une initiation à la recherche.
Stages de 6 mois, permettant la mise en application des enseignements théoriques reçus pendant la période des cours dans le cadre de projets académiques ou industriels
Le stage peut être réalisé en laboratoire ou en entreprise.