• Tout public

"Il s'agit d'un parcours en Data Science construit sur de solides bases statistiques et économétriques. Les étudiants apprendront à coder et à appliquer des techniques d'apprentissage automatique (machine learning) ainsi qu'à interpréter et à communiquer les résultats de leurs projets scientifiques. Les étudiants pourront ainsi contribuer à l'élaboration de réponses pertinentes et robustes aux questions que les entreprises et les administrations peuvent se poser dans leur prise de décision.

Au-delà d'une solide connaissance des méthodes économétriques et d'apprentissage automatique et de leurs conditions d'utilisation, les étudiants seront formés à leur mise en œuvre sur des données réelles et à la présentation des résultats, sous forme orale ou écrite, à des publics variés. Les étudiants seront formés à l'utilisation de l'anglais dans tout contexte professionnel : converser en anglais, utiliser un vocabulaire technique, comprendre une documentation et des articles, rédiger en anglais.

A la fin du M2, nos étudiants auront acquis les compétences techniques pour gérer et analyser des ensembles de données massives, les soft skills pour communiquer, et ainsi être en mesure de poursuivre des carrières professionnelles en tant que Data Scientists ou Data Analysts. La pédagogie est basée sur la réalisation de projets. La capacité d'analyse de l'étudiant dans un contexte professionnel, et donc son employabilité, est développée par un stage de fin d'études, complété par la rédaction et la présentation d'un rapport. Le parcours est ouvert à ""alternance/apprentissage "" ; dans ce cas, les étudiants alternent entre cours à l'université et travail en entreprise.

Compétences professionnelles visées à la fin du M2 :

Savoir manipuler, analyser et interpréter les données à l'aide de techniques d'apprentissage automatique (machine learning) et de méthodes économétriques de pointe, quelle que soit leur nature (par exemple, des données quantitatives, qualitatives ou non structurées telles que du texte et des images) ou leur taille.
Être compétent dans divers langages de programmation (tels que Python et R) et applications de science des données (telles que les visualisations de tableaux de bord), afin de pouvoir s'adapter rapidement à tout environnement professionnel.
Choisir de manière autonome les meilleurs outils d'apprentissage automatique pertinents et les mettre en œuvre afin d'obtenir des réponses fiables et robustes qui contribuent à la création de valeur pour l'entreprise ou fournissent des analyses utiles aux administrations publiques ou privées dans la conduite de leurs actions.
Communiquer clairement à l'oral et à l'écrit les résultats de vos analyses quantitatives à des publics variés tels que des chefs d'entreprise non spécialistes ou des data scientists professionnels."

"https://feg.univ-amu.fr/fr/formation/masters/m2-econometrie-statistiques-parcours-econometrie-data-science
Ce diplôme est obtenu après la validation de 2 années, seule la dernière année est certifiante, il se compose comme suit : une première année de 453 heures en centre et 280 heures en entreprise, une deuxième année de 352 heures en centre et 840 heures en entreprise"

Niveau d'entrée requis selon niveau de sortie de l'année à suivre et selon domaine – Possibilité d’accès par validation d’acquis ( VA )

Durée en centre : 805 heures
Durée en entreprise : 1120 heures
Durée totale : 1925 heures

Formacode (Domaines de formation) :

• 13149 Économétrie
• 11017 Statistique appliquée
• 41077 Gestion risque banque assurance
• 13129 Prévision économique

Rome (Métiers) :

• H1206 Management et ingénierie études, recherche et développement industriel
• M1201 Analyse et ingénierie financière
• M1207 Trésorerie et financement
• M1403 Études et prospectives socio-économiques

NSF (Spécialités de formation) :

• 114 Mathématiques
• 122 Economie
• 326 Informatique, traitement de l'information, réseaux de transmission des données