Магістр наук у галузі штучного інтелекту

Чи є у мене профіль, який підходить?

• Ви закінчили або незабаром закінчите найкращий університет/школу з високим ступенем (4-річний бакалавр або перший рік магістра) з інженерії, математики, статистики, інформатики, фізики?
• Ви добре володієте хоча б однією мовою програмування?
• у вас мало або зовсім немає досвіду роботи?
• у вас хороший рівень англійської мови і ви хотіли б навчатися повністю англійською?
• Ви прагнете стати експертом і лідером у сфері ШІ?

Вивчайте більше

1-й період: основи з 6 основними курсами

• Основи машинного навчання: у цьому курсі подано огляд найважливіших тенденцій у машинному навчанні з особливим акцентом на статистичному ризику та його мінімізації щодо функції прогнозування. Суттєвий розділ лабораторних робіт включає групові проекти на змаганнях із науки про дані та дає студентам можливість застосовувати теорію курсу до реальних проблем.
• Основи штучного інтелекту: історія та огляд різних підходів до штучного інтелекту: від рефлексного агента (штучний інтелект низького рівня) до експертних систем і xIA (штучний інтелект високого рівня). Кожне поняття буде предметом індивідуальної практичної роботи. Крім того, штучний інтелект буде розроблено групою та змагатиметься в турнірі.
• Основи моделювання рішень: уподобання присутні та поширені в багатьох ситуаціях, пов’язаних із людською взаємодією та прийняттям рішень. Переваги виражені явно чи неявно в численних заявках, і відповідне рішення повинно прийматися на основі цих уподобань. Цей курс спрямований на ознайомлення з моделями переваг для багатокритеріальних рішень. Ми представимо концепції та методи моделювання переваг і багатокритеріального прийняття рішень.
• Основи оптимізації: фундаментальна теорія та методи вирішення задач оптимізації; ітераційні методи необмеженої мінімізації; Лінійне та нелінійне програмування, а також дискретні методи для інженерних програм, пов’язані з вправами з програмування на Python, розглядаються в цьому курсі.
• Основи глибокого навчання: цей курс познайомить із сучасною теорією згорткових нейронних мереж як з точки зору теоретичних концепцій, так і з точки зору практики з різними архітектурами навчання та програмування. Конкретні приклади в різних областях застосування продемонструють інтерес цих методів до штучного інтелекту.
• Основи великих даних і мов програмування та платформ ШІ: цей курс навчить вас усьому про управління великими даними – алгоритми, методи та інструменти, необхідні для підтримки обробки великих даних з акцентом на обчислювальних аспектах, пов’язаних із програмуванням методів штучного інтелекту на основі машинного навчання. .

Теоретичний ШІ: принаймні 3 факультативи на вибір

• Навчання з підкріпленням: цей курс познайомить з основами динамічного моделювання проблем у штучному інтелекті за допомогою стратегій навчання з підкріпленням. Зокрема, ми обговоримо стратегії оптимізації, стратегії вибірки та стратегії вибору винагороди на рівні концепції та застосування для різних проблем штучного інтелекту.
• Досконалість у теорії ігор: у цьому курсі спочатку будуть представлені основні принципи прийняття рішень в умовах невизначеності та використання графічних моделей під час прийняття рішень в умовах невизначеності. По-друге, ми розглянемо принципи теорії ігор і покажемо, як така теорія може моделювати та аналізувати рішення в ситуації де задіяні невизначені та стратегічні взаємодії.
• Виведення та вивчення графічних моделей: цей курс розглядає математичні основи та обчислювальні рішення для навчання та оптимізації (вищого порядку) імовірнісних графічних режимів. Це потужні уявлення середнього рівня, які колись були наділені ефективними алгоритмами оптимізації, дають найсучасніші результати для проблем із середнім обсягом навчальних даних.
• Мультиагентні системи: Метою цього курсу є вивчення мультиагентних систем, тобто систем, що складаються з кількох взаємодіючих обчислювальних елементів, відомих як агенти, як парадигми для реалізації автономних і складних інтелектуальних систем.
• Поглиблена статистика: цей курс насамперед спрямований на ознайомлення із загальною методологією математичної статистики через фундаментальні поняття (статистичне моделювання та вибірка, проблеми оцінювання, теорія прийняття рішень та перевірка гіпотез). Далі цей курс надає розширені статистичні методи багатовимірного аналізу з особливим акцентом на обчислювальну статистику та підходи до надійної оцінки. Також представлено регулярні/штрафні методи.
• Розширене глибоке навчання: методи глибокого навчання зараз є найсучаснішими у багатьох завданнях машинного навчання, що дає вражаючі результати. Тим не менш, вони все ще погано вивчені, нейронні мережі все ще важко навчити, а результати - це чорні скриньки без пояснень. Враховуючи суспільний вплив технологій машинного навчання (які використовуються як допомога в медицині, під час найму, банківських позик...), вкрай важливо зробити їхні рішення зрозумілими або надати гарантії. Крім того, проблеми реального світу зазвичай не відповідають стандартним припущенням або рамкам найвідоміших наукових робіт (кількість і якість даних, наявність експертних знань...). Цей курс спрямований на надання інформації та інструментів для вирішення цих практичних аспектів на основі математичних концепцій.

