Mastère spécialisé data science

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 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

Attestation d'acquis ou de compétences;Attestation de suivi de présence

Cette formation s adresse a un public qui possede prealablement un solide bagage mathematique. Le recrutement standard correspond a des etudiant·es ou professionnels avec un Bac+5 (Master 2 ou equivalent) et venant acquerir un complement de formation leur permettant d etre competitifs sur le marche de l emploi. Il est conseille d avoir un niveau M1 ou M2 en mathematiques appliquees, statistiques ou finance mathematique, ou un diplome d ingenieur ou d ecole de commerce avec contenu mathematique ou statistique consequent.