M2 Innovation, Marchés et Science des Données

Places available

25
Language(s) of instruction

French

Présentation

Objectives

Le parcours " Innovation, Marchés et Science des Données " s'adresse à des étudiants désireux d'acquérir une expertise à l'intersection de l'analyse économique, du marketing et des techniques quantitatives. Il propose un enseignement à la fois conceptuel et professionnalisé portant sur l'analyse et l'étude de marché. L'objectif est de former des économistes et des spécialistes marketing capables d'inscrire leur démarche dans son contexte économique, rompus aux méthodes d'analyse, d'étude quantitative et de développement de marchés de produits ou services. Il s'agit de disposer des clés pour comprendre la logique d'une innovation de marché, notamment des modèles économiques accompagnant la diffusion des technologies de l'information et de la communication, et de maîtriser les outils quantitatifs du marketing et du big data. L'objectif essentiel de la formation est de donner les compétences nécessaires pour exercer dans l'entreprise les métiers de data scientist, architecte big data, analyste Business Intelligence, analyste Connaissance Client, spécialiste de marketing quantitatif et de pouvoir y exercer rapidement. La formation implique d'une part une acquisition d'expériences au sein de l'entreprise et d'autre part un enseignement supérieur dans le cadre du département d'Economie de l'Université d'Evry Val d'Essonne, du département SHS de l'Université Paris-Saclay.

Location

EVRY

Course Prerequisites

Les candidats doivent être titulaires d'un niveau M1 reconnu équivalent à la formation universitaire (université, écoles de commerce ou d'ingénieur): dans le domaine de l'économie, de la gestion, du commerce ou de la vente (université ou école de commerce); dans une formation technique (mathématiques, informatique, statistique, ingénieurs) manifestant un intérêt pour les sciences des données, l'économie et le marketing quantitatif. Les pré-requis en économie, statistique et économétrie sont souhaitables.

Skills

Conduire les analyses statistiques et économétriques, interpréter les résultats.
Faire une analyse marketing à partir de jeux de données et modèles statistiques.
Analyser et comprendre les enjeux économiques.
Maîtriser des plateformes de Big Data ainsi que les outils de cloud.
Maîtriser les outils quantitatifs du marketing et du Big Data.

Post-graduate profile

La formation implique d'une part une acquisition d'expériences au sein de l'entreprise et d'autre part un enseignement supérieur dans le cadre du département d'Economie de l'Université d'Evry Val d'Essonne, du département SHS de l'Université Paris-Saclay et de l'ENSIIE (Ecole Nationale Supérieure d'Informatique pour l'Industrie et l'Entreprise).

Les principales compétences acquises: analyser et comprendre les enjeux économiques; conduire les analyses statistiques et économiques, interpréter les résultats; maîtriser les analyses socio-économiques, analyser les comportements à partir de modélisations; faire une analyse marketing à partir de jeux de données et de modèles statistiques; maîtriser les outils quantitatifs du marketing et du Big Data; maîtriser des plateformes de Big Data ainsi que les outils de cloud.

Les étudiants acquièrent également les méthodes de travail individuelles mais aussi en équipes: la plupart des matières sont valorisés par un projet individuel ou en groupe. Les étudiants développent les qualités personnelles telles que l'autonomie, initiative, responsabilité

Career prospects

Métiers possibles à l'issue de la formation :
-Analyste Marketing relationnel
-Analyste Connaissance Client
-Architecte Big data
-Big data analyst
-Business Intelligence analyst
-Chargé d'études en statistiques et informatique décisionnelles
-Consultant statisticien
-Data analyst
-Data Mining analyst
-Data scientist

Collaboration(s)

Laboratories

Centre d'Etudes des Politiques Economiques de l'Université d'Evry.

Programme

Subjects	ECTS	Lecture	directed study	practical class	Lecture/directed study	Lecture/practical class	directed study/practical class	distance-learning course	Project	Supervised studies
SQL	0	18							10
SQL Language(s) of instruction : FR ECTS : 0 Détail du volume horaire : Lecture : 18 Project : 10 Modalités d'organisation et de suivi : Coordinator : Période(s) et lieu(x) d’enseignement : Location : EVRY

