Master of Science i kunstig intelligens anvendt til samfundet

Boost din karriere med en mastergrad i AI på topniveau!

Kunstig intelligens er blevet en game changer i vores liv. Dette program sigter mod at give eleverne grundlaget og de mest avancerede teknikker på området, hvilket gør dem i stand til at blive tekniske ledere af denne transformation.

Vores program tilbyder et unikt pensum, der tackler feltet med model-/symboldrevne og datadrevne kunstig intelligens-metoder, samtidig med at de vurderer deres anvendelser til vigtige samfundsdomæner såsom etik, menneskers internet, netværk, logistik og biomedicinske videnskaber.

Dette unikke program, der tilbyder en ende-til-ende tilgang fra teori til praksis, leveres udelukkende på engelsk af fremragende lærere og klasser og tilbyder en enestående fremragende læseplan til dem, der forbereder sig på en fremtid som kunstig intelligens-arkitekter, der søger exceptionelle karriereperspektiver i hotteste disciplin i det 21. århundrede.

Har jeg den profil, der passer til?

• er du færdiguddannet eller vil du snart dimittere fra et topuniversitet/skole med en stærk grad (4-årig bachelor eller første år på master) i ingeniørvidenskab, matematik, statistik, informatik, fysik?
• er du meget fortrolig med mindst ét programmeringssprog?
• har du lidt eller ingen erhvervserfaring?
• har du et godt niveau i engelsk og kunne du tænke dig at studere udelukkende på engelsk?
• søger du at blive en ekspert og en leder inden for kunstig intelligens?

Lær mere

1. periode : Fonde med 6 kerneforløb

• Fundamenter for maskinlæring: Et overblik over de vigtigste tendenser inden for maskinlæring med særligt fokus på statistisk risiko og minimering heraf med hensyn til en forudsigelsesfunktion gives i dette kursus. En betydelig laboratorieafsnit involverer gruppeprojekter om datavidenskabskonkurrencer og giver eleverne mulighed for at anvende kursusteorien på problemer i den virkelige verden.
• Foundations of Artificial Intelligence: En historie og et overblik over de forskellige tilgange til kunstig intelligens: fra refleksmiddel (lavt niveau AI) til ekspertsystemer og xIA (højt niveau AI). Hvert begreb vil være genstand for individuelt praktisk arbejde. Derudover vil en AI blive udviklet af gruppe og vil konkurrere i en turnering.
• Grundlag for beslutningsmodellering: Præferencer er til stede og gennemgående i mange situationer, der involverer menneskelig interaktion og beslutninger. Præferencer udtrykkes eksplicit eller implicit i adskillige ansøgninger, og relevante beslutninger bør træffes baseret på disse præferencer. Dette kursus har til formål at introducere præferencemodeller for multikriteriebeslutninger. Vi vil præsentere koncepter og metoder til præferencemodellering og multikriterium beslutningstagning.
• Fundamenter for optimering: Grundlæggende teori og metoder til løsning af optimeringsproblemer; iterative teknikker til ubegrænset minimering; lineær og ikke-lineær programmering samt diskrete metoder til tekniske applikationer forbundet med programmeringsøvelser i Python er dækket i dette kursus.
• Fundamenter for dyb læring: Dette kursus vil introducere den moderne teori om konvolutionelle neurale netværk, både med hensyn til teoretiske begreber såvel som med hensyn til praksis med forskellige trænings- og programmeringsarkitekturer. Konkrete eksempler på forskellige applikationsdomæner vil demonstrere interessen for disse metoder i kunstig intelligens.
• Fundamenter for Big Data & AI-programmeringssprog og -platforme: Dette kursus vil lære dig alt om big data management - algoritmer, teknikker og værktøjer, der er nødvendige for at understøtte big data-behandling med vægt på de beregningsmæssige aspekter relateret til programmering af kunstig intelligens metoder baseret på maskinlæring .

