Ingénieur Informatique, Statistique et Intelligence Artificielle
Data Analytics | Data Science | Big Data | Intelligence Artificielle | Logiciel
Benjamin, Directeur de Projet - ADEO Services
Avec le succès récent des systèmes d’intelligence artificielle générative, le domaine de l’intelligence artificielle est apparu aux yeux du grand public. Cependant, cette discipline à la frontière de la statistique et de l’informatique est déjà bien connue des spécialistes. En effet, les capacités de stockage quasi sans limites et les volumes massifs de données produites et enregistrées ont permis l’émergence des techniques d’intelligence artificielle prédictive. Stocker, analyser, visualiser les données, les valoriser, en extraire des connaissances, tels sont les enjeux de l’Intelligence Artificielle, du Big Data et de la Data Science.
La formation ISIA forme des ingénieurs spécialistes du traitement de l’information capables de répondre aux nouveaux besoins de la Data et du numérique en leur apportant des connaissances et des compétences solides en statistique, en apprentissage machine et en science du logiciel.
L’informatique et la statistique étant des disciplines essentiellement transverses, les secteurs d’activités sont nombreux, principalement dans le tertiaire (banque, assurance, grande distribution, e-commerce, ESN, grands organismes publics…) sans exclure l’industrie où la donnée est de plus en plus exploitable et exploitée.
Les principaux métiers visés par la formation sont : Data Scientist, Data Engineer, Ingénieur Big Data, Data Analyst, Data Miner, Ingénieur Décisionnel, Ingénieur Logiciel, Ingénieur Statisticien, Ingénieur Risque, Chef de projet Informatique ou Data…
Spécialité accessible à différents profils de bac +2
DécouvrirCette spécialité est également accessible par la voie de l’apprentissage sur 3 ans
DécouvrirSecteurs d'activité
- Entreprise de Services du Numérique
- Banque, Finance, Assurance
- Grande distribution
- Industrie
- Conseil, cabinets d'études
- Recherche et développement
- Administrations publiques
Nos ingénieurs Polytech
-
Denis
Data EngineerGiphar -
Matthieu
Head of Digital FactorySOMFY Group -
Clara
Data ScientistCrédit Agricole Personal Finance & Mobility -
Benjamin
Directeur de ProjetADEO Services -
Élodie
BiostatisticienneAixial Group
Recherche
Laboratoires associés :
- CRIStAL - Centre de Recherche en Informatique, Signal et Automatique de Lille
- Laboratoire de mathématiques Paul Painlevé -
- INRIA Lille - Nord Europe - Institut national de recherche en informatique et en automatique
- - Possibilité de poursuite en thèse
Stages
Tout au long de leur cursus, les élèves ingénieurs doivent effectuer des stages en France ou à l’étranger. Leur durée dépend de l’année de l’étudiant en cycle ingénieur.
Nos ingénieurs ont du talent !
Découvrez nos portraits d’ingénieurs Polytech lillois !
Projets
L’élève ingénieur s’investit dans des projets concrets pour apprendre son futur métier.
Doubles Diplômes
IAE Lille : Master 2 de Management des Entreprises Technologiques et Industrielles
Ce cursus, se déroulant sur 18 mois, vise à offrir aux élèves ingénieurs en dernière année une formation complète au management stratégique et opérationnel.
Contrat d'apprentissage
L’élève ingénieur sous statut étudiant a aussi la possibilité d’effectuer sa 5e année en contrat d’apprentissage.