Subjects	ECTS	Lecture	practical class	Project
CRM-Customer Relationship Management	3	24		10
CRM-Customer Relationship Management Language(s) of instruction : FR ECTS : 3 Détail du volume horaire : Lecture : 24 Project : 10 Modalités d'organisation et de suivi : Coordinator : Pedagogical team : Gilbert Ton. Procedure and organisation : Le module compte 8 demi-journées : -Marketing Client : 1 demi-journées -CRM Analytique : 2 demi-journées de cours, dont TP (Sous R) -CRM Opérationnel : 3 demi-journées de cours, dont TP (Sous Salesforce) -Soutenance de projet : 2 demi-journées Les étudiants ont un projet à réaliser en binôme pour valider ce module. Objectifs pédagogiques visés : Contenu : L’objectif de ce module est de permettre aux étudiants d’acquérir les connaissances nécessaires en termes d’outils et de méthodes afin de mener des activités de Gestion de Relation Client. Le contenu du cours comporte trois thèmes: •Le Marketing Client, l’Expérience Client •Le CRM Analytique (passage en revue des techniques de Connaissance Client à travers la segmentation, la valeur client, les scores d’appétence, les scores d’attrition…). •Le CRM Opérationnel (Forces de ventes, Campagnes Marketing, Centres d’appels, Support Client, CRM Collaboratif, e-CRM, Social CRM, passage en revue des outils utilisés). Prerequisites : -Connaissances de base en R -Connaissance de base en statistiques. Bibliographie : -Gestion de la relation client (Frédéric Jallat, Ed Peelen, Pierre Volle, Eric Stevens) – Pearson 2018 -L'expérience client (Laurence Body , Christophe Tallec) – Eyrolles 2015 -Magic Quadrant Reports (Gartner) - 2019 -The CRM Playbook (Forester) - 2019. Période(s) et lieu(x) d’enseignement : Period(s) : Mars - Mai. Location : EVRY
Digital Marketing	3	24		10
Digital Marketing Language(s) of instruction : FR ECTS : 3 Détail du volume horaire : Lecture : 24 Project : 10 Modalités d'organisation et de suivi : Coordinator : Pedagogical team : Stephan Nicolas. Procedure and organisation : Chaque session commence par une présentation des concepts du Marketing digital puis une mise en application soit individuelle soit en groupe autour d’exemple de l’industrie. La mise en application donne généralement lieu à une présentation en anglais devant la classe. Les acquis seront évalués à travers une présentation par paire ou par trio d’une stratégie digitale. Objectifs pédagogiques visés : Contenu : Séance 1 •Introduction (naissance d’internet et du marketing digital, changements liés à la technologie digitale, transformations dues au marketing digital) •L’impact du digital sur le marketing (Les nouveaux challenges, Impact du marketing par le digital, POEM, Les nouveaux 4P, permission marketing, proposition de valeur, tendances pour 2019) •L’impact du digital sur les clients (modification du comportement, impact sur le funnel) •Développer une stratégie digitale (introduction, travail en groupe sur un cas d’usage) Séance 2 •Marketing de contenu (type de contenus, curation, Hub Hygiène et Hero, travail de groupe en anglais) Séance 3 •L’expérience mobile (ce que la mobilité a changé, site vs application) •SEO •Les réseaux sociaux •Etude d’un cas Séance 4 •Inbound et outbound marketing •Email marketing et RGPD •Affiliate Marketing. Prerequisites : Aucun prérequis. Le cours reprend les concepts de base du marketing et commence par une définition du Marketing. Bibliographie : •Hero / Hygiène / Hub : https://think.storage.googleapis.com/docs/creator-playbook-for-brands_research-studies.pdf •Le Grand Livre du Marketing digital, de Rémy Marrone, Claire Gallic •Digital Marketing 2019, de Nicolas Deroualle (Auteur), Laetitia Theodore (Auteur). Période(s) et lieu(x) d’enseignement : Period(s) : Novembre - Décembre. Location : EVRY
Market structures and industrial organization	3	21	15
Market structures and industrial organization Language(s) of instruction : FR ECTS : 3 Détail du volume horaire : Lecture : 21 Practical class : 15 Modalités d'organisation et de suivi : Coordinator : Pedagogical team : Thierry Laurent Ekaterina Kalugina. Procedure and organisation : Le cours se déroule sous la forme de sept séances de 3h Des notes de cours sont disponibles en ligne pour les étudiants Des séances d’application sont organisées pendant lesquelles les étudiants travaillent sur des variantes des modèles présentés en cours 15h de travaux pratiques et de remise à niveau sont organisées. Elles portent essentiellement sur les exercices pratiques pour chaque chapitre du cours et la révision des définitions nécessaire pour la bonne compréhension du cours. Objectifs pédagogiques visés : Contenu : - Equilibre général en concurrence parfaite - Monopole - Discrimination par les prix : monopole discriminant - Oligopole et duopole - Différenciation des produits I : concurrence monopolistique - Différenciation des produits II : oligopole - Information,. Prerequisites : Comportements du producteur en concurrence parfaite -Techniques de base d’optimisation -Maximisation du profit -Fonction de coûts -Détermination de la fonction d’offre et des demandes de facteur -Equilibre sur un marché. Bibliographie : - Eléments de Microéconomie : Théorie et applications, Pierre PICARD, Montchrestien - Analyse microéconomique, Hal R. VARIAN, De Boeck - Theory of industrial organization, Jean TIROLE, MIT Press - Game Theory for Applied Economists, Robert GIBBONS, Princ. Période(s) et lieu(x) d’enseignement : Period(s) : Janvier - Février - Mars. Location : EVRY

