BIGDATA : analyse, management et valorisation responsable

Former des cadres :

• Rapidement opérationnels dans une fonction ou une mission managériale de niveau intermédiaire à supérieur (management de projet, développement commercial, analyse du marché, …)

• Responsables grâce à la compréhension des enjeux de l’éthique des affaires et du développement durable pour les entreprises internationales d’aujourd’hui

• Ayant, grâce à leurs compétences techniques, la maîtrise de la construction et du dimensionnement des systèmes de traitement des masses de données (nouveaux services, nouveaux modèles de business...)

• Capables d’aider les organisations à créer de la valeur à partir des Big Data

Ce Mastère Spécialisé oriente principalement vers les métiers de

• Data scientist
• Data strategist

 

• Chief data officer
• Big Data manager/strategist
• Data analyst
• IT consultant in Big Data
• Business analyst, process analyst
• Big data project manager

Le programme a été élaboré par deux Grandes Ecoles reconnues pour leurs expertises

Pré-requis en mathématiques :

* Notions fondamentales d’algèbre linéaire
** Espace euclidiens
** Produit scalaire
** Opérations de base sur les matrices
** Matrices semi-définies positives
** Formes hermitiennes
** Diagonalisation de matrice et valeurs propres

* Bibliographie indicative :
** Fabien Margairaz. Algèbre linéaire I & II: Notes de cours de l’EPFL.
** Les notions de base d’algèbre sont aussi très bien décrites sur Wikipédia

* Notions fondamentales de probabilités
** Espérance, variance
** Probabilités jointes et conditionnelles, formule de Bayes
** Lois usuelles (loi de Bernoulli, loi uniforme, loi normale)
** Estimation des paramètres d’une loi par maximisation de la vraisemblance

* Bibliographie indicative :
** Olivier François. Notes de cours de Probabilités Appliquées. Les 40 premières pages. http://membres-timc.imag.fr/Olivier.Francois/Poly_Cours_Proba.pdf

* Notions fondamentales de statistiques
** Statistiques descriptives : Population statistique, Estimateurs de tendance centrale et de dispersion, Représentations usuelles (histogramme, diagramme en bâtons, etc.)
** Notions élémentaires de test d'hypothèse : Echantillons, Hypothèse nulle, hypothèse alternative, risques de type I et II, Test de Student

* Bibliographie indicative :
** Olivier Gaudoin. Principes et Méthodes Statistiques : Notes de cours, Ensimag 2A. Chapitres I,II, V (3 premières sections) https://www-ljk.imag.fr/membres/Olivier.Gaudoin/PMS.pdf


Pré-requis en informatique :

* Structures de données, algorithmique et programmation (par exemple Java, Python ou C)
* Fondements des systèmes d’exploitation
* Principes de systèmes de gestion de bases de données (représentation des données, stockage, interrogation…)
* Technologies web
* Notions en compilation

[1] Introduction to Algorithms (3rd ed.), Thomas Cormen, Charles Leiserson, Ronals Rovest, Clifford Stein, 2009, MIT Press and McGraw-Hill.
[2] Thinking in Java (4th ed.), Bruce Eckel, 2006, Prentice Hall.
[3] A First Course in Database Systems (3rd ed.), Jeffrey D. Ullman, Jennifer Widom, 2007, Pearson education.

Les étudiants Mastère Big Data travaillent chaque année sur un projet appelé "Fil Rouge".
Ce projet est sousmis par une entreprise et validé avec les responsables de la filière.
Vous pouvez regadrer l'historique des projets mais également déposer un projet.

Q : Quel est l’emplacement géographique des cours ?
R : La moitié des cours se déroule à l’Ensimag, l’autre à GEM, en fonction des jours de la semaine

Q : Quanq faire ce parcours ?
R : Le parcours Big Data se réalise après la diplomation à l'Ensimag.

Q : Que je vais y apprendre du point de vue scientifique. Est-ce que cela sera du Machine Learning ? Du Data Mining ? Des bases de données ? De la programmation de bases de données ? Des statistiques ? Des mathématiques ?
R : Voir le cahier pédagogique pour une description complète des enseignements GEM et Ensimag

Pour le côté Ensimag, en bref, les cours de la partie scientifique sont les suivants :