Master 2 KUNSTIG INTELLIGENS
National School Of Computer Science For Industry And Business - ENSIIE
Nøgleinformation
Campus placering
Courcouronnes, Frankrig
Lingvistik / Sprogvidenskab
Engelsk
Studieformat
På campus
Varighed
Kontakt skolen
Hastighed
Fuldtid
Studieafgifter
Kontakt skolen
Ansøgningsfrist
Kontakt skolen
Tidligste startdato
Sep 2023
Stipendier
Udforsk stipendiemuligheder for at hjælpe med at finansiere dine studier
Introduktion
Den hurtige vækst inden for kunstig intelligens (AI) -forskning og -applikationer giver hidtil usete muligheder. Dette kursus er beregnet til studerende, der ønsker at modtage en fremragende grundskoleuddannelse, der dækker et bredt spektrum af begreber og anvendelser af datadrevet AI og læring fra eksempler.
Programmet tilbyder introduktionskurser i statistisk læring, dyb læring og forstærkning, optimering, signalbehandling, informationsteori og spilteori. Talrige muligheder gør det muligt at perfektionere sig inden for læringsteori og specialisere sig i mange områder såsom big data, image og sprogbehandling.
Dette andet år tilbyder et udvidet valg af muligheder, der dækker etiske aspekter og andre emner såsom at starte en virksomhed.
Dette kursus kræver en god baggrund i matematik og datalogi: - Sandsynlighed og statistik - Lineær algebra - Differentiel og integreret beregning - Videnskabelig programmering - Visualisering af data Ansøgere skulle også have gennemført M1 for kunstig intelligens (eller tilsvarende) med succes: - Kend det grundlæggende i anvendt statistik og optimering - Vide, hvordan man manipulerer big data - Vide, hvordan man differentierer og anvender teknikker til overvåget, ikke-overvåget og forstærkningslæring - Vide, hvordan man programmerer forudsigelige modeller med Python og master sci-kit-learning - Vide, hvordan man visualisere data og illustrere resultater med programmeringsværktøjer - Vide, hvordan man skriver et projektforslag og kommunikerer resultater skriftligt og mundtligt.
Færdigheder:
Matematisk formulere algoritmer til gradientafstamning til dybe neurale netværk, grafiske modeller eller andre statistiske læringsmodeller.
Programmer dyb læringsmodeller og grafiske modeller ved hjælp af Python og tilegn dig færdigheder i Keras, TensorFlow og Pytorch.
Forstå grundlaget for statistisk læring på et teoretisk niveau med fokus på overlæring og regularisering.
Analyser data af forskellige typer (billede, tekst, tale) fra råsignalet.
Læs, opsummer, kommenter og reproducer videnskabelige artikler.
Karriereudsigter:
Dette kursus forbereder sig på forskning og F & U-erhverv inden for nye anvendelsesområder i fuld gang: computersyn (autonome køretøjer og biometri); stemmegenkendelse (nødvendigt for nye grænseflader mellem mennesker og maskiner til smartphones); filtrering og aggregering af heterogent og tekstmæssigt indhold (afgørende for kommercielle løsninger til styring af vigtige datastrømme) styring og overvågning af komplekse eller kritiske industrielle systemer, der er afhængige af dataanalyse.