Subjects	ECTS	Lecture	Project	Supervised studies
Introduction to Big data	2	18	10
Introduction to Big data Language(s) of instruction : FR ECTS : 2 Détail du volume horaire : Lecture : 18 Project : 10 Modalités d'organisation et de suivi : Coordinator : Pedagogical team : Zouheir Guedri. Procedure and organisation : 6 séances de 3 heures qui se déroulent comme suit : -1/3 du cours pour l’explication des nouveaux concepts, définitions, -1/3 du cours des exemples pratiques explicités par le professeur et relatifs des nouveaux concepts acquis -1/3 du cours un travail d’expérimentation des élèves sur leurs propres machines, encadrés par le professeur. Objectifs pédagogiques visés : Contenu : Cours 1 et 2 : Enjeux de collecte des données, de privacy et de visualisation dans un environnement Big Data I - Que recouvre vraiment la notion de Big Data ? 1)Les Big Data en question 2)L'approche des « 3V » reste pertinente 3)Petite typologie des données II - Big Data : les risques, les freins, les écueils à éviter III - Inventaire des bonnes pratiques pour tirer parti au mieux des Big Data IV - Huit études de cas pour mieux comprendre l'impact concret des Big Data sur le business Cours 2 et 3 : Introduction à l’open data, API et Cas pratiques -Introduction à l’open data (signification, bref historique, différences entre données publiques et données ouvertes, différentes classes d’usages, mise en pratique) - Travaux pratiques opendata.gouv, Insee, sncf - APIs (Application Programming Interface) : définition, fonctionnement, exemples d’applications. Travaux pratiques - Etude de cas : Création de valeur dans un environnement Big Data. Prerequisites : En mathématiques : analyse de données, algèbre, probabilité, statistiques de base et quelques notions de statistiques avancées (régressions, classifications et modèles de prédiction) En informatique : algorithmique, notions de bases de données et de langage d’interrogation de type SQL, notions de terminal. Bibliographie : Livre Blanc – Big Data – Zouheir Guedri/PwC Videos pédagogiques de Hans Rosling sur la visualisation des données Big data Analytics - Andry Alamsyah - Social Computing and Big Data Research Group - Open data – Simon Chignard. - donneesouvertes.info. Période(s) et lieu(x) d’enseignement : Period(s) : Décembre. Location : EVRY
Olap, Multidimensional Databases, NoSQL	3	24	10	0
Olap, Multidimensional Databases, NoSQL Language(s) of instruction : FR ECTS : 3 Détail du volume horaire : Lecture : 24 Project : 10 Supervised studies including internship supervision : 0 Modalités d'organisation et de suivi : Coordinator : Pedagogical team : Fourat Mastouri. Procedure and organisation : Le cours s’étale sur 24 heures : - 21 heures de cours théorique + des travaux pratiques. Le cours se compose des chapitres suivants : - Introduction au big data - L’écosystème Hadoop - Les bases de données Nosql - Elasticsearch et stack ES - Les bonnes pratiques de passage en production ! - 3 heures: évaluation pendant laquelle les étudiants sont amenés à présenter un exposé par groupe de 5 maximum détaillant leurs travaux. Des sujets leurs seront proposés ainsi qu'un accès à une plateforme sur le cloud (Cluster de 10 machine sur le cloud Microsoft Azure) afin qu'ils proposent une chaîne de stockage, manipulation et restitution de données de bout en bout qui permet de répondre aux problématiques posées par le sujet choisi par le biais des outils de l'écosystème Hadoop. L'objectif étant de concrétiser les connaissances théoriques abordées pendant le cours dans le cadre d’un petit projet en mode pilote - proof of concept. Objectifs pédagogiques visés : Contenu : Le but de ce cours est de présenter les principales idées et théories relatives aux systèmes de gestion de données no sql (non tabulaire). Ces technologies ont vu le jour notamment grâce à l'avènement des techniques de stockage et de traitement de volumes massifs de données. Ainsi, Les principaux thèmes abordés seront les suivants : -Le web comme locomotive de développement d’outil de gestion de données volumineuses -Limite des systeme classiques de stockage et traitement de l’information -Le changement de paradigmes en entreprise du transactionnel vers l’analytique -Etude de l'écosystème Hadoop et ses différents outils et leurs rôles. Prerequisites : -Une bonne connaissance du système d’exploitation linux -Une maîtrise d’un langage de programmation (Python, Java ou Scala) -Des notions de l'algèbre relationnelles et des système de gestion de base de données relationnels. -Facultatif : Fondements des sy. Bibliographie : Grover, M. (2015). Hadoop application architectures : designing real world big data applications. Sebastopol, CA: O'Reilly. Kleppmann, M. (2017). Designing data-intensive applications : the big ideas behind reliable, scalable, and maintainable systems. Sebastopol, CA: O'Reilly Media. White, T. (2015). Hadoop : the definitive guide. Sebastopol, CA: O'Reilly. Bruchez, R. (2013). Les bases de donne?es NoSQL : comprendre et mettre en oeuvre. Paris: Eyrolles. Chokogoue?, J. (2017). Hadoop : devenez ope?rationnel dans le monde du Big Data. St Herblain: E?ditions ENI. Période(s) et lieu(x) d’enseignement : Period(s) : Octobre - Novembre. Location : EVRY
Operating system (Linux) and Programming languages (Python, Java, Scala)	4	59	40
Operating system (Linux) and Programming languages (Python, Java, Scala) Language(s) of instruction : FR ECTS : 4 Détail du volume horaire : Lecture : 59 Project : 40 Modalités d'organisation et de suivi : Coordinator : Pedagogical team : - Mohamed Chaaben, Jems Groups, Linux (12h): chaaben.mo@gmail.com - Mourad Karoui, Société Générale, Scala (12h): kaarouimourad@gmail.com - Younes Feki, QuantCube Technology, Python (20h): younesfkih@gmail.com - Pascal Stokowski, Commissariat à l'Energie. Procedure and organisation : Linux: 15H de cours/TP (applications des exemples sur machine + interaction question/réponse) Évaluation > Projet en binôme : le sujet change d’une année à l’autre. On demande aux étudiant de créer un programme Shell qui englobera les différents thèmes abordés en classe Scala: Le déroulement du cours, intégrera une partie théorique afin d’expliquer les spécificités du langage Scala, ainsi qu’une partie pratique afin de s’exercer un peu sur celui-ci. L’IDE utilisé sera IntelliJ. Python: On alterne cours théorique, exercice sur tableau et pratique sur la machine. Le cours est interactif. Le cours sera validé avec 3 notes : - une pour le contrôle continu - une deuxième pour le TP - une troisième pour le projet final et la soutenance. Java: Cours magistraux (2 séances) et TD/TP sur la réalisation d’une calculatrice graphique en Java (2 séances). Objectifs pédagogiques visés : Contenu : Linux: 1. Ge?ne?ralite?s sur les systèmes Unix 2. Commandes fréquemment utilisées Gestion des fichiers et des répertoires Gestion des droits Manipulation des contenus de fichiers ligne par ligne Divers Commandes de manipulation de variables et de paramètres 3. Shell Substitution Variables Quotation Caractères de redirection 4. Script Shell Rôle d’un script Shell Passage de paramètres Tests Structure de contrôle Fonction Gestion des processus Scala: Présentation du Langage de programmation Scala Scala essentiel Clean code Les boucles Les tableaux Les principales collections Programmation Orienté Objet Les tests unitaires Python: On part de la pensée théorique de l’algorithmique vers l’application avec un langage bien précis (PYTHON). Apprendre les paradigmes principaux de la programmation. Comprendre le lien entre les structures des données et le quotidien des praticiens du métier Data Science. Java: Introduction à la POO (Programmation Orientée Objet) Objectifs de la POO Comparaison langage procédural et langage objet Encapsulation, héritage et polymorphisme Classe et objet Méthodes et attributs Notion d'interface et de classe abstraite La syntaxe Java Gestion des entrées sorties •Le package java.io •Opérations de lecture •Opération d'écriture Construction d'interface graphique •Présentation de SWING •Composants d'interface •Les layouts •Evènements et listeners. Prerequisites : Linux: Avoir un environnement UNIX sur les machines des étudiants. Un raisonnement algorithmique (boucle, structure conditionnelle, variable/constante..) Scala: Aucun niveau pré-requis pour ce cours, il est principalement destiné aux étudiants qui n’ont pas acquis les notions de la programmation objet. Python: Aucun Java: Posséder des connaissances de base en programmation. Bibliographie : Linux: Learning the Unix Operating System, chez O’Reilly Learning the vi editor, chez O’Reilly Scala: • https://www.scala-exercises.org/ • https://docs.scala-lang.org/ • https://twitter.github.io/scala_school/ • http://allaboutscala.com/ • https://www.tutorialspoint.com/scala/ • https://medium.com/hackr-io/learn-scala-best-scala-tutorials-for-beginners-bd80407387f5 (Liste des meilleurs tutoriels pour Scala) Python: Apprendre à programmer avec Python De Gérard Swinnen. Edité chez Eyrolles. Java: Documentation JAVA sur le site d’Oracle https://docs.oracle.com/javase/. Période(s) et lieu(x) d’enseignement : Period(s) : Septembre - Octobre - Novembre. Location : EVRY

