Master of Science en Intelligence Artificielle

Est-ce que j'ai le profil qui convient?

• êtes-vous ou serez-vous bientôt diplômé(e) d'une grande université/école avec un diplôme solide (baccalauréat 4 ans ou première année de master) en ingénierie, mathématiques, statistiques, informatique, physique ?
• êtes-vous très à l'aise avec au moins un langage de programmation ?
• avez-vous peu ou pas d'expérience de travail?
• tu as un bon niveau d'anglais et tu aimerais étudier entièrement en anglais?
• vous cherchez à devenir un expert et un leader en IA ?

Apprendre encore plus

1ère période : Fondations avec 6 cours de base

• Fondements de l'apprentissage automatique : un aperçu des tendances les plus importantes de l'apprentissage automatique, avec un accent particulier sur le risque statistique et sa minimisation par rapport à une fonction de prédiction, est donné dans ce cours. Une importante section de laboratoire implique des projets de groupe sur des compétitions de science des données et donne aux étudiants la possibilité d'appliquer la théorie du cours à des problèmes du monde réel.
• Fondements de l'Intelligence Artificielle : Historique et aperçu des différentes approches de l'Intelligence Artificielle : de l'agent réflexe (IA bas niveau) aux systèmes experts et xIA (IA haut niveau). Chaque notion fera l'objet d'un travail pratique individuel. De plus, une IA sera développée par groupe et participera à un tournoi.
• Fondements de la modélisation de la décision : les préférences sont présentes et omniprésentes dans de nombreuses situations impliquant une interaction et des décisions humaines. Les préférences sont exprimées explicitement ou implicitement dans de nombreuses applications et une décision pertinente doit être prise en fonction de ces préférences. Ce cours vise à introduire les modèles de préférence pour les décisions multicritères. Nous présenterons des concepts et des méthodes de modélisation des préférences et d'aide à la décision multicritère.
• Fondements de l'optimisation : théorie et méthodes fondamentales pour la résolution de problèmes d'optimisation ; techniques itératives pour une minimisation sans contrainte ; la programmation linéaire et non linéaire ainsi que les méthodes discrètes pour les applications d'ingénierie associées aux exercices de programmation en Python sont abordés dans ce cours.
• Fondements de l'apprentissage en profondeur : ce cours présentera la théorie moderne des réseaux de neurones convolutifs, tant en termes de concepts théoriques qu'en termes de pratique avec différentes architectures de formation et de programmation. Des exemples concrets sur divers domaines d'application démontreront l'intérêt de ces méthodes en intelligence artificielle.
• Fondements des langages et plates-formes de programmation Big Data & AI : ce cours vous apprendra tout sur la gestion des mégadonnées - algorithmes, techniques et outils nécessaires pour prendre en charge le traitement des mégadonnées en mettant l'accent sur les aspects informatiques liés à la programmation de méthodes d'intelligence artificielle basées sur l'apprentissage automatique. .

IA théorique : Au moins 3 choix au choix

• Apprentissage par renforcement : Ce cours introduira les fondements de la modélisation dynamique des problèmes en intelligence artificielle par le biais de stratégies d'apprentissage par renforcement. En particulier, nous discuterons des stratégies d'optimisation, des stratégies d'échantillonnage et des stratégies de sélection des récompenses au niveau du concept et de l'application pour divers problèmes d'intelligence artificielle.
• Excellence en théorie des jeux : ce cours présentera dans un premier temps les grands principes concernant la décision dans l'incertitude et l'utilisation de modèles graphiques lors de la prise de décision dans l'incertitude. Deuxièmement, nous examinerons les principes de la théorie des jeux et montrerons comment cette théorie peut modéliser et analyser la décision en situation. où interviennent des interactions incertaines et stratégiques.
• Inférence et apprentissage de modèles graphiques : ce cours aborde les fondements mathématiques et les solutions informatiques pour l'entraînement et l'optimisation (d'ordre supérieur) des modes graphiques probabilistes. Ce sont de puissantes représentations de niveau intermédiaire qui, une fois dotées d'algorithmes d'optimisation efficaces, produisent des résultats de pointe pour les problèmes avec un volume moyen de données d'apprentissage.
• Systèmes multi-agents : L'objectif de ce cours est d'étudier les systèmes multi-agents, c'est-à-dire les systèmes composés de multiples éléments informatiques en interaction, appelés agents, comme paradigme de mise en œuvre de systèmes intelligents autonomes et complexes.
• Statistiques avancées : Ce cours vise d'abord à introduire la méthodologie générale de la statistique mathématique à travers les concepts fondamentaux (modélisation statistique et échantillonnage, problèmes d'estimation, théorie de la décision et test d'hypothèses). Ensuite, ce cours fournit des techniques statistiques avancées pour l'analyse multivariée avec un accent particulier sur les statistiques computationnelles et les approches d'estimation robustes. Des techniques régularisées / pénalisées sont également présentées.
• Advanced Deep Learning : Les méthodes d'apprentissage en profondeur sont désormais à la pointe de la technologie dans de nombreuses tâches d'apprentissage automatique, conduisant à des résultats impressionnants. Néanmoins, ils sont encore mal compris, les réseaux de neurones sont encore difficiles à former, et les résultats sont des boîtes noires manquant d'explications. Compte tenu de l'impact sociétal des techniques d'apprentissage automatique aujourd'hui (utilisées comme aide en médecine, processus d'embauche, prêts bancaires...), il est crucial de rendre leurs décisions explicables ou d'offrir des garanties. En outre, les problèmes du monde réel ne correspondent généralement pas aux hypothèses ou aux cadres standard des travaux universitaires les plus célèbres (quantité et qualité des données, disponibilité des connaissances d'experts...). Ce cours vise à fournir des informations et des outils pour aborder ces aspects pratiques, basés sur des concepts mathématiques.