Energies et transitions : ouverture d'un semestre entièrement en anglais
En savoir plusProgramme
UE 5-1 Fondements Mathématiques
90h
ECTS
Vol. Horaire
111100
UE 5-1 Fondements Mathématiques
7
90 h
111110
Remédiation Mathématiques 1
- Objectifs à atteindre :
* Revoir les notions fondamentales de mathématiques (partie 1) - Programme détaillé :
- Raisonnement et logique
- Limites, continuité, dérivation, intégration (sur un segment) [voir le changement de variable puis l'IPP]
- Fonctions exponentielle et logarithme
- Etude de fonctions
- Trigonométrie et nombres complexes
- Suites numériques - Bibliographie :
16 h TD
111120
Remédiation Mathématiques 2
- Objectifs à atteindre :
* Revoir les notions fondamentales de mathématiques (partie 2) - Programme détaillé :
Partie Analyse
- Intégrales multiples (région bornée) [faire le parallèle avec le changement de variable en 1D]
- Coordonnées polaires
- Développements limités
Partie Algèbre
- Déterminant d'une matrice
- Inversion de matrices
- Résolution de systèmes d'équations linéaires - Bibliographie :
16 h TD
111130
Bases Mathématiques
40 h
- Objectifs à atteindre :
* Revoir les notions fondamentales de mathématiques (partie 3) - Programme détaillé :
Analyse
- Intégrales généralisées
- Séries numériques et séries entières
- Suites et séries de fonctions
Algèbre
- Espaces vectoriels normés
- Produit scalaire, norme euclidienne, orthogonalité
- Orthonormalisation de Gram-Schmidt
- Projection orthogonale
- Bibliographie :
12 h cours
28 h TD
3 h DS
28 h TD
3 h DS
111140
Probabilités 1
20 h
- Objectifs à atteindre :
* Connaître des outils permettant de dénombrer (arrangements, permutations et combinaisons) des ensembles finis, notamment pour calculer des probabilités dans le cas équiprobable.
* Comprendre la notion d'espace probabilisé et ses propriétés élémentaires. Savoir utiliser le vocabulaire ensembliste pour décrire les événements.
* Comprendre la notion d'indépendance d'événements et savoir calculer des probabilités (conditionnelles) tenant compte d'informations supplémentaires. - Programme détaillé :
1 - Dénombrement
1.1 Introduction
1.2 Vocabulaire ensembliste
1.3 Ensembles finis et dénombrement
1.4 Séries
2 - Espace de Probabilité
2.1 Introduction
2.2 Événement
2.3 Probabilités comme fonction d’ensemble
3 - Conditionnement et Indépendance
3.1 Introduction
3.2 Conditionnement
3.3 Indépendance - Bibliographie :
10 h cours
10 h TD
1 h DS
10 h TD
1 h DS
111150
Probabilités 2
30 h
- Objectifs à atteindre :
* Connaître les notions de variable aléatoire réelle et de loi de probabilité
* Savoir décrire et interpréter la fonction de répartition d'une variable
* Savoir décrire et interpréter les lois des variables discrètes par la fonction de masse et celles des variables continues par la densité
* Connaître les lois usuelles
* Savoir calculer l'espérance et les moments d'une variable
* Connaître la notion de fonction caractéristique d'une variable - Programme détaillé :
1. Définition d'une variable aléatoire (on considère connu la notion de sigma algebre et de probabilité).
2. Types de variables aléatoires : quantitatives, qualitatives.
3. Variables aléatoires réelles discretes et continues.
4. Distribution de probabilité d'une variable aléatoire discrète. Modèles de variables aléatoires discretes (Uniforme, Binomiale, Poisson, Géométrique)
5. Distribution de probabilité d'une variable aléatoire continue (densité). Modèles de variables aléatoires continue (Uniforme, exponentielle, Normale)
