Master of Science i kunstig intelligens brukt på samfunnet

Har jeg profilen som passer?

• har du uteksaminert eller vil du snart uteksamineres fra et toppuniversitet/skole med en sterk grad (4-årig bachelor eller første år av master) i ingeniørfag, matematikk, statistikk, informatikk, fysikk?
• er du veldig komfortabel med minst ett programmeringsspråk?
• har du liten eller ingen arbeidserfaring?
• har du et godt nivå i engelsk og vil du studere helt på engelsk?
• ønsker du å bli en ekspert og en leder innen AI?

Lære mer

1. periode : Stiftelser med 6 kjernekurs

• Grunnlaget for maskinlæring: En oversikt over de viktigste trendene innen maskinlæring, med spesielt fokus på statistisk risiko og minimering av den med hensyn til en prediksjonsfunksjon er gitt i dette kurset. En betydelig laboratoriedel involverer gruppeprosjekter på datavitenskapskonkurranser og gir studentene muligheten til å anvende kursteorien på problemer i den virkelige verden.
• Grunnlaget for kunstig intelligens: En historie og oversikt over de forskjellige tilnærmingene til kunstig intelligens: fra refleksmiddel (lavnivå AI) til ekspertsystemer og xIA (høynivå AI). Hver forestilling vil være gjenstand for individuelt praktisk arbeid. I tillegg vil en AI bli utviklet av gruppe og vil konkurrere i en turnering.
• Grunnlaget for beslutningsmodellering: Preferanser er tilstede og gjennomgripende i mange situasjoner som involverer menneskelig interaksjon og beslutninger. Preferanser uttrykkes eksplisitt eller implisitt i en rekke søknader, og relevante beslutninger bør tas basert på disse preferansene. Dette kurset tar sikte på å introdusere preferansemodeller for multikriteria-beslutninger. Vi vil presentere konsepter og metoder for preferansemodellering og multikriteria beslutningstaking.
• Fundamenter for optimalisering: Grunnleggende teori og metoder for løsning av optimeringsproblemer; iterative teknikker for ubegrenset minimering; lineær og ikke-lineær programmering samt diskrete metoder for ingeniørapplikasjoner knyttet til programmeringsøvelser i Python dekkes i dette kurset.
• Grunnlaget for dyp læring: Dette kurset vil introdusere den moderne teorien om konvolusjonelle nevrale nettverk, både når det gjelder teoretiske konsepter så vel som når det gjelder praksis med ulike trenings- og programmeringsarkitekturer. Konkrete eksempler på ulike applikasjonsdomener vil demonstrere interessen til disse metodene for kunstig intelligens.
• Grunnlaget for Big Data & AI-programmeringsspråk og -plattformer: Dette kurset vil lære deg alt om big data management - algoritmer, teknikker og verktøy som trengs for å støtte big data prosessering med vekt på beregningsmessige aspekter knyttet til programmering av kunstig intelligens metoder basert på maskinlæring .

