Remerciez-le!

Remerciez @Admin pour avoir partagé cet document gratuitement, de la manière la plus simple, en partageant sur les réseaux sociaux.

Master 2 M2 Data Science (DS) Année universitaire 2021-2022 Information général

Master 2 M2 Data Science (DS) Année universitaire 2021-2022 Information générale Objectifs Responsable(s) LE CAPITAINE HOEL Mention(s) incluant ce parcours master Informatique Lieu d’enseignement Polytech Nantes (site de la Chantrerie) Langues / mobilité internationale Parcours intégralement enseigné en anglais (proposant un enseignement de FLE en complément sur le site de Polytech Nantes). Stage / alternance Poursuite d’études /débouchés Autres renseignements Conditions d'obtention de l'année L'année est validée si la partie théorique est validée en première ou deuxième session (moyenne supérieure ou égale à 10/20) et si l'UE correspondant au stage est également validée avec une note supérieure ou égale à 10/20. Programme 1 er SEMESTRE Code ECTS CM CI TD TP Distanciel Total Groupe d'UE : Semestre 3 de Data Science (30 ECTS) Research methodology and case study 2 0 15 0 0 2.5 17.5 Data economics, law and ethics 3 0 21.5 0 0 2.5 24 Data dependencies and data integration 3 0 14 0 7.5 0 21.5 Visual analytics 3 0 14 0 7.5 2.5 24 Pattern mining and social network analysis 3 0 14 0 7.5 2.5 24 Text and sequential pattern mining 3 0 14 0 7.5 2.5 24 Cluster analysis and indexing 3 0 14 0 7.5 2.5 24 Classification, representation learning and dimensionality reduction 3 0 14 0 7.5 2.5 24 Probabilistic Graphical Models and statistical relational learning 3 0 14 0 7.5 2.5 24 Semantic knowledge representation 3 0 14 0 7.5 2.5 24 Conferences and invited courses (DS) 1 0 21.5 0 0 2.5 24 Groupe d'UE : Option pour public non francophone (sous conditions) (0 ECTS) French langage and European culture 0 0 0 48 0 0 48 Total 30 25.00 303.00 2 ème SEMESTRE Code ECTS CM CI TD TP Distanciel Total Groupe d'UE : Semestre 4 de Data Science (30 ECTS) Internship (DS) 30 0 0 0 0 0 0 Total 30 0.00 0.00 Modalités d’évaluation Mention Master 2ème année Parcours : M2 Data Science (DS) Année universitaire 2021-2022 Responsable(s) : LE CAPITAINE HOEL REGIME ORDINAIRE PREMIERE SESSION DEUXIEME SESSION TOTAL Contrôle continu Examen Contrôle continu Examen Coeff. ECTS CODE UE INTITULE UE non dipl. écrit prat. oral écrit prat. oral durée ecrit prat. oral écrit prat. oral durée Groupe d'UE : Semestre 3 de Data Science 3 Research methodology and case study N obligatoire 1.4 0.6 1.4 0.6 2 2 3 Semantic knowledge representation N obligatoire 1.5 1.5 1.5 1.5 3 3 3 Probabilistic Graphical Models and statistical relational learning N obligatoire 0.9 2.1 0.9 2.1 3 3 3 Classification, representation learning and dimensionality reduction N obligatoire 1.2 1.8 1.2 1.8 3 3 3 Cluster analysis and indexing N obligatoire 1.2 1.8 1.2 1.8 3 3 3 Text and sequential pattern mining N obligatoire 1.2 1.8 1.2 1.8 3 3 3 Pattern mining and social network analysis N obligatoire 1.5 1.5 1.5 1.5 3 3 3 Visual analytics N obligatoire 0.45 0.9 0.45 1.2 0.45 0.9 0.45 1.2 3 3 3 Data dependencies and data integration N obligatoire 1.2 1.8 1.2 1.8 3 3 3 Data economics, law and ethics N obligatoire 1.5 1.5 1.5 1.5 3 3 3 Conferences and invited courses (DS) N obligatoire 1 1 1 1 Groupe d'UE : Option pour public non francophone (sous conditions) 3 French langage and European culture N optionnelle 0 0 Groupe d'UE : Semestre 4 de Data Science 4 Internship (DS) N obligatoire 7.5 15 7.5 7.5 15 7.5 30 30 TOTAL 60 60 A la seconde session, les notes de contrôle continu correspondent à un report des notes de CC de la première session. DISPENSE D'ASSIDUITE PREMIERE SESSION DEUXIEME SESSION TOTAL Contrôle continu Examen Contrôle continu Examen Coeff. ECTS CODE UE INTITULE UE non dipl. écrit prat. oral écrit prat. oral durée ecrit prat. oral écrit prat. oral durée Groupe d'UE : Semestre 3 de Data Science 3 Research methodology and case study N obligatoire 2 2 2 2 3 Semantic knowledge representation N obligatoire 3 3 3 3 3 Probabilistic Graphical Models and statistical relational learning N obligatoire 3 3 3 3 3 Classification, representation learning and dimensionality reduction N obligatoire 3 3 3 3 3 Cluster analysis and indexing N obligatoire 3 3 3 3 3 Text and sequential pattern mining N obligatoire 1.8 1.2 1.8 1.2 3 3 3 Pattern mining and social network analysis N obligatoire 3 3 3 3 3 Visual analytics N obligatoire 3 3 3 3 3 Data dependencies and data integration N obligatoire 3 3 3 3 3 Data economics, law and ethics N obligatoire 3 3 3 3 3 Conferences and invited courses (DS) N obligatoire 1 1 1 1 Groupe d'UE : Option pour public non francophone (sous conditions) 3 French langage and European culture N optionnelle 0 0 Groupe d'UE : Semestre 4 de Data Science 4 Internship (DS) N obligatoire 30 30 