FacultE des Sciences

Ingénieur en Informatique SCIENCES DES DONNÉES

Conditions d’accès

Objectifs de la formation

Profils et compétences visés

Débouchés professionnels

 Le monde de l’informatique étant en évolution constante, la présente offre de formation en Science des Données vise les principaux objectifs suivants :

  • Former des ingénieurs possédant des compétences solides en science des données, leur permettant de maîtriser l’ensemble du processus de gestion des données, depuis la collecte et le nettoyage des données jusqu’à l’analyse, la visualisation et l’interprétation des résultats pour une prise de décision éclairée.
  • À travers cette formation, les étudiants acquerront des connaissances approfondies en apprentissage automatique, en intelligence artificielle, en statistique, en analyse de grandes quantités de données (Big Data), ainsi qu’en techniques de traitement et de stockage de données. Ils seront également formés à l’utilisation des outils et des langages de programmation couramment utilisés dans le domaine de la science des données (Python, R, SQL, etc.).
  • Former des compétences permettant de développer et de déployer des modèles de données avancés pour résoudre des problèmes complexes dans divers secteurs, tels que la finance, la santé, le marketing, et bien d’autres. Les ingénieurs en science des données seront également capables de concevoir des systèmes de recommandation, de prévision et d’optimisation pour aider les entreprises à améliorer leurs performances et à innover.
  • Des notions académiques approfondies seront enseignées aux étudiants, leur permettant également de poursuivre des études de post-graduation en science des données, en intelligence artificielle ou dans des domaines connexes. Ils seront ainsi préparés à contribuer de manière significative à la recherche et au développement dans le domaine de la science des données.

Les compétences visées à l’issue de cette formation sont :

  • Maîtriser l’analyse et la gestion de données massives et variées (Big Data).
  • Savoir appliquer des techniques de modélisation et d’apprentissage automatique pour extraire des connaissances à partir des données.
  • Maîtriser les outils et les environnements technologiques actuels (Hadoop, Spark, NoSQL, ).
  • Savoir gérer des projets de science des données, de la collecte et la préparation des données à l’interprétation des résultats et la mise en œuvre des solutions.
  • Maîtriser les techniques de visualisation des données pour communiquer efficacement les résultats aux décideurs.
  • Savoir intégrer et utiliser des infrastructures de données en cloud pour des analyses à grande échelle.
  • Comprendre les aspects éthiques et légaux liés à l’utilisation des données.

 

  • Être capable de répondre aux besoins des entreprises et des décideurs en proposant des solutions basées sur les données pour améliorer la prise de décision.
  • Maîtriser les nouvelles technologies et leur impact sur l’analyse des données et le système d’information de l’entreprise.
  • Être capable de travailler en collaboration dans le cadre de projets de science des données, en utilisant des méthodologies agiles et des techniques de gestion de projet.

 

Les retombées de cette formation concernent aussi bien le contexte régional que le contexte national au vu des besoins immenses en matière de compétences dans le domaine de la science des données (à tous les niveaux) pour le secteur économique public et privé. Les débouchés en matière d’employabilité concernent les profils suivants :

  • Data Scientist,
  • Data Analyst,
  • Data Engineer,
  • Business Intelligence Analyst,
  • Analyste Big Data,
  • Ingénieur en apprentissage automatique,

 

 

Programme de la formation Ingénieur d’état en Informatique

Spécialité : Sciences de Données

Télécharger : Le Canevas 

3eme Année

Semestre 5

 

Unité d’Enseignement

VHS V.H hebdomadaire

 

Coeff.

 

Crédits

Mode d’enseignement Mode d’évaluation

14-16

sem

C TD TP Autres A distance En présentiel Continu Examen
UE Fondamentales              
UEF51 (O/P)   4h30 1h30 4h30   9 13        
UEF511 : Compilation 63H 1h30 1h30 1h30   3 5   X 40 60
UEF512 : Réseaux Avancés 42H 1h30   1h30   3 4   X 40 60
UEF513 : Programmation Avancée 42H 1h30   1h30   3 4   X 40 60
UEFondamentales                      
UEF52 (O/P)   3h00 3h00 3h00   6 9        

UEF521    :    Les                fondements      de

l’Intelligence Artificielle

63H 1h30 1h30 1h30   3 4   X 40 60
UEF522 : Analyse des données 63H 1h30 1h30 1h30   3 5   X 40 60
UE Méthodologie                      
UEM53(O/P)   3h00 1h30 1h30   4 6        

UEM531 : Fondement des sciences

des données

42H 1h30   1h30   2 3   X 40 60
UEM532 : Génie Logiciel 42H 1h30 1h30     2 3   X 40 60
UE Transversale                      
UET54(O/P)   1h30       1 2        

UET541 : Management de

l’innovation

21H 1h30       1 2   X   100
Total Semestre 5 298H 12h00 6h00 9h00   20 30        

 

Semestre 6

 

Unité d’Enseignement

VHS

V.H hebdomadaire

 

Coeff.

