Description de la formation

Le nouveau profil Data Science (DS) du MSE vise l'acquisition de compétences métiers et méthodologiques approfondies dans l’analyse de données, l’intelligence artificielle, le deep learning, le big data, la visualisation de l’information et, de façon générale, les services orientés données interopérables, fiables et évolutifs.

Plus de 90% des entreprises ont aujourd’hui identifié le Data Science comme un élément clé de leur compétitivité. Le Data Science est devenu une compétence transdisciplinaire nécessaire à toute entreprise d’ingénierie qui vit sa transformation digitale. Renforçant cette dynamique, des nouveaux paradigmes ont émergé dans le domaine de l’intelligence artificielle (IA) qui devient une réalité dans les entreprises suite aux avancées du deep learning, du big data et du calcul sur GPU. La formation Data Science du MSE répond donc à un besoin actuel du marché pour lequel des formations de niveau master sont nécessaires.

Les étudiants recevant le diplôme de master en Data Science auront développé des compétences interdisciplinaires professionnelles dans trois domaines clés du Data Science. Le premier est le data engineering qui couvre les techniques d’acquisition, de stockage et de traitement des données. Le second est le data analytics qui couvre les processus de conversion des données brutes en information, modèles et connaissances actionnables, entre autres en utilisant les techniques modernes de l’IA. Le troisième est orienté vers la mise en production et la maintenance de data services qui utilisent les modèles issus du data analytics.

Spécialisations

Le profil Data Science est structuré selon trois domaines: le data engineering, le data analytics et les data services. Ces domaines sont couverts par les différentes formes d’enseignement du MSE incluant les modules centraux (contextuels, fondamentaux et techniques), les modules d’approfondissement et les projets.

Data Analytics

Le data analytics est le processus de conversion des données brutes en information, modèles et connaissances actionnables. Dans ce processus, des modèles et des algorithmes sont appliqués aux données. Ils sont construits grâce au machine learning, au deep learning, au traitement du langage naturel, au data mining et, de façon générale, aux mathématiques appliquées. Plus spécifiquement, les compétences suivantes sont visées:

• Comprendre et appliquer des méthodes statistiques pour décrire et explorer les données.
• Construire des modèles dérivés des données en utilisant des techniques de data mining, de machine learning et de deep learning.
• Analyser et planifier des expériences permettant de construire, valider et optimiser des modèles selon les bonnes pratiques de l’état-de-l’art.

Data Engineering

Le data engineering couvre les techniques d’acquisition, de stockage et de traitement des données d’un point de vue informatique. Il inclut les protocoles de communication avec les capteurs tels que ceux utilisés pour l’Internet des Objets, la gestion des flux de données et les bases de données dont les solutions big data. Les aspects traitement des données incluent les techniques de nettoyage, de préparation et de sécurisation des données. Plus spécifiquement, les compétences suivantes sont visées:

• Conceptualiser et organiser la collecte de données depuis les machines et systèmes utilisés dans les entreprises, en gérant la dimension hétérogène des sources de données dont les capteurs IoT d’entreprise, les bases de données structurées et non-structurées, les stacks technologiques big data et les flux de données en ligne.
• Analyser, planifier et organiser le stockage des données en utilisant les technologies adéquates aux besoins des applications, tenant compte des contraintes de bande passante, de sécurité, de volume et de variété des données.
• Conceptualiser, développer, évaluer et optimiser des applications capables de traiter de façon efficace des flux de données, d’en extraire des caractéristiques et d’y appliquer des modèles.

Data Services

Les data services sont liés à la mise en production de services actionnables par les entreprises. Ceci implique une compréhension des processus propres aux entreprises et la mise en place des pipelines de données qui les supportent, incluant techniques de déploiement et de maintenance. D’autres aspects non techniques tels que l’éthique, le droit, la sécurité et le respect de la vie privée font partie des considérations lors du déploiement de ces services.

• Construire des “data products” en comprenant les besoins d’entreprise en termes de pipeline de données pour transformer des résultats d’analyse en informations actionnables pour les entreprises.
• Organiser le déploiement, la maintenance et l’évolution des services de données en respectant des contraintes de qualité tels que les Service Level Agreements.
• Comprendre les contraintes non techniques liées aux dimensions éthiques, vie privée, sécurité et intégrité des données dans des entreprises et institutions publiques. Organiser les services de données pour respecter ces contraintes.

Plan de la formation

Engineering, MA (90 ECTS)

1 crédit ECTS correspond à environ 25-30 heures de travail.

À temps plein

	ECTS
1er semestre
Reforcement bases théoriques
Approfondissements professionnels
	30
2e semestre
Renforcement bases théoriques
Approfondissements professionnels
	30
3e semestre
Travail de Master	30
Total	90

À temps partiel

	ECTS
1er semestre
Renforcement bases théoriques
Approfondissements professionnels
	15
2e semestre
Renforcement bases théoriques
Approfondissement professionnels
	15
3e semestre
Renforcement bases théoriques
Approfondissements professionnels
	15
4e semestre
Renforcement bases théoriques
Approfondissements professionnels
	15
5e semestre
Travail de master	30
Total	90

Lien sur le plan de la formation

• www.hes-so.ch > Champs disciplinaires