Subjects	ECTS	Lecture	Project
Data mining	3	30	20
Data mining Language(s) of instruction : FR ECTS : 3 Détail du volume horaire : Lecture : 30 Project : 20 Modalités d'organisation et de suivi : Coordinator : Pedagogical team : Vincent Chalmel. Procedure and organisation : Structurer et valider les acquis en statistique et usage des logiciels d’analyse Positionner les techniques et technologies dans l’ordre d’un projet de datamining Fonder la réflexion sur les usages et l’interconnexion des apprentissages suivants. Objectifs pédagogiques visés : Contenu : Introduction et Concepts Introduction au datamining La donnée, Définition Le projet de datamining Méthodes statistiques du Datamining Statistique Descriptive, business Intelligence et organisation de la donnée Statistique Exploratoire et typologies Méthodes de modélisation Ouverture Applicative Exemple de données non structurées, le text-mining Connaissance Client Moteurs de recommandation. Prerequisites : Connaissance générale des concepts mathématiques usuels de la Statistique, des méthodes de statistique multivariée, d’analyse factorielle et de régression Appréciation des enjeux technologiques actuels. Bibliographie : Mining the Web: Transforming Customer Data into Customer Value. Gordon S. Linoff, Michael J. A. Berry. Data Mining et statistique décisionnelle , L’intelligence des données. Stéphane Tufféry. « Modélisation prédictive et apprentissage statistique avec R » Par Stéphane Tufféry. Data Mining Techniques: For Marketing, Sales, and Customer Relationship Management, 3rd Edition. Gordon S. Linoff, Michael J. A. Berry Statistique textuelle. Ludovic Lebart, André Salem :. Période(s) et lieu(x) d’enseignement : Period(s) : Janvier. Location : EVRY
Data Vizualisation	1	12	10
Data Vizualisation Language(s) of instruction : FR ECTS : 1 Détail du volume horaire : Lecture : 12 Project : 10 Modalités d'organisation et de suivi : Coordinator : Pedagogical team : Tifany Descamps. Procedure and organisation : Il est conseillé aux étudiants d’installer la licence de Tableau software avant le début du cours. L’idée est de comprendre l’importance de la data visualisation au sein d’une entreprise et d’être capable de valoriser l’information. Les étudiants apprendront étape par étape à communiquer et à mettre en valeur la donnée utile via un outil de data visualisation. Objectifs pédagogiques visés : Contenu : Target : learn how to design and create visualizations. Jour 1 : -Qu’est-ce que la data visualisation ? -Presentation de l’interface de Tableau Software -Production de data visualisation (niveau 1) Jour 2 : -Production de data visualisation (niveau 2 et 3). Prerequisites : Aucun. Période(s) et lieu(x) d’enseignement : Period(s) : Septembre. Location : EVRY
Scoring	3	24
Scoring Language(s) of instruction : FR ECTS : 3 Détail du volume horaire : Lecture : 24 Modalités d'organisation et de suivi : Coordinator : Pedagogical team : Ibrahim TOURE. Procedure and organisation : Ce cours de 24h CM se décompose comme suit : -18h de cours théoriques -6h de TP sur machines. Objectifs pédagogiques visés : Contenu : La finalité de ce cours est double : (i) permettre aux étudiants de comprendre les aspects théoriques des modèles couramment utilisés pour établir un « Score » (ii) et de leur permettre de mettre en place, à partir de données réelles et avec un logiciel statistique (SAS, R ou Python), un « Score » de risque de crédit. Le plan du cours est : 1.Introduction au Scoring 2.Panorama sur les méthodes usuelles d’estimation d’un « Score » (méthodes paramétriques Vs Non paramétriques) 3.Introduction à la régression logistique 4.Méthodologie d’estimation d’un modèle de régression logistique 5.Sélection des modèles et des variables dans le cadre de la régression logistique 6.Méthodes de validation des modèles 7.Présentation des modèles de régression multinomiale 8.Mise en place d’une grille de score à partir des résultats d’estimation du modèle. Prerequisites : Ce cours nécessite une bonne compréhension de la probabilité, la statistique différentielle et l’économétrie (notions de modèle, estimation des paramètres par l’estimateur des MCO et du maximum de vraisemblance, notions de multicolinéarité). Toutefois, en fonction du niveau des étudiants et de leurs parcours antérieurs, des rappels seront effectués sur les notions essentielles du cours. Bibliographie : -Stéphane Tufféry, DataMining et Statistique décisionnelle, Editions Technip. -Stéphane Tufféry, Modélisation prédictive et Apprentissage statistique avec R, Editions Technip. -Stéphane Tufféry, Etude de cas en statistique décisionnelle, Editions Techni. Période(s) et lieu(x) d’enseignement : Period(s) : Octobre - Novembre. Location : EVRY
Statistics & Econometrics	2	18
Statistics & Econometrics Language(s) of instruction : FR ECTS : 2 Détail du volume horaire : Lecture : 18 Modalités d'organisation et de suivi : Coordinator : Période(s) et lieu(x) d’enseignement : Period(s) : Septembre - Octobre. Location : EVRY

