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. Les cours sont assurés par des enseignants de l'université Gustave Eiffel et par des des partenaires professionnels extérieurs (ex: ministère transition écologique, aménagement du territoire, MILLIMAN...).
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.
- Développer la capacité à concevoir, analyser et déployer des méthodes de traitement de données intégrant les enjeux de confidentialité, d’équité algorithmique et de transition écologique, en tenant compte des impacts sociaux, réglementaires et environnementaux des systèmes décisionnels.
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
30
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. Les cours ont tous lieu à l’Université Gustave Eiffel.
Le stage a lieu au deuxième semestre. Il est également possible de suivre la formation en alternance.
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.
Tarifs formation continue (Les informations ci-contre s'adressent uniquement aux adultes en reprise d'études)
7000 €/an
Année 2
| Enseignements | ECTS | CM | TD | TP |
|---|---|---|---|---|
| Maîtriser les outils fondamentaux en probabilité et statistique | ||||
|
Statistiques en grande dimension
Introduction des outils principaux de la statistique en grande dimensions : algorithmes, estimation et pénalisation
Langue de l'enseignement FRANÇAIS / FRENCH - ANGLAIS / ENGLISH | 6.00 | 30h | 12h | |
|
Architecture Big Data
Manipulation de grosses bases de données et pratique du calcul parallèle
Langue de l'enseignement FRANÇAIS / FRENCH - ANGLAIS / ENGLISH | 6.00 | 30h | ||
| Approfondir ses connaissances en probabilité et statistique | ||||
|
UE autre parcours
Possibilité de choisir une UE issue d’un autre parcours du Master.
Langue de l'enseignement FRANÇAIS / FRENCH | 6.00 | |||
|
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 - ANGLAIS / ENGLISH | 6.00 | 20h | ||
|
Modélisation proba et stat pour l'épidémiologie
Théorèmes limites et EDS
Langue de l'enseignement FRANÇAIS / FRENCH - ANGLAIS / ENGLISH | 6.00 | 20h | ||
|
Advanced Data Science
Statistical learning theory and deep learning. Conformal prediction theory and an introduction to energy saving in algorithms.
Langue de l'enseignement ANGLAIS / ENGLISH - FRANÇAIS / FRENCH | 6.00 | 16h | 8h | 8h |
|
Foundations of Data Science
Introduction to mail Statistical Learning Methods
Langue de l'enseignement ANGLAIS / ENGLISH - FRANÇAIS / FRENCH | 6.00 | 16h | 8h | 8h |
|
Confidentialité 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 - ANGLAIS / ENGLISH | 6.00 | 24h | 6h | |
|
Méthodes d'approximation déterministes et stochastiques
Approximation déterministe et probabiliste d’équations hyperboliques, elliptiques et paraboliques issues de processus stochastiques, comparaisons numériques
Langue de l'enseignement FRANÇAIS / FRENCH - ANGLAIS / ENGLISH | 6.00 | 30h | ||
|
Estimation empirique - Valeurs extrêmes
Théorie des valeurs extrêmes, modèles de durée et estimation empirique
Langue de l'enseignement FRANÇAIS / FRENCH - ANGLAIS / ENGLISH | 6.00 | 24h | 6h | |
|
Apprentissage statistique et applications
Algorithmes de machine et deep learning pour diverses applications pratiques, dont financières
Langue de l'enseignement FRANÇAIS / FRENCH - ANGLAIS / ENGLISH | 6.00 | 30h | ||
|
Algorithmes Stochastiques et Chaînes de Markov Discrètes
Introduction aux méthodes algorithmiques de Monte-Carlo pour le calcul d’espérances. Introduction aux chaînes de Markov discrètes et aux algorithmes markoviens.
Langue de l'enseignement FRANÇAIS / FRENCH - ANGLAIS / ENGLISH | 6.00 | 36h | ||
|
Simulation et copules
Méthodes de Monte Carlo pour la simulation et utilisation de copules pour les risques multidimensionnels
Langue de l'enseignement FRANÇAIS / FRENCH - ANGLAIS / ENGLISH | 6.00 | 30h | 12h | |
| Développer des compétences techniques | ||||
|
Architectures, entraînement et théorie des réseaux profonds
Fondements de l'apprentissage profond : présentation de l’évolution des réseaux neuronaux (MLP, CNN, RNN, Transformers et leurs variantes pour les données séquentielles), ainsi que de leur optimisation et régularisation. L’accent est mis sur les dynamiques d’apprentissage, la pertinence des différentes architectures et métriques d’évaluation, ainsi que sur la place de l’intelligence artificielle dans les problématiques contemporaines de la recherche, notamment les enjeux éthiques.
Langue de l'enseignement FRANÇAIS / FRENCH - ANGLAIS / ENGLISH | 3.00 | 12h | 6h | |
|
Vision par ordinateur, traitement du langage et IA générative
Application et exploitation des techniques récentes d'apprentissage profond pour la vision par ordinateur (classification et détection d’objets) et le traitement du langage naturel. Introduction à la modélisation générative : autoencodeurs, autoencodeurs variationnels (VAE), GAN, flows normalisants. Présentation des différentes étapes de développement d’un projet en intelligence artificielle : entraînement, ajustement fin (fine-tuning), etc.
Langue de l'enseignement FRANÇAIS / FRENCH - ANGLAIS / ENGLISH | 3.00 | 12h | 6h | |
| Développer des compétences métier | ||||
|
Alternance
Alternance tout au long de l’année dans un laboratoire d’un organisme public ou dans une entreprise
Langue de l'enseignement FRANÇAIS / FRENCH - ANGLAIS / ENGLISH | 18.00 | |||
|
Projets
Résolution d’une problématique concrète proposée par un pour plusieurs intervenants du secteur privé. Travail encadré sur un semestre.
