Data Science and Machine Learning (M.Sc.)

Théorie : Apprentissage statistique, modélisation probabiliste, optimisation et généralisation.

Pratique : Apprentissage profond (vision/séries temporelles), applications de données géospatiales ou biomédicales, ingénierie des caractéristiques et évaluation au-delà de la précision (calibration, équité).

Ingénierie : Reproductibilité, données/modèles versionnés, MLOps de base et suivi des expériences.

Travail interdisciplinaire : Projets avec des laboratoires spécialisés (par exemple, environnement, biomédical) utilisant des ensembles de données et des contraintes réels.

Éthique et sécurité : Gestion des biais, de la confidentialité et des risques liés aux modèles ; Rapports transparents.

Projet de fin d'études/Thèse : Projet publiable ou prêt pour la production, comprenant le code, la documentation et l'analyse des erreurs.

Débouchés : Postes de scientifique appliqué/science des données, assistanats de recherche, parcours doctoraux.