Subjects	ECTS	Lecture	directed study	practical class	Lecture/directed study	Lecture/practical class	directed study/practical class	distance-learning course	Project	Supervised studies
English TOEIC	2	25
English TOEIC Language(s) of instruction : AN ECTS : 2 Détail du volume horaire : Lecture : 25 Modalités d'organisation et de suivi : Coordinator : Pedagogical team : Alexandre Prot. Procedure and organisation : Weekly 3 hour tutorials from January to March Assessment : end of semester practise test in class + official Toeic test For further information on the official test, go to https://www.etsglobal.org/Global/Eng. Objectifs pédagogiques visés : Contenu : In class you will train for the test by revising grammar rules, learning vocabulary and improving your reading and listening skills. Full tests will be regularly organised and corrected. Prerequisites : Minimum level required : B1 + / B2 (Cadre Européen Commun de Référence). Bibliographie : Toeic Practice Exams by Lin Lougheed (Barron’s) Préparation au Nouveau Toeic by Lin Lougheed (Pearson/Longman). Période(s) et lieu(x) d’enseignement : Period(s) : Janvier - Février - Mars. Location : EVRY

Subjects	ECTS	Lecture	Project
Machine learning & Machine learning project	5	50	20
Machine learning & Machine learning project Language(s) of instruction : FR ECTS : 5 Détail du volume horaire : Lecture : 50 Project : 20 Modalités d'organisation et de suivi : Coordinator : Pedagogical team : Edouard Duchesnay Romain Yurchak. Procedure and organisation : Machine Learning Project: Ce projet de Machine Learning est effectué à l’aide de la plateforme RAMP de l’Université Paris-Saclay (https://ramp.studio/). Après avoir un choisi un problème de data-science, les étudiant sont fournis avec un kit de démarrage qui comprends la description des données ainsi qu’un premier modèle prédictif simple. Après une phase d’exploration et visualisation des données, les étudiants soumettent leur solution sur la plateforme RAMP, sous forme de code en langage Python, où celle-ci est évaluée en temps réel. Les scores prédictifs des différents modèles sont rendus public, et les étudiants peuvent améliorer leurs modèles prédictifs de manière itérative avec des nouvelles soumissions sur la plateforme. Objectifs pédagogiques visés : Contenu : Machine Learning Introduction - Python ecosystem for data-science - Introduction to Machine Learning - Data analysis methodology Python language - Import libraries - Basic operations - Data types - Execution control statements - Functions - List comprehensions, iterators, etc. - Regular expression - System programming - Scripts and argument parsing - Networking - Modules and packages - Object Oriented Programming (OOP) - Exercises Scientific Python - Numpy: arrays and matrices - Pandas: data manipulation - Matplotlib: data visualization Statistics - Univariate statistics - Multivariate statistics - Time Series in python Machine Learning - Dimension reduction and feature extraction - Clustering - Linear methods for regression - Linear classification - Non linear learning algorithms - Resampling Methods - Ensemble learning: bagging, boosting and stacking - Gradient descent Deep Learning - Backpropagation - Multilayer Perceptron (MLP) - Convolutional neural network - Transfer Learning Machine Learning Project Ce projet vise à confronter les étudiants qui ont suivi le cours de Machine Learning, à un problème de data science réel sur les données issues d’industrie. Les étudiants pourront ainsi mettre en pratique les méthodes de data science classiques, à commencer par l’exploration et visualisation de donnés, avant de développer un modèle prédictif en langage Python. Prerequisites : Machine Learning: BAC + 4 scientifique ou en économie Machine Learning Project: UE2 : STATISTICS UE7 : Operating systems: and Programming languages: Python UE10 : Data mining UE11 : Data Analysis UE14 : Machine Learning (partie 1 : cours). Bibliographie : -The Elements of Statistical Learning T. Hastie, R. Tibshirani, and J. Friedman. Springer (2001) -Scikit-learn: Machine learning in Python, Pedregosa et al 2011 -The RAMP framework: from reproducibility to transparency in the design and optimization of s. Période(s) et lieu(x) d’enseignement : Period(s) : Novembre - Avril. Location : EVRY
Multi-core system tools (Hive, Pig, Spark, Storm…)	3	24	10
Multi-core system tools (Hive, Pig, Spark, Storm…) Language(s) of instruction : FR ECTS : 3 Détail du volume horaire : Lecture : 24 Project : 10 Modalités d'organisation et de suivi : Coordinator : Pedagogical team : Antoine Monino. Procedure and organisation : Le cours est constitué d’un enseignement de 24 heures. Après une première partie théorique sur les systèmes distribués, nous aborderons le fonctionnement des outils de la stack Hadoop. La pratique systématique de ces outils, installés sur un cluster de 10 machines et hébergés sur Azure, permettront aux étudiants de devenir opérationnels sur ces technologies. Le module sera validé par un projet à réaliser en groupe et dont le but sera de réaliser une analyse de machine Learning dans un contexte distribué en traitant la donnée à partir de sa collecte. Objectifs pédagogiques visés : Contenu : Objectifs •Comprendre le paradigme, le fonctionnement et les enjeux des applications distribuées. •Comprendre et Pratiquer les outils technologiques reflétant les socles Big Data actuellement répandus en entreprise. •Mettre en œuvre un projet Data sur une plateforme distribuée, de la collecte de donnée à la mise en œuvre d’un modèle de machine learning en passant par la préparation et l’exploration des données. La pile technologique étudiée est constituée de HDFS, YARN, Hive et de Spark sur une distribution HortonWorks 3. Plan du cours •Introduction aux systèmes répartis •Introduction aux outils de la stack Hadoop •Mise en œuvre en entreprise •Etude et pratique détaillée des outils : oHadoop - HDFS oHive - Ingestion et traitement des données oSpark SQL- Manipulation des données, construction d'un modèle intermédiaire avec python/pySpark oSpark - Machine learning MLLIB avec python/pySpark oIntroduction à Spark Streaming – Kafka Autres outils abordés : ambari, zeppelin, Superset. Prerequisites : Connaissance du language python. Notions sur le système d’exploitation Linux Notions sur le shell Linux. Période(s) et lieu(x) d’enseignement : Period(s) : Mai. Location : EVRY