6. Fonction de repartition. Propriétés (quantiles, lien avec la densité, transformation d'une v.a.)
7. Caracterisation d'une v.a. : moments d'une variables aléatoires.
8. Propriétés de l'espérance et la variance. Inégalité de Markov. Illustration sur les principaux modèles.
9. Fonction caractéristique
- Bibliographie :
14 h cours
12 h TD
4 h TP
1 h DS
12 h TD
4 h TP
1 h DS
UE 5-2 Fondements Informatique
114h
UE 5-3 Bases de données
64h
UE 5-4 Langues et SHEJS
120h
UE 6-1 Statistique et aide à la décision
230h
UE 6-2 Informatique
158h
UE 6-3 Langues et SHEJS
75h
UE 7-1 Statistique et aide à la décision
179h
ECTS
Vol. Horaire
113100
UE 7-1 Statistique et aide à la décision
14
179 h
113110
Statistique exploratoire
38 h
- Objectifs à atteindre :
* Savoir réaliser des analyses statistiques multivariées
* Savoir interpréter des résultats d'une analyse mulltivariée
* Avoir conscience du besoin des statistiques multivariées en grande dimension
* Savoir réaliser des applications en R et SPAD - Programme détaillé :
1 Analyse en composantes principales
2 Analyse factorielle des correspondances
3 Analyse des correspondantes multiples
4 Méthode de classification (partitionnement, classification hiérarchique)
5 Analyse discriminante linéaire - Bibliographie :
Gilbert Saporta: Probabilités, analyse des données et statistique (ed. Technip)
20 h cours
18 h TP
1 h DS
18 h TP
1 h DS
113120
Classification supervisée
20 h
- Objectifs à atteindre :
* Savoir établir et évaluer un modèle statistique de classification supervisée
* Savoir réaliser des applications en R - Programme détaillé :
1-Introduction + Rappels sur les tests classiques (Chi2, Cramer, MANOVA)
2-Analyse discriminante factorielle
3-Analyse discriminante probabiliste (homo et hétéroscédastiques)
4-Evaluation des règles (Règle de Bayes, Courbe ROC)
5-Régression Logistique
(6-Forets aléatoires) - Bibliographie :
Gilbert Saporta, Probabilités, analyse de données et statistique (ed. Technip)
8 h cours
2 h TD
10 h TP
1 h DS
2 h TD
10 h TP
1 h DS
113130
Modèles aléatoires markoviens
42 h
- Objectifs à atteindre :
* Savoir modélisation des systèmes dynamiques aléatoires markoviens en temps discret et en temps continu
* Savoir prédire leurs comportements en temps long
* Savoir réaliser des applications
- Programme détaillé :
Chaînes de Markov : définition, exemples et propriétés
Classification des états : classes irréductibles, récurrence et transience, périodicité
Mesures stationnaires et théorèmes limites
Propriétés de la loi exponentielle
Processus de Poisson : définition et propriétés
Processus markoviens de sauts : définition, taux de transition et générateur, mesures stationnaires et théorèmes limites
Files d'attente : notation de Kendall, exemple de la file M/M/1
Étude en projet du comportement en temps long de systèmes markoviens, avec une mise en valeur de ce comportement par des simulations numériques et études statistiques - Bibliographie :
B. Ycart, "Modèles et algorithmes markoviens", Springer, 2002
22 h cours
20 h TD
3 h DS
20 h TD
3 h DS
113140
Projet Modèles Aléatoires Markoviens
15 h
- Objectifs à atteindre :
- Savoir élaborer une solution à base de modèles aléatoires markoviens
- Savoir implémenter cette solution dans un langage de programmation
15 h tutorat
113150
Algorithmique numérique pour l'optimisation
24 h
- Objectifs à atteindre :
* Connaître des notions de mathématiques et de calcul numérique pour l'optimisation
* Savoir réaliser des applications en Python - Programme détaillé :
Moindres carrés linéaires (équations normales vs factorisation QR)
Méthode de Newton en une variable (résoudre une équation, minimiser un objectif)
Fonctions de plusieurs variables (graphe, développement limité, vecteur gradient, matrice jacobienne)
Résolution de systèmes d'équations en plusieurs variables (schéma de Newton)
Optimisation non contrainte (matrice hessienne, schéma de Newton, algorithme du gradient, contrôle du pas, minima locaux, maxima, points cols)
Optimisation sous contrainte (multiplicateurs de Lagrange)
Dérivation automatique
Travaux pratiques en Python, bibliothèque autograd, applications à l'estimation de paramètres - Bibliographie :
* Initiation à l'analyse numérique, R. Théodor, Masson.
* Introduction à l'analyse numérique des equations aux derives partielles, P. Raviart et J. Thomas, Masson
* Methods of Numerical Integration, Davis-Rabinowitz, Academic Press
12 h cours
12 h TP
1 h DS
12 h TP
1 h DS
113160
Recherche opérationnelle
28 h
- Objectifs à atteindre :
* Connaître différentes méthodes de recherche opérationnelle
* Savoir modéliser un problème sous forme de programme linéaire (et connaître les outils de résolution)
* Comprendre la notion de complexité dans la résolution des problèmes.
