Master 2 ARTIFICIAL INTELLIGENCE
National School Of Computer Science For Industry And Business - ENSIIE
Nyckelinformation
Campus läge
Courcouronnes, Frankrike
språk
Engelsk
Studieformat
På Campus
Varaktighet
Begär info
Takt
Heltid
Studieavgifter
Begär info
Ansökningstiden
Begär info
Tidigaste startdatum
Sep 2023
Stipendier
Utforska stipendiemöjligheter för att hjälpa till att finansiera dina studier
Introduktion
Den snabba tillväxten av artificiell intelligens (AI) -forskning och -applikationer erbjuder oöverträffade möjligheter. Kursen är avsedd för studenter som vill få en utmärkt grundutbildning som täcker ett brett spektrum av begrepp och tillämpningar av datadriven AI och lärande från exempel.
Programmet erbjuder introduktionskurser i statistiskt lärande, djupinlärning och förstärkning, optimering, signalbehandling, informationsteori och spelteori. Många alternativ gör det möjligt att göra sig perfekt inom inlärningsteori och att specialisera sig på många områden såsom stor data, bild och språkbehandling.
Detta andra år erbjuder ett utökat urval av alternativ som täcker etiska aspekter och andra ämnen som att starta ett företag.
Den här kursen kräver en bra bakgrund i matematik och datavetenskap: - Sannolikhet och statistik - Linjär algebra - Differential- och integrerad beräkning - Vetenskaplig programmering - Visualisering av data Sökande bör också ha genomfört M1 för artificiell intelligens (eller motsvarande) framgångsrikt: - Kunna grunderna i tillämpad statistik och optimering - Kunna manipulera big data - Kunna differentiera och tillämpa tekniker för övervakad, utan tillsyn och förstärkningslärande - Kunna programmera prediktiva modeller med Python och master sci-kit-lär - Vet hur man visualisera data och illustrera resultat med programmeringsverktyg - Kunna skriva ett projektförslag och kommunicera resultaten skriftligt och muntligt.
Kompetens:
Matematiskt formulera algoritmer för gradientnedstigning för djupa neurala nätverk, grafiska modeller eller andra statistiska inlärningsmodeller.
Programmera djupinlärningsmodeller och grafiska modeller med Python och förvärva kunskaper i Keras, TensorFlow och Pytorch.
Förstå grunden för statistiskt lärande på teoretisk nivå, med fokus på överlärning och reglering.
Analysera data av olika slag (bild, text, tal) från råsignalen.
Läs, sammanfatta, kommentera och reproducera vetenskapliga artiklar.
Karriärmöjligheter:
Kursen förbereder sig för forsknings- och FoU-yrken inom nya tillämpningsområden i full gång: datorsyn (autonoma fordon och biometri); röstigenkänning (nödvändigt för nya mänskliga maskingränssnitt för smartphones); filtrering och aggregering av heterogent och textuellt innehåll (viktigt för kommersiella lösningar för hantering av betydande dataströmmar); hantering och övervakning av komplexa eller kritiska industriella system som är beroende av dataanalys.