Master 2 ΚΑΛΛΙΤΕΧΝΙΚΗ ΕΥΘΥΝΗ
National School Of Computer Science For Industry And Business - ENSIIE
Πληροφορία κλειδί
Τοποθεσία πανεπιστημιούπολης
Courcouronnes, Γαλλία
Γλώσσες
Αγγλικά
Μορφή μελέτης
Στην Πανεπιστημιούπολη
Διάρκεια
Ζητήστε πληροφορίες
Βήμα
Πλήρης απασχόληση
Δίδακτρα
Ζητήστε πληροφορίες
Προθεσμία εφαρμογής
Ζητήστε πληροφορίες
Πρωιμότερη ημερομηνία έναρξης
Sep 2023
Υποτροφίες
Εξερευνήστε ευκαιρίες για υποτροφίες για να βοηθήσετε στη χρηματοδότηση των σπουδών σας
Εισαγωγή
Η ταχεία ανάπτυξη της έρευνας και εφαρμογών της Τεχνητής Νοημοσύνης (AI) προσφέρει πρωτοφανείς ευκαιρίες. Αυτό το μάθημα προορίζεται για φοιτητές που επιθυμούν να λάβουν μια εξαιρετική πρωτοβάθμια εκπαίδευση που καλύπτει ένα ευρύ φάσμα εννοιών και εφαρμογών της τεχνητής νοημοσύνης που βασίζεται σε δεδομένα και μάθηση από παραδείγματα.
Το πρόγραμμα προσφέρει εισαγωγικά μαθήματα στη στατιστική μάθηση, τη βαθιά μάθηση και τη μάθηση ενίσχυσης, βελτιστοποίηση, επεξεργασία σήματος, θεωρία πληροφοριών και θεωρία παιχνιδιών. Πολλές επιλογές καθιστούν δυνατή την τελειοποίηση στη θεωρία της μάθησης και την εξειδίκευση σε πολλούς τομείς όπως μεγάλα δεδομένα, εικόνα και επεξεργασία γλώσσας.
Αυτό το δεύτερο έτος προσφέρει μια διευρυμένη επιλογή επιλογών, που καλύπτει ηθικές πτυχές και άλλα θέματα όπως η έναρξη μιας εταιρείας.
Αυτό το μάθημα απαιτεί ένα καλό υπόβαθρο στα μαθηματικά και την επιστήμη των υπολογιστών: - Πιθανότητα και στατιστικά στοιχεία - Γραμμική άλγεβρα - Διαφορικό και ολοκληρωμένο λογισμό - Επιστημονικός προγραμματισμός - Οπτικοποίηση των δεδομένων Οι υποψήφιοι θα έπρεπε επίσης να έχουν ολοκληρώσει με επιτυχία το M1 της Τεχνητής Νοημοσύνης (ή ισοδύναμο): - Μάθετε τα βασικά της εφαρμοσμένης στατιστικής και της βελτιστοποίησης - Μάθετε πώς να χειρίζεστε μεγάλα δεδομένα - Μάθετε πώς να διαφοροποιείτε και να εφαρμόζετε τεχνικές εποπτευόμενης, μη εποπτευόμενης και ενισχυτικής μάθησης - Μάθετε πώς να προγραμματίζετε μοντέλα πρόβλεψης με Python και master sci-kit-learning - Μάθετε πώς να οπτικοποιήστε τα δεδομένα και απεικονίστε τα αποτελέσματα με εργαλεία προγραμματισμού - Μάθετε πώς να γράφετε μια πρόταση έργου και να επικοινωνείτε τα αποτελέσματα γραπτώς και προφορικά.
Δεξιότητες:
Διατυπώστε μαθηματικά αλγόριθμους καθόδου κλίσης για βαθιά νευρωνικά δίκτυα, γραφικά μοντέλα ή άλλα στατιστικά μοντέλα μάθησης.
Προγραμματίστε μοντέλα βαθιάς μάθησης και γραφικά μοντέλα χρησιμοποιώντας το Python και αποκτήστε επάρκεια στα Keras, TensorFlow και Pytorch.
Κατανοήστε τα θεμέλια της στατιστικής μάθησης σε θεωρητικό επίπεδο, εστιάζοντας στην υπερ-μάθηση και στη νομιμοποίηση.
Αναλύστε δεδομένα διαφόρων τύπων (εικόνα, κείμενο, ομιλία) από το μη επεξεργασμένο σήμα.
Διαβάστε, συνοψίστε, σχολιάστε και αναπαράγετε επιστημονικά άρθρα.
Προοπτικές καριέρας:
Αυτό το μάθημα προετοιμάζεται για έρευνα και Ε & Α επαγγέλματα σε νέους τομείς εφαρμογής σε πλήρη εξέλιξη: όραμα υπολογιστή (αυτόνομα οχήματα και βιομετρικά). αναγνώριση φωνής (απαραίτητο για νέες διεπαφές ανθρώπου-μηχανής για smartphone). φιλτράρισμα και συγκέντρωση ετερογενούς και κειμένου περιεχομένου (απαραίτητο για εμπορικές λύσεις για τη διαχείριση σημαντικών ροών δεδομένων) · διαχείριση και παρακολούθηση σύνθετων ή κρίσιμων βιομηχανικών συστημάτων που βασίζονται στην ανάλυση δεδομένων.
Σχετικά με το Σχολείο
Ερωτήσεις
Παρόμοια Μαθήματα
Μεταπτυχιακό στη Μηχανική Ασφάλειας Υπολογιστών και στην Τεχνητή Νοημοσύνη
- Tarragona, Ισπανία
Master στην Τεχνητή Νοημοσύνη και Big Data
- Online
Μεταπτυχιακά στη Γενική Διοίκηση: Business Analytics και Τεχνητή Νοημοσύνη
- Leuven, Βέλγιο