IA appliquée : Au moins 3 choix au choix

• Informatique visuelle : Ce cours présentera un aperçu des tendances, des méthodes modernes et des applications des technologies de vision par ordinateur dans divers problèmes d'informatique visuelle, à savoir l'analyse visuelle, la reconnaissance d'objets, la modélisation de scènes 3D à partir de vues multiples, la formation croisée de données multimodales, etc.
• Traitement du langage naturel : Ce cours aborde des questions fondamentales à l'intersection des langages humains et de l'informatique. Dans ce cours, nous explorons des méthodes inspirées de l'intelligence artificielle symbolique et sous-symbolique vers la compréhension, l'analyse, la traduction et la génération du langage.
• Analyse de la science des réseaux : le problème de l'extraction efficace et efficiente d'informations significatives à partir de données graphiques à grande échelle est devenu crucial et difficile avec plusieurs applications importantes de l'IA. L'objectif de ce cours est de présenter des méthodes et algorithmes récents et de pointe pour analyser, extraire et apprendre des données de graphes à grande échelle, ainsi que leurs applications pratiques dans divers domaines.
• Recherche et extraction d'information : Ce cours aborde les fondamentaux de la recherche d'information, le processus de réponse à un besoin d'information, exprimé par la requête d'un utilisateur, en récupérant l'information pertinente dans des collections de données non structurées, souvent massives. Ce cours couvrira également les approches récentes telles que le web sémantique et les questions-réponses avec des graphes de connaissances. Une importante section pratique implique des projets de groupe sur la conception et la construction d'une application de recherche.
• Imagerie médicale : ce cours présentera un aperçu des tendances pertinentes pour l'interprétation automatique de l'imagerie médicale à partir de solutions assistées par ordinateur. Le cours abordera l'ensemble de la chaîne des problèmes d'interprétation de niveau moyen et élevé en abordant les problèmes piliers du domaine (détection, segmentation, enregistrement) et les technologies avancées les plus pilotées par l'IA pour le diagnostic assisté par ordinateur.

3ème période : Stage & Rapport (4 à 6 mois)

• 2e meilleur MSc en IA en France, Eduniversal 2022
• CentraleSuélec fait partie de l'Université Paris-Saclay Classée 16ème mondiale au classement mondial de Shanghai 2022
• Parmi les établissements les mieux classés PAR RÉPUTATION EMPLOYEUR : 7ÈME MONDIAL, 1ER EN FRANCE (QS World University Ranking 2021) : 8 de nos étudiants sur 10 trouvent un emploi avant l'obtention de leur diplôme et 99 % après l'obtention de leur diplôme

Apprendre encore plus

CentraleSuélec fait partie des établissements les mieux classés PAR RÉPUTATION DES EMPLOYEURS : 7ÈME MONDIAL, 1ER EN FRANCE (QS World University Ranking 2021) : 8 de nos étudiants sur 10 trouvent un emploi avant l'obtention de leur diplôme et 99 % après l'obtention de leur diplôme.