El Mehdi A.

Contenu de formation typique – MSc AI Data Engineer (axe IA) 📌 1. Fondamentaux de la Data & du Machine Learning Statistiques appliquées à la data Introduction au Machine Learning (supervisé & non supervisé) Deep Learning et réseaux neuronaux Traitement des données textuelles & images (NLP & CV) (Modules courants dans les MSc IA en France) 🧠 2. Ingénierie des données & Infrastructure Conception de pipelines de données (ETL/ELT) Bases de données relationnelles & NoSQL Big Data : Hadoop, Spark, Kafka Qualité, gouvernance & sécurité des données (Compétences centrales en Data Engineer & IA) ☁️ 3. Cloud & Déploiement Cloud computing (AWS, Azure, GCP) pour IA & Data Orchestration de workflows (Airflow, Kubeflow) CI/CD et MLOps Déploiement de modèles IA en production 🤖 4. Intelligence Artificielle Avancée IA générative & grands modèles de langage (LLM) Agents IA & systèmes automatisés RAG (Retrieval-Augmented Generation) Optimisation & monitoring de modèles IA (Focus fort sur IA agentique et applications réelles) 🧩 5. Projets Concrets & Mise en Production Projet fil rouge complet (pipeline data → modèle → déploiement) Études de cas industriels Intégration d’IA dans produits ou business workflows

Licence Ingénierie Mathématique – Contenu des modules Semestre 1 Analyse I – Fonctions, limites, continuité, dérivées, intégrales Algèbre linéaire I – Matrices, systèmes linéaires, vecteurs et sous-espaces Programmation & Algorithmique I – Bases de Python / MATLAB Introduction à la modélisation mathématique – Résolution de problèmes simples Statistiques descriptives – Moyennes, variances, visualisation de données Semestre 2 Analyse II – Suites et séries, intégrales multiples, fonctions de plusieurs variables Algèbre linéaire II – Valeurs propres, diagonalisation, applications Probabilités I – Variables aléatoires, lois classiques, espérance, variance Programmation & Algorithmique II – Structures de données, fonctions et boucles Méthodes numériques I – Résolution numérique d’équations, interpolation, approximation Semestre 3 Analyse III – Équations différentielles ordinaires Probabilités II – Lois continues, théorème central limite, simulations Optimisation I – Optimisation linéaire, simplexe, problèmes de contraintes Méthodes numériques II – Résolution de systèmes linéaires, matrices creuses Introduction au Machine Learning – Régression linéaire, classification simple Semestre 4 Équations différentielles avancées – Systèmes, modélisation physique et économique Processus stochastiques – Markov, chaînes de Markov, applications en finance et data Optimisation II – Optimisation non-linéaire, contraintes, dualité Data & Visualisation – Python pour data science, pandas, matplotlib Projet encadré / mini-projet – Application pratique des concepts sur un cas réel Semestre 5 Algèbre avancée et analyse vectorielle – Espaces vectoriels, matrices, transformations Statistiques avancées – Inférence, tests d’hypothèses, régressions multiples Machine Learning avancé – Réseaux neuronaux, classification avancée, NLP de base Simulation et modélisation – Monte-Carlo, modèles stochastiques Projet pratique interdisciplinaire – Intégration des outils mathématiques et informatiques Semestre 6 IA et data science appliquée – ML avancé, Deep Learning, LLM introductif Optimisation et recherche opérationnelle – Problèmes industriels, transport, logistique Projet de fin d’études / stage long – Développement complet d’une solution mathématique ou data-driven Techniques numériques avancées – Calcul scientifique, traitement de données massives Cours optionnels – Finance quantitative, traitement d’images, IA générative, IoT, etc