Neural network in finance	1	12	10
Neural network in finance Language(s) of instruction : FR ECTS : 1 Détail du volume horaire : Lecture : 12 Project : 10 Modalités d'organisation et de suivi : Coordinator : Pedagogical team : Bousabaa Abdelkader. Procedure and organisation : En pratique, l'enseignant présente rapidement un sujet/notion et les étudiants l'implémentent sous Python pour mesurer les sensibilités des différents paramètres. Trois ou quatre exemples seront traités en profondeur pendant les enseignements. Un projet de 6 semaines viendra compléter l'ensemble. Objectifs pédagogiques visés : Contenu : L'UE s'articule autour des techniques avancées de Machine Learning et plus particulièrement sur les applications des réseaux de neurones en finance. - Le perceptron comme outil de classification des titres d'un portefeuille/indice - Un réseau multicouche pour évaluer les poids d'un portefeuille - Utilisation de la librairie TensorFlow pour prédire des prix - Comment choisir la bonne fonction d'activation ?. Prerequisites : Nous tacherons de rappeler systématiquement les notions de finance utilisées. Pour conserver une visée universelle à cet UE, nous n'utiliserons que des produits et des techniques élémentaires en finance. Toutefois, il est important de bien maitriser l'outil Excel et la programmation sous Python pour suivre efficacement ce cours. Les connaissances en statistiques et en optimisation sont les bienvenues. Bibliographie : - Neural Networks and the Financial Markets: Predicting, Combining and Portfolio Optimisation – J. Shadbolt and JG Taylor – Springer - Neural Networks in Finance and Investing: Using Artificial Intelligence to Improve Real-world Performance – RR Trippi an. Période(s) et lieu(x) d’enseignement : Period(s) : Février. Location : EVRY
PLS regression	2	15
PLS regression Language(s) of instruction : FR ECTS : 2 Détail du volume horaire : Lecture : 15 Modalités d'organisation et de suivi : Coordinator : Pedagogical team : Christian Derquenne. Procedure and organisation : Sur les 15 heures dispensées : 10 heures sont consacrées au cours académique mêlant théorie et pratique avec de nombreux exemples réels et simulés, les 5 heures restantes sont dédiées aux travaux pratiques sur des données réelles qui peuvent être traitées avec SAS, R ou Python. Les étudiants sont regroupés par deux, un compte-rendu de TP est à envoyer un mois après la fin du cours. Objectifs pédagogiques visés : Contenu : La régression PLS (Partial Least Squares) permet de modéliser linéairement une ou plusieurs variables réponses à l’aide d’un nombre élevé de prédicteurs (parfois supérieur au nombre d’observations), pouvant être multi-colinéaires et de prendre en compte les données manquantes. Ce cours aborde les problèmes d’instabilité et de non inversibilité en régression multilinéaire. Pour pallier ces problèmes, des indicateurs de détection de la multicolinéarité seront introduits, la régression sur composantes principales et la régression PLS seront développées, en particulier l’algorithme NIPALS permettant de traiter : Le cas d’une unique variable réponse (régression PLS1) L’extension à plusieurs variables réponses (régression PLS2). Prerequisites : Une bonne maîtrise des techniques générales d’analyses factorielles simples et de classification d’individus statistiques (classification ascendante hiérarchique, centres mobiles), ainsi que l’inférence dans le cadre du modèle linéaire gaussien. Bibliographie : Derquenne Ch. et Hallais C., (2003) Une méthode alternative à l'approche PLS : comparaison et application aux modèles conceptuels marketing, Revue de Statistique Appliquée, 52, 37-72. Hotelling H., (1936a) Simplified calculation of principal components, Psychometrica, 1, 27-35. Tenenhaus (1998), La régression PLS, Technip Wold H., (1966), Estimation of the Principal Components and Related Models by Iterative Least Squares, Krishnaiah P.R. Editor, Multivariate Analysis, 391-420, Academic Press, New-York. Wold H., (1973) Nonlinear Iterative Partial Least Squares (NIPALS) Modelling some Current Période(s) et lieu(x) d’enseignement : Period(s) : Janvier - Février. Location : EVRY EDF Lab Saclay
Splunk	3	28	10
Splunk Language(s) of instruction : FR ECTS : 3 Détail du volume horaire : Lecture : 28 Project : 10 Modalités d'organisation et de suivi : Coordinator : Pedagogical team : Dataklub. Procedure and organisation : Formation dispensée sur un environnement Splunk Hautement Disponible (Cluster SH et Indexer) Les étudiants ont juste besoin d’un LapTop avec un Browser Web (IE, Firefox, Chrome, etc …) La formation est conçue pour que les étudiants pratiques à chaque module Evaluation des étudiants (par groupe) sur projet : création d’un Dashboard d’analyses de données sur des datasets choisis par les étudiants. Objectifs pédagogiques visés : Contenu : Découvert de Splunk : -Utilisation -Notion Infrastructure -Notion Monitoring -Notion d’Administration -Evaluation sur projet : création d’un Dashboard d’analyses de données sur des datasets choisis par les étudiants ?Using Splunk : support en Anglais ++ Module 1 : Introducing Training environnement ++ Module 2 : Introducing Splunk's User Interface ++ Module 3 : Creating Searches and Saving Results ++ Module 4 : Using Fields ++ Module 5 : Creating Reports and Visualizations ++ Module 6 : Using Pivot and Creating DashBoards ?Searching and Reporting : support en Anglais ++ Module 1 : Introducing Training environnement ++ Module 2 : Search Fundamentals ++ Module 3 : Reporting Commands, Part 1 ++ Module 4 : Reporting Commands, Part 2 ++ Module 5 : Analyzing, Calculating, and Formatting Results ++ Module 6 : Correlating Events ++ Module 7 : Enriching Data with Lookups ++ Module 8 : Accelerating Reports ++ Module 9 : Summary Indexing ?Splunk Monitoring ++ Module 1 : Introducing Monitoring Console ++ Module 2 : Introducing Splunk Administration ?Splunk Projects ++ Module 1 : Dataset Integration ++ Module 2 : Evaluation on Splunk DashBoard Analysis creation. Prerequisites : Avoir des notions d’outils d’exploration de données. Période(s) et lieu(x) d’enseignement : Period(s) : Avril. Location : EVRY