- Programme détaillé :
- Introduction
- Programmation linéaire (modélisation, résolution, simplex)
- Dualité
- Problème de transport
- Programmation linéaire en nombres entiers (PLNE)
- Programmation dynamique
- Programmation par but
- Bibliographie :
H. A. Taha, «Operations research : an introduction», Prentice Hall, ISBN 0 13 272915 6, 1997.
18 h cours
10 h TD
1 h DS
10 h TD
1 h DS
113170
Projet Recherche Opérationnelle
12 h
- Objectifs à atteindre :
- Modélisation et résolution de problèmes d'optimisationcomplexes à l'aide de Lingo/Cplex
- Analyse et exploitation des résultats
- Compréhension de la dualité via l'analyse de sensibilité
- Programme détaillé :
- TP1 : modélisation et résolution à l'aide de Lindo
- TP2 : analyse de sensibilité à l'aide de Lindo
- Projet : analyse d'une situation d'entreprise, optimisation et aide à la décision
12 h tutorat
UE 7-2 Ingénierie logicielle et systèmes d'information
96h
UE 7-3 Sensibilisation
20h
UE 7-4 Langues et SHEJS
102h
UE (S7_S9)_Programme Gradué
24h
UE 8-1 Statistique et aide à la décision
108h
UE 8-2 Ingénierie logicielle et systèmes d'information
102h
UE 8-3 Langues et SHEJS
63h
UE 8-4 Stage
120h
UE 9-1 Science des données
62h
ECTS
Vol. Horaire
115100
UE 9-1 Science des données
4
62 h
115110
Deep learning
29 h
- Objectifs à atteindre :
* Savoir expliquer les principaux éléments de l'entraînement d'un perceptron multi-couches
* Connaître les principaux modèles de deep learning (MLP, CNN, RNN, Transformers), et pouvoir justifier brièvement de leur usages et de leurs domaines d'application
* Savoir appliquer ces connaissances en manipulant les fonctions les plus importantes de Pytorch - Programme détaillé :
* Neural Networks and Deep Learning
* Optimization algorithms : GD - SGD - momentum - RMSProp - Adam
* Backpropagation principles
* Regularization
* Convolutional Neural Networks - Vision applications
* Recurrent Neural Networks - Language applications
* Attention and Transformer Networks - Language applications
* Autoencoders - Bibliographie :
* Ian Goodfellow and Yoshua Bengio and Aaron Courville, Deep Learning
* François Fleuret, The Little Book of Deep Learning
14 h cours
14 h TP
1 h DS
14 h TP
1 h DS
115120
Bases de données spécifiques
19 h
- Objectifs à atteindre :
- Identifier les principaux modèles de bases de données modernes (graphe, vectoriel, temporel, multi-modèle, NewSQL) et leurs caractéristiques.
- Comprendre les compromis (cohérence, performance, scalabilité, expressivité) associés aux différents types de bases de données.
- Analyser un problème applicatif afin de déterminer les besoins en termes de stockage, de requêtage et de performance.
- Choisir un système de base de données adapté en justifiant ce choix au regard des contraintes techniques et des cas d’usage.
- Formuler et comprendre des requêtes adaptées aux différents modèles de données, en identifiant les spécificités des langages et des paradigmes de requêtage associés. - Programme détaillé :
Ce module propose un panorama des architectures modernes de bases de données au-delà des modèles NoSQL classiques.
Après un rappel du positionnement des bases non relationnelles, le cours explore différents modèles spécialisés tels que les bases de données graphe, vectorielles, temporelles, multi-modèles et NewSQL.
Pour chaque type, les principes de fonctionnement, les cas d’usage typiques et les avantages/limites sont étudiés.
L’enseignement met l’accent sur la capacité à choisir une base de données adaptée à un besoin donné, en tenant compte des contraintes de performance, de cohérence et de scalabilité. - Bibliographie :
6 h cours
12 h TP
12 h TP
115130
Cryptologie
17 h
10 h cours
6 h TP
1 h DS
6 h TP
1 h DS
UE 9-2 Application en entreprise
116h
UE 9-3 SHEJS
101h
UE 9-4 Projet ingénieur
90h
UE 9-4 Alternance Situation de Travail Formative
8h
UE 9.1 Inspire Decarbonized Energy
102h
UE 9.2 Inspire Resource Optimization
96h
UE 9.3 Inspire Climate Change
82h
UE 9.4 Inspire Acceptability and Leadership
120h
UE 9.4 Inspire_Alternance_ Work-Based Learning Activities
36h
10-1 UE Stage
400h
UE 10-1 Alternance Situation de Travail Formative
16h