Teoretisk AI: Mindst 3 valgfag at vælge

• Forstærkende læring: Dette kursus vil introducere grundlaget for dynamisk problemmodellering i kunstig intelligens gennem forstærkende læringsstrategier. Vi vil især diskutere optimeringsstrategier, prøveudtagningsstrategier og belønningsudvælgelsesstrategier på koncept- og applikationsniveau for forskellige problemer med kunstig intelligens.
• Excellence i spilteori: Dette kursus vil indledningsvis præsentere hovedprincipperne vedrørende beslutning under usikkerhed, og brugen af grafiske modeller, når der træffes beslutninger under usikkerhed. For det andet vil vi overveje principper for spilteori og vise, hvordan en sådan teori kan modellere og analysere beslutninger i en situation. hvor usikre og strategiske interaktioner er involveret.
• Inferens og indlæring af grafiske modeller: Dette kursus omhandler matematiske grundlag og beregningsmæssige løsninger til træning og optimering af (højere orden) sandsynlige grafiske tilstande. Disse er kraftfulde repræsentationer på mellemniveau, der engang var udstyret med effektive optimeringsalgoritmer producerer avancerede resultater for problemer med den gennemsnitlige mængde træningsdata.
• Multi-agent-systemer: Formålet med dette kursus er at studere multi-agent-systemer, dvs. systemer sammensat af flere interagerende computerelementer, kendt som agenter, som et paradigme for implementering af autonome og komplekse intelligente systemer.
• Avanceret statistik: Dette kursus sigter først på at introducere den generelle metodologi for matematisk statistik gennem de grundlæggende begreber (statistisk modellering og prøveudtagning, estimeringsproblemer, beslutningsteori og hypotesetestning). Derefter giver dette kursus avancerede statistiske teknikker til multivariat analyse med et særligt fokus på beregningsstatistik og robuste estimeringstilgange. Regulariserede / straffede teknikker præsenteres også.
• Avanceret dyb læring: Dyb læringsmetoder er nu det nyeste inden for mange maskinlæringsopgaver, hvilket fører til imponerende resultater. Ikke desto mindre er de stadig dårligt forstået, neurale netværk er stadig vanskelige at træne, og resultaterne er sorte bokse, der mangler forklaringer. I betragtning af den samfundsmæssige indvirkning af maskinlæringsteknikker i dag (bruges som assistance inden for medicin, ansættelsesproces, banklån...), er det afgørende at gøre deres beslutninger forklarlige eller at tilbyde garantier. Desuden passer problemer i den virkelige verden normalt ikke til standardantagelserne eller rammerne for det mest berømte akademiske arbejde (datakvantitet og kvalitet, tilgængelighed af ekspertviden...). Dette kursus sigter mod at give indsigt og værktøjer til at løse disse praktiske aspekter, baseret på matematiske begreber.

Anvendt AI: Mindst 3 valgfag at vælge

• Visuel databehandling: Dette kursus vil præsentere et overblik over tendenser, moderne metoder og anvendelser af computervisionsteknologier i forskellige problemer inden for visuel databehandling, nemlig visuel analyse, objektgenkendelse, 3D-scenemodellering fra flere visninger, krydstræning af multimodale data osv.
• Naturlig sprogbehandling: Dette kursus behandler grundlæggende spørgsmål i krydsfeltet mellem menneskelige sprog og datalogi. På dette kursus udforsker vi metoder inspireret fra symbolsk og sub-symbolsk kunstig intelligens til sprogforståelse, parsing, oversættelse og generering.
• Netværksvidenskabsanalyse: Problemet med at udtrække meningsfuld information fra grafdata i stor skala på en effektiv og effektiv måde er blevet afgørende og udfordrende med flere vigtige applikationer inden for kunstig intelligens. Målet med dette kursus er at præsentere nyere og state-of-the-art metoder og algoritmer til at analysere, udvinde og lære storskala grafdata, såvel som deres praktiske anvendelser på forskellige domæner.
• Informationssøgning og -udtrækning: Dette kursus omhandler det grundlæggende i informationssøgning, processen med at besvare et informationsbehov, udtrykt ved en brugers forespørgsel, ved at hente den relevante information i ikke-strukturerede datasamlinger, ofte massive. Dette kursus vil også dække nyere tilgange, såsom semantisk web og spørgsmål besvarelse med viden grafer. Et væsentligt praktisk afsnit involverer gruppeprojekter om design og opbygning af en søgeapplikation.
• Medicinsk billeddannelse: Dette kursus vil præsentere et overblik over tendenser, der er relevante for den automatiske fortolkning af medicinsk billeddannelse fra computerstøttede løsninger. Kurset vil diskutere hele kæden af problemer inden for fortolkning på mellem- og højt niveau, der adresserer feltets søjleproblemer (detektion, segmentering, registrering) og de mest ai-drevne avancerede teknologier til computerstøttet diagnose.

3. periode: Praktik & Rapport (4 til 6 måneder)

• 2. bedste MSc i AI i Frankrig, Eduniversal 2022
• CentraleSuélec er en del af University Paris-Saclay, der er nummer 16. på verdensplan i 2022 Shanghai World Ranking
• Blandt de bedst placerede institutioner EFTER ARBEJDSGIVER RYMME: 7. VERDENSOMHEDEN, 1. I FRANKRIG (QS World University Ranking 2021): 8 ud af 10 af vores studerende finder et job før eksamen og 99% efter eksamen

Lær mere

CentraleSuélec er blandt de bedst rangerede institutioner EFTER ARBEJDSGIVER RYMME: 7. VERDENSOMHEDEN, 1. I FRANKRIG (QS World University Ranking 2021): 8 ud af 10 af vores studerende finder et job før eksamen og 99% efter eksamen.