Langue de l'enseignement FRANÇAIS / FRENCH - ANGLAIS / ENGLISH | 6.00 | 12h | ||
|
Hackathon
| 3.00 | |||
| Maîtriser les outils fondamentaux en probabilité et statistique | ||||
|
Calcul stochastique
Présentation des processus stochastiques en temps continu et leurs principales propriétés
Langue de l'enseignement FRANÇAIS / FRENCH - ANGLAIS / ENGLISH | 6.00 | 30h | ||
|
Statistiques en grande dimension
Introduction des outils principaux de la statistique en grande dimensions : algorithmes, estimation et pénalisation
| 6.00 | 30h | 12h | |
|
Architecture Big Data
Manipulation de grosses bases de données et pratique du calcul parallèle
Langue de l'enseignement FRANÇAIS / FRENCH - ANGLAIS / ENGLISH | 6.00 | 30h | ||
| Approfondir ses connaissances en probabilité et statistique | ||||
|
UE autre parcours
Possibilité de choisir une UE issue d’un autre parcours du Master.
Langue de l'enseignement FRANÇAIS / FRENCH | 6.00 | |||
|
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 - ANGLAIS / ENGLISH | 6.00 | 20h | ||
|
Modélisation proba et stat pour l'épidémiologie
Théorèmes limites et EDS
Langue de l'enseignement FRANÇAIS / FRENCH - ANGLAIS / ENGLISH | 6.00 | 20h | ||
|
Advanced Data Science
Statistical learning theory and deep learning. Conformal prediction theory and an introduction to energy saving in algorithms.
Langue de l'enseignement ANGLAIS / ENGLISH - FRANÇAIS / FRENCH | 6.00 | 16h | 8h | 8h |
|
Modèles Fractionnaires en Finance
Introduire et étude des modèles non markoviens en finance. Focus sur les modèles à volatilité fractionnaire dite rugueuse ("rough volatility").
Langue de l'enseignement FRANÇAIS / FRENCH - ANGLAIS / ENGLISH | 6.00 | 36h | ||
|
Foundations of Data Science
Introduction to mail Statistical Learning Methods
Langue de l'enseignement ANGLAIS / ENGLISH - FRANÇAIS / FRENCH | 6.00 | 16h | 8h | 8h |
|
Confidentialité 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 - ANGLAIS / ENGLISH | 6.00 | 24h | 6h | |
|
Méthodes d'approximation déterministes et stochastiques
Approximation déterministe et probabiliste d’équations hyperboliques, elliptiques et paraboliques issues de processus stochastiques, comparaisons numériques
Langue de l'enseignement FRANÇAIS / FRENCH - ANGLAIS / ENGLISH | 6.00 | 30h | ||
|
Estimation empirique - Valeurs extrêmes
Théorie des valeurs extrêmes, modèles de durée et estimation empirique
Langue de l'enseignement FRANÇAIS / FRENCH - ANGLAIS / ENGLISH | 6.00 | 24h | 6h | |
|
Apprentissage statistique et applications
Algorithmes de machine et deep learning pour diverses applications pratiques, dont financières
Langue de l'enseignement FRANÇAIS / FRENCH - ANGLAIS / ENGLISH | 6.00 | 30h | ||
|
Algorithmes Stochastiques et Chaînes de Markov Discrètes
Introduction aux méthodes algorithmiques de Monte-Carlo pour le calcul d’espérances. Introduction aux chaînes de Markov discrètes et aux algorithmes markoviens.
Langue de l'enseignement FRANÇAIS / FRENCH - ANGLAIS / ENGLISH | 6.00 | 36h | ||
|
Simulation et copules
Méthodes de Monte Carlo pour la simulation et utilisation de copules pour les risques multidimensionnels
Langue de l'enseignement FRANÇAIS / FRENCH - ANGLAIS / ENGLISH | 6.00 | 30h | 12h | |
| Développer des compétences techniques | ||||
|
Architectures, entraînement et théorie des réseaux profonds
Fondements de l'apprentissage profond : présentation de l’évolution des réseaux neuronaux (MLP, CNN, RNN, Transformers et leurs variantes pour les données séquentielles), ainsi que de leur optimisation et régularisation. L’accent est mis sur les dynamiques d’apprentissage, la pertinence des différentes architectures et métriques d’évaluation, ainsi que sur la place de l’intelligence artificielle dans les problématiques contemporaines de la recherche, notamment les enjeux éthiques.
Langue de l'enseignement FRANÇAIS / FRENCH - ANGLAIS / ENGLISH | 3.00 | 12h | 6h | |
|
Vision par ordinateur, traitement du langage et IA générative
Application et exploitation des techniques récentes d'apprentissage profond pour la vision par ordinateur (classification et détection d’objets) et le traitement du langage naturel. Introduction à la modélisation générative : autoencodeurs, autoencodeurs variationnels (VAE), GAN, flows normalisants. Présentation des différentes étapes de développement d’un projet en intelligence artificielle : entraînement, ajustement fin (fine-tuning), etc.
Langue de l'enseignement FRANÇAIS / FRENCH - ANGLAIS / ENGLISH | 3.00 | 12h | 6h | |
| Développer des compétences métier | ||||
|
STAGE de M2
Stage ou mémoire d’initiation à la recherche dans une équipe universitaire ou laboratoire d’un organisme public ou d’une entreprise
Langue de l'enseignement FRANÇAIS / FRENCH - ANGLAIS / ENGLISH | 18.00 | |||
|
Hackathon
| 3.00 |
Stéphanie COGNY (M2)
Stéphanie COGNY (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).