Subjects	ECTS	Lecture
Advanced econometrics	2	18
Advanced econometrics Language(s) of instruction : FR ECTS : 2 Détail du volume horaire : Lecture : 18 Modalités d'organisation et de suivi : Coordinator : Période(s) et lieu(x) d’enseignement : Period(s) : Février - Mars. Location : EVRY
Customer satisfaction (structural models)	2	24
Customer satisfaction (structural models) Language(s) of instruction : FR ECTS : 2 Détail du volume horaire : Lecture : 24 Modalités d'organisation et de suivi : Coordinator : Pedagogical team : Christian Derquenne. Procedure and organisation : Sur les 24 heures dispensées : 18 heures sont consacrées au cours académique mêlant théorie et pratique avec de nombreux exemples réels et simulés, les 6 heures restantes sont dédiées aux travaux pratiques sur des données réelles qui peuvent être traitées avec SAS, R ou Python. Les étudiants sont regroupés par deux, un compte-rendu de TP est à envoyer un mois après la fin du cours. Objectifs pédagogiques visés : Contenu : Les modèles à équations structurelles (SEM) sont d’un usage important dans de nombreux champs disciplinaires tels que la psychométrie, la sociologie, l’économétrie et aussi les sciences de gestion. Le but de ce cours est d’acquérir les bons réflexes méthodologiques et les connaissances théoriques nécessaires pour la mise en œuvre des modèles SEM. La mise en pratique se fera sous SAS essentiellement. Le plan est le suivant : 1. Modélisation du comportement du consommateur : satisfaction et fidélité. 2. Méthodes d’estimation de modèles à équations structurelles : la méthode LISREL, l’approche PLS et l’approche RFPC. 3. La création de modèles : les modèles libres. Prerequisites : Une bonne maîtrise des techniques générales d’analyses factorielles simples et de classification d’individus statistiques (classification ascendante hiérarchique, centres mobiles), ainsi que l’inférence dans le cadre du modèle linéaire gaussien. Bibliographie : B. S. EVERITT. An introduction to latent variable models, 1984 K. A. BOLLEN. Structural Equation with latent variables, 1989 P. ROUSSEL et al. Méthodes d’Equations Structurelles : recherche et application en Gestion, 2002 L. HATCHER. A step-by-step approach to Factor Analysis and Structural Equation Modelling using SAS System. SAS Institute Inc. 1994 M. TENENHAUS, V. ESPOSITO VINZI, Y. M. CHATELIN and C. LAURO, PLS Path Modelling, Computational Statistics and Data Analysis, vol. 48 n°1, jan. 2005 H. WOLD. Soft Modelling : The Basic Design and Some Extensions, in Jöreskog K.G. and Sörbum D Période(s) et lieu(x) d’enseignement : Period(s) : Février. Location : EDF Lab Saclay
NLP&Applications	1	12
NLP&Applications Language(s) of instruction : FR ECTS : 1 Détail du volume horaire : Lecture : 12 Modalités d'organisation et de suivi : Coordinator :
Time series econometrics	2	18
Time series econometrics Language(s) of instruction : FR ECTS : 2 Détail du volume horaire : Lecture : 18 Modalités d'organisation et de suivi : Coordinator : Pedagogical team : Jean-Michel Etienne. Procedure and organisation : Les supports de cours, de travaux dirigés ainsi que leur corrigés sont mis en ligne sur la plate-forme pédagogique E-campus avant et/ou après les séances. L’évaluation des connaissances s’effectue sous forme de projet. Il est demandé à chaque groupe de réaliser une modélisation économétrique univariée ou multivariée « propre » de la (les) série(s) choisie(s). Il s’agira notamment d’examiner ses propriétés statistiques d’identifier le processus inconnu sous-jacent, d’estimer ses paramètres, de s’assurer que toutes les hypothèses usuelles sont bien vérifiées, et de réaliser des prévisions statiques sur, et en dehors de la période d’estimation. Il s’agira également en cas de plusieurs modélisations alternatives possibles pour cette série d’indiquer le modèle finalement retenu et les critères sur lesquels a été basé ce choix. Objectifs pédagogiques visés : Contenu : L’objectif du cours est de familiariser les étudiants avec les techniques modernes de modélisation des séries temporelles univariées et multivariées stationnaires, et non stationnaires. Les objectifs de ce cours de Time Series sont donc doubles : 1. pédagogiques : présenter de façon rigoureuse un panorama synthétique des méthodes économétriques utilisées en séries temporelles. 2. scientifiques : permettre aux étudiants de lire des articles d’économie appliquée et de réaliser des travaux économétriques. Chapitre 1 : Processus aléatoires stationnaires Chapitre 2 :Modélisation univariée de Box et Jenkins Chapitre 3 :Processus non stationnaires et tests de racine unitaire Chapitre 4 :Hétéroscédasticité conditionnelle et modèles ARCH Chapitre 5 :Séries temporelles multivariées : une introduction Chapitre 6 :Modèles avec variables non stationnaires Chapitre 7 :La cointégration Chapitre 8 :Les modèles VAR. Prerequisites : Statistiques et économétrie. Bibliographie : – Campbell J.Y, Lo A.W et A.C. MacKinley A.C, 1997, The Econometrics of Financial Markets, Princeton University Press. – Francq C. et J-M. Zakoian, 2009, Mod eles Garch : Structure, Inférence Statistique et Applications Financières, Economica, collection Economie et Statistiques Avancées, Paris. – Gouriéroux C., 1992, Modèles ARCH et Applications Financières, Economica, Paris. – Gouriéroux C. et A. Monfort, 1990, Séries Temporelles et Modèles Dynamiques, Economica,Paris. – Hamilton J.D, 1994, Time Series Analysis, Princeton University Press. – Lamberton, D. et B. Lapeyre, 1997, Introduction au Période(s) et lieu(x) d’enseignement : Period(s) : Février - Mars. Location : EVRY

