M2 Data Science (ouverture 2020)

• Concevoir des composants logiciels réutilisables.
• Comprendre les limites intrinsèques de la POO.
• Compléter l'approche objet à l'aide d'une approche fonctionnelle.
• Utiliser les mécanismes modernes de programmation typée statiquement du langage Scala.
• Savoir apprendre un langage de programmation de façon autonome.
• Analyser des besoins à partir d'une spécification informelle.
• Participer à un processus de développement moderne en utilisant les outils de développement collaboratif et de gestion de projet.
• Utiliser des outils d'intégration continue.

Maîtriser la planification l'exécution et l'optimisation de requêtes. Savoir-faire attendu d'un architecte de données

• Familiarisation avec les principales méthodes du traitement automatique des langues (TAL)
• Appliquer des notions d'apprentissage à la modélisation du langage. Cas de l'apprentissage structuré (séquences et arbres)
• Présentation / utilisation des principales librairies incluant des modules de TAL prêts à l'emploi (Spacy, NLTK)
• Présentation / utilisation de librairies génériques d'apprentissage profond pour le TAL (pytorch)

Présentation des méthodes d'apprentissage supervisé et non-supervisé: des modèles génératifs aux réseaux de neurones en passant par les techniques arborescentes.

Maîtrise des techniques d'optimisation utilisées en Machine Learning

Entrainement et usage des réseaux de neurones profonds

L'apprentissage par renforcement constitue, avec l'apprentissage supervisé et non-supervisé, l'une des trois grandes familles algorithmiques d'apprentissage automatique. Inspirée par la théorie de la décision et la psychologie comportementale, elle a pris une importance de premier plan ces dernières années en fusionnant avec d'autres méthodes d'apprentissage automatique, en particulier celle des réseaux profonds, donnant lieu à des champs d'application encore inexplorés.

Usage des méthodes randomisées en traitement des données massives et en traitement des flots de données (streaming). Familiarisation avec Spark. Articulation estimation/optimisation