Master Probabilités et Statistiques des nouvelles données
Pour y accéder
Le M2 s'adresse aux étudiants ayant validé une première année de master en Mathématiques pures ou appliquées ou de Mathématiques-informatique ou justifiant d'un niveau équivalent, ainsi qu'aux élèves des Grandes Ecoles.
Les dossiers sont examinés par une commission.
Les plus de la formation
Adossement aux laboratoires de recherche de très haut niveau (LAMA, CERMICS, LIGM) et au Labex Bézout
Délivre une formation adaptée aux défis posés par la grande taille des données à traiter dans les secteurs secondaire et tertiaire.
Cohérence régionale (Paris Est) de l’offre de formation. Alternance et interventions de partenaires professionnels.
Compétences visées
A l’issue du Master, le diplômé est capable de :
- Maîtriser les outils mathématiques, qu'ils soient de nature différentielle, probabiliste, statistique, ou numérique et s’adapter à leur évolution et leur complexité croissante.
- Concevoir et mettre en œuvre les connaissances théoriques pour répondre de la manière la plus appropriée qu’il soit à des problématiques réelles et concrètes selon son domaine d’expertise.
- Modéliser des événements aléatoires.
- Préconiser des solutions équilibrées.
- Savoir rechercher et mettre à profit les ressources documentaires afin d’investir de nouveaux sujets ou être capable d'innover dans les sujets issus des problèmes du quotidien.
Internationalisation de la formation
L’attractivité au niveau international du Master est attestée par la présence d’un flux constant d’étudiants boursiers du parcours d’excellence « Bézout », élément qui différencie notre mention des mentions identiques ou proches au niveau national
Capacité d'accueil
15
Modalités d'accès
Via l’application de candidatures eCandidat :
Lien des modalités de candidature
Lieu(x) de la formation
Campus Marne la Vallée - Champs sur Marne
Bâtiment Copernic
Après la formation
Le parcours probabilités et statistiques des nouvelles données du master "Mathématiques et Applications" forme des mathématiciens de niveau élevé se destinant d'abord aux métiers relevant de la science des données et de leurs traitements, dont l'essor accompagne la généralisation de l'utilisation des bases de données. Il permet également de se tourner vers l'enseignement ou la recherche en milieu industriel ou académique.
Insertion professionnelle
Secteurs d'activité ou types d'emplois accessibles par le détenteur de ce diplôme, ce titre ou ce certificat:
- Enseignement - recherche en milieu académique ou industriel
- Organismes et centre de recherche
- Ingénierie - R&D mathématique
- Industries du transport (aérospatiales, aéronautique, navale, automobile, ...) - Industries de l’énergie (nucléaires, solaire, éolienne, pétrolière, ...)
- Banque, Finance, Assurance ... de marché, trading
- Informatique
- Télécommunications
- Enseignant(e) – chercheur
- Ingénieur(e) de recherche
- Chargé(e) d’études statistiques et économiques
- Chargé(e) d’études actuarielles
- Chargé(e) d’études actuarielles gestion actif – passif - Actuaire
- Courtier (trader)
Objectifs de la formation
Le Master à possède un double objectif :
Développer des notions théoriques et pratiques permettant une spécialisation des étudiants dans les métiers des banques, des assurances, de certains secteurs industriels et des sociétés de service.
Préparer aux besoins de l'enseignement et de la recherche fondamentale ou industrielle.
Disciplines majeures
Mathématiques et Informatique
Calendrier
Le Master 2 est organisé en deux semestres. Il est commun à l’Université Gustave Eiffel et à l’UPEC et les cours ont tous lieu à l’Université Gustave Eiffel. Le stage a lieu au deuxième semestre.