TOTAL 60 60 A la seconde session, les notes de contrôle continu correspondent à un report des notes de CC de la première session. Description des UE Research methodology and case study Lieu d’enseignement Polytech Nantes Niveau Master Semestre 3 Responsable de l’UE Volume horaire total TOTAL : 17.5h Répartition : CM : 0h TD : 0h CI : 15h TP : 0h EAD : 2.5h Place de l’enseignement UE pré-requise(s) Parcours d’études comprenant l’UE M2 Data Science (DS) Evaluation Pondération pour chaque matière Research methodology and case study 100% Obtention de l’UE Programme Objectifs (résultats d'apprentissage) Upon completion, the student will have gained experience in semi-autonomous research work, yet with a guided methodology. They will get personalised tutoring on how to apply the general guidelines of the teaching unit to their work. Contenu Professional insertion: research & development processes in company processes. Goals and organisation of the scientific research community Writing a scientific bibliography Writing and presenting for research Designing and interpreting experimental work Ethics of research The student will also carry out a project (miniature internship) in the field of data science (various topics will be proposed by the faculty teaching in the master), with emphasis on problem formalisation and bibliography, and light experimentation. Méthodes d’enseignement Langue d’enseignement Anglais Bibliographie Semantic knowledge representation Lieu d’enseignement Polytech Nantes Niveau Master Semestre 3 Responsable de l’UE Volume horaire total TOTAL : 24h Répartition : CM : 0h TD : 0h CI : 14h TP : 7.5h EAD : 2.5h Place de l’enseignement UE pré-requise(s) Parcours d’études comprenant l’UE M2 Data Science (DS) Evaluation Pondération pour chaque matière Semantic knowledge representation 100% Obtention de l’UE Programme Objectifs (résultats d'apprentissage) Upon completion, the student will be able to : - understand the different principle and concepts of knowledge representation : languages, annotation, reasoners. - to design a simple model of ontology with owl and protege. - to perform data annotation from an ontology with a triple based representation for data (rdf), and perform inference with a reasoner (hermit, sparql) - to apply these web 3.0 technology on knowledge bases and data in the web (linked open data) Contenu In the frame of web 3.0, semantic knowledge representation is concerned with logic modeling of knowledge with ontologies (vocabulary for concepts and properties), model instantiation on entities (data annotation), and performing logic computation and inference (reasonings) depending on a goal. The course introduce the principles and models and tools to model, annotate and make reasonings. These concepts are applied on linked data in order to process the data and knowledge stored into the web. Méthodes d’enseignement Langue d’enseignement Anglais Bibliographie Probabilistic Graphical Models and statistical relational learning Lieu d’enseignement Niveau Master Semestre 3 Responsable de l’UE Volume horaire total TOTAL : 24h Répartition : CM : 0h TD : 0h CI : 14h TP : 7.5h EAD : 2.5h Place de l’enseignement UE pré-requise(s) Parcours d’études comprenant l’UE M2 Data Science (DS) Evaluation Pondération pour chaque matière Probabilistic Graphical Models and statistical relational learning 100% Obtention de l’UE Programme Objectifs (résultats d'apprentissage) Upon completion, the student will - be able to model simple problems with simple probabilistic graphical models such as Bayesian networks or Markov networks - understand probabilistic inference and parameter/Structure learning algorithm dedicated to such models - understand extensions of PGMs dealing with time problems or relational data Contenu Probabilistic graphical models (PGMs) are an interesting framework for encoding probability distributions over complex domains. These representations sit at the intersection of statistics and computer science, relying on concepts from probability theory, graph algorithms, machine learning, and more. This course describes two basic PGM representations: Bayesian Networks, which rely on a directed graph; and Markov networks, which use an undirected graph. One last part of the course is dedicated to various extensions of these models (dynamic Bayesian networks, probabilistic relational models, Markov logic networks). Méthodes d’enseignement Langue d’enseignement Français Bibliographie Classification, representation learning and dimensionality reduction Lieu d’enseignement Polytech Nantes Niveau Master Semestre 3 Responsable de l’UE Volume horaire total TOTAL : 24h Répartition : CM : 0h TD : 0h CI : 14h TP : 7.5h EAD : 2.5h Place de l’enseignement UE pré-requise(s) Parcours uploads/Science et Technologie/ m2-data-science-ds-2021-2022.pdf