Прикладний ШІ: принаймні 3 факультативи на вибір

• Візуальні обчислення: цей курс представить огляд тенденцій, сучасних методів і застосувань технологій комп’ютерного зору в різних проблемах візуальних обчислень, а саме візуальної аналітики, розпізнавання об’єктів, 3D-моделювання сцени з кількох переглядів, перехресне навчання мультимодальних даних тощо.
• Обробка природної мови: цей курс розглядає фундаментальні питання на перетині людських мов і інформатики. У цьому курсі ми досліджуємо методи, натхненні символічним і субсимволічним штучним інтелектом для розуміння мови, аналізу, перекладу та генерації.
• Наукова аналітика мереж. Проблема ефективного та дієвого вилучення значущої інформації з великомасштабних графічних даних стала критичною та складною для кількох важливих програм штучного інтелекту. Мета цього курсу полягає в тому, щоб представити останні та найсучасніші методи та алгоритми для аналізу, видобутку та вивчення великомасштабних графових даних, а також їх практичне застосування в різних областях.
• Пошук і вилучення інформації: цей курс розглядає основи пошуку інформації, процесу відповіді на інформаційну потребу, виражену запитом користувача, шляхом отримання відповідної інформації в колекціях неструктурованих даних, часто масивних. Цей курс також охоплюватиме останні підходи, такі як семантична мережа та відповіді на запитання за допомогою графів знань. Суттєвий практичний розділ включає групові проекти з розробки та створення пошукової програми.
• Медична візуалізація: цей курс представить огляд тенденцій, що стосуються автоматичної інтерпретації медичної візуалізації з комп’ютеризованих рішень. У курсі буде обговорюватися весь ланцюжок проблем інтерпретації середнього та високого рівнів, що стосуються основних проблем галузі (виявлення, сегментація, реєстрація) та передових технологій комп’ютерної діагностики, які найбільше керуються штучним інтелектом.

3-й період: стажування та звіт (4-6 місяців)

• 2-й найкращий ступінь магістра зі штучного інтелекту у Франції, Eduniversal 2022
• CentraleSuélec є частиною університету Paris-Saclay. Посідає 16 місце у світовому рейтингу 2022 Shanghai World Ranking
• Серед закладів з найкращим рейтингом ЗА РЕПУТАЦІЄЮ РОБОТОДАВЦЯ: 7-МЕ У СВІТІ, 1-ШЕ У ФРАНЦІЇ (QS World University Ranking 2021): 8 із 10 наших студентів знаходять роботу до закінчення навчання та 99% після закінчення навчання

Вивчайте більше

CentraleSuélec входить до числа закладів з найкращим рейтингом ЗА РЕПУТАЦІЄЮ РОБОТОДАВЦЯ: 7-МЕ У СВІТІ, 1-ШЕ У ФРАНЦІЇ (QS World University Ranking 2021): 8 із 10 наших студентів знаходять роботу до закінчення навчання та 99% після закінчення навчання.