Environnement de recherche
Le Master a un adossement fort à la recherche par ses trois partenaires académiques mentionnés ci- dessus. Par ailleurs, certains étudiants, en particulier ceux qui se destinent à la carrière de chercheur ou d'enseignant-chercheur, peuvent s'orienter vers la préparation d'une thèse. La thèse peut être préparée dans l’un des trois Laboratoires de recherche associées au master (LAMA, CERMICS, LIGM). Pour les diplômés admis à préparer une thèse, divers financements peuvent être envisagés (allocations de recherche du Ministère de l'Enseignement Supérieur, de la Recherche et de l’Innovation, bourses C.I.F.R.E., bourses de l'Ecole des Ponts, allocations du DIM Math Innov). Les allocations de recherche du Ministère de l'Enseignement Supérieur, de la Recherche et de l’Innovation sont attribuées par l'intermédiaire des écoles doctorales de l’UPE.
Tarif FC (Les informations ci-contre s'adressent uniquement aux adultes en reprise d'études)
7000 €/an
Semestre 3
Enseignements | ECTS | CM | TD | TP |
---|---|---|---|---|
STAGE (FI) | 60 | |||
2 UE obligatoires à valider parmi les UE ci-dessous au S3
| 12 | |||
Architecture Big Data
Manipulation de grosses bases de données et pratique du calcul parallèle
Langue de l'enseignement FRANÇAIS / FRENCH | 30h | |||
Statistiques en Grande Dimension
Statistiques en grande dimensions : algorithmes, estimation et pénalisation
Langue de l'enseignement FRANÇAIS / FRENCH | 30h | 12h | ||
Calcul stochastique
Présentation des processus stochastiques en temps continu et leurs principales propriétés
Langue de l'enseignement FRANÇAIS / FRENCH | 30h | |||
Entre le S3 et le S4 : 4 cours à 6 Ects et 1 cours à 3 Ects
| 27 | |||
Simulation et copules
Méthodes de Monte Carlo pour la simulation et utilisation de copules pour les risques multidimensionnels
Langue de l'enseignement FRANÇAIS / FRENCH | 6 | 30h | 12h | |
Méthodes de Monte Carlo et Algorithmes stochastiques
Présentation des algorithmes stochastiques pour l'optimisation et l'approximation de processus financier
Langue de l'enseignement FRANÇAIS / FRENCH | 6 | 39h | ||
Apprentissage statistique et applications
Algorithmes de machine et deep learning pour diverses applications pratiques, dont financières
Langue de l'enseignement FRANÇAIS / FRENCH | 6 | 38h | ||
Estimation empirique - Valeurs extrêmes
Théorie des valeurs extrêmes, modèles de durée et estimation empirique
Langue de l'enseignement FRANÇAIS / FRENCH | 6 | 24h | 6h | |
Méthodes d'approximation déterministes et stochastiques
Langue de l'enseignement FRANÇAIS / FRENCH | 6 | 30h | ||
Anonymisation et équité algorithmique
Méthodes d'anonymisation informatique et conservation de propriétés statistiques – technique de réduction de biais des algorithmes
Langue de l'enseignement FRANÇAIS / FRENCH | 6 | 24h | 6h | |
Fondements des sciences de données
Introduction aux premières méthodes d’apprentissage statistique
Langue de l'enseignement ANGLAIS / ENGLISH | 6 | 16h | 8h | 8h |
Intro au Calcul de Malliavin et appli numériques en finance
Calcul de Malliavin et applications numériques pour le calcul des Grecques et la valorisation non linéaire des risques financiers
Langue de l'enseignement FRANÇAIS / FRENCH | 6 | 24h | ||
Sciences des données avancées
Théorie de l'apprentissage statistique et apprentissage profond
Langue de l'enseignement ANGLAIS / ENGLISH | 6 | 16h | 8h | 8h |
Modélisation proba et stat pour l'épidémiologie
Théorèmes limites et EDS
Langue de l'enseignement FRANÇAIS / FRENCH | 6 | 20h | ||
Cas d’usage en lien avec le développement durable