Subjects	ECTS	Lecture	directed study	practical class	Lecture/directed study	Lecture/practical class	directed study/practical class	distance-learning course	Project	Supervised studies
Internship	10									120
Internship Language(s) of instruction : FR ECTS : 10 Détail du volume horaire : Supervised studies including internship supervision : 120 Modalités d'organisation et de suivi : Coordinator :

Modalités de candidatures

Application period

From 15/04/2024 to 15/06/2024

Compulsory supporting documents

Motivation letter.
All transcripts of the years / semesters validated since the high school diploma at the date of application.
Curriculum Vitae.

Additional supporting documents

TOEFL.
TOEIC.
Certificate of English level (compulsory for non-English speakers).
Certificate of French (compulsory for non-French speakers).
Detailed description and hourly volume of courses taken since the beginning of the university program.
VAP file (obligatory for all persons requesting a valuation of the assets to enter the diploma).
The application procedure, which depends on your nationality and your situation is explained here : https://urlz.fr/i3Lo.
Supporting documents :
- Residence permit stating the country of residence of the first country
- Or receipt of request stating the country of first asylum
- Or document from the UNHCR granting refugee status
- Or receipt of refugee status request delivered in France
- Or residence permit stating the refugee status delivered in France
- Or document stating subsidiary protection in France or abroad
- Or document stating temporary protection in France or abroad.

Contact(s)

Course manager(s)

Ekaterina Kalugina - ekaterina.kalugina@univ-evry.fr

Administrative office

Nathalie Mureau - nathalie.mureau@univ-evry.fr