Teoretisk AI: Minst 3 valgfag å velge

• Forsterkende læring: Dette kurset vil introdusere grunnlaget for dynamisk problemmodellering innen kunstig intelligens gjennom forsterkende læringsstrategier. Spesielt vil vi diskutere optimaliseringsstrategier, samplingsstrategier og belønningsutvalgsstrategier på konsept- og applikasjonsnivå for ulike problemer med kunstig intelligens.
• Excellence in Game Theory: Dette kurset vil innledningsvis presentere hovedprinsippene for beslutning under usikkerhet, og bruk av grafiske modeller ved beslutninger under usikkerhet. For det andre vil vi vurdere prinsipper for spillteori og vise hvordan en slik teori kan modellere og analysere beslutninger i en situasjon. hvor usikre og strategiske interaksjoner er involvert.
• Inferens og læring av grafiske modeller: Dette kurset tar for seg matematiske grunnlag og beregningsløsninger for trening og optimalisering av (høyere ordens) sannsynlige grafiske moduser. Dette er kraftige representasjoner på middels nivå som en gang var utstyrt med effektive optimaliseringsalgoritmer produserer toppmoderne resultater for problemer med gjennomsnittlig volum av treningsdata.
• Multi-agent-systemer: Målet med dette kurset er å studere multi-agent-systemer, dvs. systemer sammensatt av flere interagerende dataelementer, kjent som agenter, som et paradigme for implementering av autonome og komplekse intelligente systemer.
• Avansert statistikk: Dette kurset tar først sikte på å introdusere den generelle metodikken for matematisk statistikk gjennom de grunnleggende konseptene (statistisk modellering og prøvetaking, estimeringsproblemer, beslutningsteori og hypotesetesting). Deretter gir dette kurset avanserte statistiske teknikker for multivariat analyse med et spesielt fokus på beregningsstatistikk og robuste estimeringsmetoder. Regulariserte/straffede teknikker presenteres også.
• Avansert dyp læring: Metoder for dyp læring er nå det siste innen mange maskinlæringsoppgaver, noe som fører til imponerende resultater. Likevel er de fortsatt dårlig forstått, nevrale nettverk er fortsatt vanskelige å trene, og resultatene er svarte bokser som mangler forklaringer. Gitt den samfunnsmessige virkningen av maskinlæringsteknikker i dag (brukes som assistanse i medisin, ansettelsesprosesser, banklån...), er det avgjørende å gjøre beslutningene deres forklarlige eller å tilby garantier. Dessuten passer problemer fra den virkelige verden vanligvis ikke til standardforutsetningene eller rammeverket til det mest kjente akademiske arbeidet (datakvantitet og kvalitet, tilgjengelighet av ekspertkunnskap...). Dette kurset tar sikte på å gi innsikt og verktøy for å adressere disse praktiske aspektene, basert på matematiske konsepter.

Anvendt AI: Minst 3 valgfag å velge

• Visuell databehandling: Dette kurset vil presentere en oversikt over trender, moderne metoder og anvendelser av datasynsteknologier i ulike problemer innen visuell databehandling, nemlig visuell analyse, objektgjenkjenning, 3D-scenemodellering fra flere visninger, krysstrening av multimodale data, etc.
• Naturlig språkbehandling: Dette kurset tar opp grunnleggende spørsmål i skjæringspunktet mellom menneskelige språk og informatikk. I dette kurset utforsker vi metoder inspirert fra symbolsk og sub-symbolsk kunstig intelligens mot språkforståelse, parsing, oversettelse og generering.
• Nettverksvitenskapelige analyser: Problemet med å trekke ut meningsfull informasjon fra grafdata i stor skala på en effektiv og effektiv måte har blitt avgjørende og utfordrende med flere viktige applikasjoner innen AI. Målet med dette kurset er å presentere nyere og state-of-the-art metoder og algoritmer for å analysere, utvinne og lære storskala grafdata, samt deres praktiske anvendelser i ulike domener.
• Informasjonsinnhenting og utvinning: Dette kurset tar for seg det grunnleggende om informasjonsinnhenting, prosessen med å svare på et informasjonsbehov, uttrykt ved en brukers forespørsel, ved å hente relevant informasjon i ikke-strukturerte datainnsamlinger, ofte massive. Dette kurset vil også dekke nyere tilnærminger slik som semantisk web og spørsmålssvar med kunnskapsgrafer. En betydelig praktisk del involverer gruppeprosjekter om design og bygging av en søkeapplikasjon.
• Medisinsk bildebehandling: Dette kurset vil presentere en oversikt over trender som er relevante for automatisk tolkning av medisinsk bildebehandling fra datastøttede løsninger. Kurset vil diskutere hele kjeden av problemer i tolking på middels og høyt nivå, som tar for seg pilarproblemene i feltet (deteksjon, segmentering, registrering) og de mest ai-drevne avanserte teknologiene for datastøttet diagnose.

3. periode: Internship & Report (4 til 6 måneder)

• 2. beste MSc i AI i Frankrike, Eduniversal 2022
• CentraleSuélec er en del av University Paris-Saclay rangert som nummer 16 på verdensbasis i 2022 Shanghai World Ranking
• Blant de best rangerte institusjonene etter arbeidsgiveromdømme: 7. VERDENSOMME, 1. I FRANKRIKE (QS World University Ranking 2021): 8 av 10 av våre studenter finner en jobb før de uteksamineres og 99 % ved uteksaminering

Lære mer

CentraleSuélec er blant de best rangerte institusjonene ETTER ARBEIDSGIVERRYMTE: 7. VERDENSOMHEDEN, 1. I FRANKRIKE (QS World University Ranking 2021): 8 av 10 av våre studenter finner en jobb før de blir uteksaminert og 99 % ved uteksaminering.