Mastere specialise data science
ENSAE - GENES - ENSAE-ENSAI formation continue
Non finançable CPF
Tout public
Présentiel
Public admis
Salarié en poste
Demandeur d'emploi
Entreprise
Etudiant
Prix
Nous contacter
Durée
Nous contacter
Niveau visé
Non diplômante
Localité
En présentiel
Découvrez les localités disponibles pour suivre cette formation en présentiel.
Objectifs
Les métiers visés sont ceux de data scientist, analyste statisticien, chef data officier ou encore business analyst
Le data scientist est un spécialiste de l'économie numérique et des traitements de fichiers de données volumineux, capable d'inventer de nouveaux usages et d'en tirer de la valeur. Il est au croisement de l'informatique et de l'analyse statistique et possède une expertise scientifique de très haut niveau qui lui permet d'aider à la prise de décision dans de nombreux domaines : ciblage publicitaire en ligne, marketing e-commerce ou relation client plus traditionnelle, évaluation de politiques publiques, trading haute fréquence, imagerie, recherche académique, etc. Ce profil polyvalent peut mener aussi bien à des carrières d'expert qu'à des postes décisionnels ou d'encadrement en entreprise.
Les profils de data scientist sont aujourd'hui activement recherchés en France et à l'étranger, dans les start-up comme dans les grands groupes pour lesquels l'exploitation de données clients est stratégique : internet (Google, Facebook, Deezer, etc.), données clients des banques et assurances (Crédit agricole, Axa, etc.) ou des grandes entreprises (SNCF, EDF, etc.). Des postes d'études sont également à pourvoir dans des institutions chargées d'évaluer l'efficacité des politiques publiques ou d'étudier les comportements des agents économiques (INSEE, Ministères, caisses de Sécurité sociale, UNEDIC, OFCE, Banque de France, Institut des Politiques Publiques, CRÉDOC, OCDE, Banque mondiale, institutions européennes, FMI, etc.).
Le data scientist est un spécialiste de l'économie numérique et des traitements de fichiers de données volumineux, capable d'inventer de nouveaux usages et d'en tirer de la valeur. Il est au croisement de l'informatique et de l'analyse statistique et possède une expertise scientifique de très haut niveau qui lui permet d'aider à la prise de décision dans de nombreux domaines : ciblage publicitaire en ligne, marketing e-commerce ou relation client plus traditionnelle, évaluation de politiques publiques, trading haute fréquence, imagerie, recherche académique, etc. Ce profil polyvalent peut mener aussi bien à des carrières d'expert qu'à des postes décisionnels ou d'encadrement en entreprise.
Les profils de data scientist sont aujourd'hui activement recherchés en France et à l'étranger, dans les start-up comme dans les grands groupes pour lesquels l'exploitation de données clients est stratégique : internet (Google, Facebook, Deezer, etc.), données clients des banques et assurances (Crédit agricole, Axa, etc.) ou des grandes entreprises (SNCF, EDF, etc.). Des postes d'études sont également à pourvoir dans des institutions chargées d'évaluer l'efficacité des politiques publiques ou d'étudier les comportements des agents économiques (INSEE, Ministères, caisses de Sécurité sociale, UNEDIC, OFCE, Banque de France, Institut des Politiques Publiques, CRÉDOC, OCDE, Banque mondiale, institutions européennes, FMI, etc.).
Programme
Le programme détaillé est disponible sous https://www.ensae.fr/formation/masteres-specialises/ms-data-science
Bloc d'harmonisation :
Time Series
Econométrie
Initiation à R
Initiation à Python
Introduction à l'apprentissage statistique
Compétences professionnelles 1 : Se connaître et collaborer
Statistique mathématique
Cours obligatoires - Semestre 1 :
Bases de données
Ethics and responsibility in data science
Apprentissage statistique appliqué
Cours optionnels - Semestre 1 :
Analyse financière et stratégie d'entreprise
Blockchain: Bitcoin and Smart-Contracts
Dynamic pricing and revenue management
Eléments logiciels pour le traitement de données massives - Hadoop
Entrepreneuriat 1
Hi!ckathon
Machine learning avec Python
Modeling and managing energy risks
Marketing
Optimisation avancée
Social Science Genetics
Statistique bayésienne
Statistical Methods of Econometrics
Cours obligatoires - Semestre 2 :
Deep Learning: Models and Optimization
Seminar in Quantitative Marketing ou Data Storytelling
Compétences professionnelles 2 : L'entretien de recrutement
Cours optionnels - Semestre 2 :
Artificial intelligence in insurance and actuarial studies
Bootstrap and Resampling Methods
Business data challenge (capacité d'accueil restreinte et enseignement sur l'ensemble de l'année, à choisir de manière définitive en septembre uniquement)
Cloud computing
Entrepreneuriat 2 (pré-requis : avoir suivi Entrepreneuriat 1)
Entrepreneuriat digital
Fabrication d'enquêtes
Histoire et épistémologie de la statistique
Machine learning in finance: Theoretical foundations
Machine Learning for Natural Language Processing
Optimal Transport: Theory, Computations, Statistics, and ML Applications
Online learning and aggregation
Programmation GPU
Reinforcement learning
Science des réseaux sociaux et économiques
Sociological perspectives on inequality
Statistique 3
Bloc d'harmonisation :
Time Series
Econométrie
Initiation à R
Initiation à Python
Introduction à l'apprentissage statistique
Compétences professionnelles 1 : Se connaître et collaborer
Statistique mathématique
Cours obligatoires - Semestre 1 :
Bases de données
Ethics and responsibility in data science
Apprentissage statistique appliqué
Cours optionnels - Semestre 1 :
Analyse financière et stratégie d'entreprise
Blockchain: Bitcoin and Smart-Contracts
Dynamic pricing and revenue management
Eléments logiciels pour le traitement de données massives - Hadoop
Entrepreneuriat 1
Hi!ckathon
Machine learning avec Python
Modeling and managing energy risks
Marketing
Optimisation avancée
Social Science Genetics
Statistique bayésienne
Statistical Methods of Econometrics
Cours obligatoires - Semestre 2 :
Deep Learning: Models and Optimization
Seminar in Quantitative Marketing ou Data Storytelling
Compétences professionnelles 2 : L'entretien de recrutement
Cours optionnels - Semestre 2 :
Artificial intelligence in insurance and actuarial studies
Bootstrap and Resampling Methods
Business data challenge (capacité d'accueil restreinte et enseignement sur l'ensemble de l'année, à choisir de manière définitive en septembre uniquement)
Cloud computing
Entrepreneuriat 2 (pré-requis : avoir suivi Entrepreneuriat 1)
Entrepreneuriat digital
Fabrication d'enquêtes
Histoire et épistémologie de la statistique
Machine learning in finance: Theoretical foundations
Machine Learning for Natural Language Processing
Optimal Transport: Theory, Computations, Statistics, and ML Applications
Online learning and aggregation
Programmation GPU
Reinforcement learning
Science des réseaux sociaux et économiques
Sociological perspectives on inequality
Statistique 3
Envie d’en savoir plus sur cette formation ?
Documentez-vous sur la formation
Ces formations peuvent vous intéresser
Formation au métier de Data Analyst (Power BI, SQL, certification...
LILLE, GRENOBLE, MARSEILLE ET 11 AUTRE(S) LOCALITÉ(S)
Offre spéciale
Avis du centre