Travail encadré sur un semestre sur une problématique spécifique proposée par le ministère de la transition écologique et du développement durable
Langue de l'enseignement FRANÇAIS / FRENCH | 6 | 20h | ||
Apprentissage statistique pour le traitement du langage
Etude de la spécificité des algorithmes dédiés au traitement du langage
Langue de l'enseignement FRANÇAIS / FRENCH | 3 | 12h | ||
Vision par ordinateur et détection d’objets
Exploitation des techniques récentes de classification et détection d’objets
Langue de l'enseignement FRANÇAIS / FRENCH | 3 | 12h | ||
Stage et Hackathon au S4
| 21 | |||
Stage
| ||||
Hackathon
| ||||
APPRENTISSAGE (FA) | 60 | |||
UE obligatoires à valider au S3
| 12 | |||
Architecture Big Data
Manipulation de grosses bases de données et pratique du calcul parallèle
Langue de l'enseignement FRANÇAIS / FRENCH | 6 | 30h | ||
Statistiques en Grande Dimension
Statistiques en grande dimensions : algorithmes, estimation et pénalisation
Langue de l'enseignement FRANÇAIS / FRENCH | 6 | 30h | 12h | |
Entre le S3 et le S4 : 4 cours à 6 Ects et 1 cours à 3 Ects
| 27 | |||
Simulation et copules
Méthodes de Monte Carlo pour la simulation et utilisation de copules pour les risques multidimensionnels
Langue de l'enseignement FRANÇAIS / FRENCH | 30h | 12h | ||
Apprentissage statistique et applications
Algorithmes de machine et deep learning pour diverses applications pratiques, dont financières
Langue de l'enseignement FRANÇAIS / FRENCH | 38h | |||
Estimation empirique - Valeurs extrêmes
Théorie des valeurs extrêmes, modèles de durée et estimation empirique
Langue de l'enseignement FRANÇAIS / FRENCH | 24h | 6h | ||
Méthodes d'approximation déterministes et stochastiques
Langue de l'enseignement FRANÇAIS / FRENCH | 30h | |||
Anonymisation et équité algorithmique
Méthodes d'anonymisation informatique et conservation de propriétés statistiques – technique de réduction de biais des algorithmes
Langue de l'enseignement FRANÇAIS / FRENCH | 24h | 6h | ||
Fondements des sciences de données
Introduction aux premières méthodes d’apprentissage statistique
Langue de l'enseignement ANGLAIS / ENGLISH | 16h | 8h | 8h | |
Sciences des données avancées
Théorie de l'apprentissage statistique et apprentissage profond
Langue de l'enseignement ANGLAIS / ENGLISH | 16h | 8h | 8h | |
Modélisation proba et stat pour l'épidémiologie
Théorèmes limites et EDS
Langue de l'enseignement FRANÇAIS / FRENCH | 20h | |||
Cas d’usage en lien avec le développement durable
Travail encadré sur un semestre sur une problématique spécifique proposée par le ministère de la transition écologique et du développement durable
Langue de l'enseignement FRANÇAIS / FRENCH | 20h | |||
Apprentissage statistique pour le traitement du langage
Etude de la spécificité des algorithmes dédiés au traitement du langage
Langue de l'enseignement FRANÇAIS / FRENCH | 12h | |||
Vision par ordinateur et détection d’objets
Exploitation des techniques récentes de classification et détection d’objets
Langue de l'enseignement FRANÇAIS / FRENCH | 12h | |||
UE obligatoires à valider
| 21 | |||
Projets
Etude de différentes problèmes d’apprentissage statistique à travers des données réelles
Langue de l'enseignement FRANÇAIS / FRENCH | 6 | 12h | ||
Apprentissage
| 12 | |||
Hackathon
| 3 |
Marie-Monique RIBON (M2)
Partenaire(s)
Le Master a trois partenaires académiques : l’UGE et l’UPEC (via le LAMA, Laboratoire d’Analyse et de Mathématiques Appliquées UMR CNRS 8050 et LIGM pour le parcours Bézout) et l’ENPC (via le CERMICS Centre d’Enseignement et de Recherche en Mathématiques et Calcul Scientifique, pour le parcours finance).