 

Crédits

Mode d’enseignement

Mode d’évaluation

14-16

sem

C

TD

TP

Autres

A

distance

En présentiel

Continu

Examen

UE Fondamentales

 

 

 

 

 

 

 

UEF61 (O/P)

 

4h30

1h30

6h00

 

9

14

 

 

 

RTF-

UEF611    :    Bases                de données avancées

63H

 

1h30

 

1h30

 

1h30

 

3

5

 

X

40

60

UEF612    :                Programmation            Web

Avancée

63H

1h30

 

3h00

 

3

5

 

X

40

60

UEF613 : Sécurité des données

42H

1h30

 

1h30

 

3

4

 

X

40

60

UEFondamentales

 

 

 

 

 

 

 

 

 

 

 

UEF62 (O/P)

 

4h30

1h30

4h30

 

7

10

 

 

 

 

UEF621 : Machine Learning 1

84H

3h00

 

3h00

 

4

5

 

X

40

60

UEF622  :  Analyse  de  données

avancée

63H

1h30

1h30

1h30

 

3

5

 

X

40

60

UE Méthodologie

 

 

 

 

 

 

 

 

 

 

 

UEM63(O/P)

 

1h30

1h30

1h30

 

3

4

 

 

 

 

UEM631 : Méthodes Numériques

63H

1h30

1h30

1h30

 

3

4

 

X

40

60

UE Transversale

 

 

 

 

 

 

 

 

 

 

 

UET64 (O/P)

 

1h30

 

 

 

1

2

 

 

 

 

UET641 : Cyber sécurité

21H

1h30

 

 

 

1

2

 

X

 

100

Total Semestre 6

399H

12h00

4h30

12h00

 

20

30

 

 

 

 

 

 

4eme Année

Semestre 7

 

Unité d’Enseignement

VHS

V.H hebdomadaire

 

Coeff.

 

Crédits

Mode d’enseignement

Mode d’évaluation

14-16 sem

C

TD

TP

Autres

A

distance

En présentiel

Continu

Examen

UE Fondamentales

 

 

 

 

 

 

 

UEF71 (O/P)

 

3h00

3h00

3h00

 

8

12

 

 

 

 

UEF711 : Statistique en Science des données

63H

1h30

1h30

1h30

 

4

6

 

X

40

60

UEF712 : Programmation linéaire et

Optimisation

63H

1h30

1h30

1h30

 

4

6

 

X

40

60

UEFondamentales

 

 

 

 

 

 

 

 

 

 

 

UEF72 (O/P)

 

4h30

 

4h30

 

7

10

 

 

 

 

UEF721 : Machine Learning 2

84H

3h

 

3h

 

4

6

 

X

40

60

UEF722 : Visualisation des données

42H

1h30

 

1h30

 

3

4

 

X

40

60

UE Méthodologie

 

 

 

 

 

 

 

 

 

 

 

UEM7(O/P)

 

3h

 

3h

 

4

6

 

 

 

 

UEM731 : Gestion de projet en

Science des données.

42H

1h30

 

1h30

 

2

3

 

X

40

60

UEM732 : DEVOPS

42H

1h30

 

1h30

 

2

3

 

X

40

60

UE Transversale

 

 

 

 

 

 

 

 

 

 

 

UET74(O/P)

 

1h30

 

 

 

1

2

 

X

40

60

UET741 : Ethique et Déontologie

21H

1h30

 

 

 

1

2

 

 

 

100

Total Semestre 7

347H

12h00

3h00

12h00

 

20

30

 

 

 

 

 

Semestre 8

 

Unité d’Enseignement

VHS

V.H hebdomadaire

 

Coeff.

 

Crédits

Mode d’enseignement

Mode d’évaluation

14-16

sem

C

TD

TP

Autres

A

Distance

En présentiel

Continu

Examen

UE fondamentales

 

 

 

 

 

 

 

UEF81(O/P)

 

3h00

3h00

3h00

 

6

9

 

 

 

 

UEF811 Gestion de l’Incertain

63h

1h30

1h30

1h30

 

3

4

 

X

40

60

UEF812 Techniques de Prédiction

63h

1h30

1h30

1h30

 

3

5

 

X

40

60

UEF82(O/P)

 

4h30

 

3h00

 

6

9

 

 

 

 

UEF821 Deep Learning

63h

3h00

 

1h30

 

3

5

 

X

40

60

UEF822 Intelligence

Artificielle Générative

42h

1h30

 

1h30

 

3

4

 

X

40

60

UE méthodologie

 

 

 

 

 

 

 

UEM83(O/P)

 

3h00

 

6h00

 

7

10

 

 

 

 

UEM831 Traitement Automatique du Langage Naturel

 

42h

1h30

 

1h30

 

2

3

 

X

 

40

 

60

UEM832 Traitement d’Images Numériques

42h

1h30

 

1h30

 

2

3

 

X

40

60

UEM833 Projet Pluridisciplinaire

 

 

 

3h

 

3

4

 

 

100% Soutenance

UE transversales

 

 

 

 

 

 

 

UET84(O/P)

 

1h30

 

1h30

 

1

2

 

 

 

 

UET841 Blockchain

21h

1h30

 

1h30

 

1

2

 

X

 

100

Total Semestre 8

336h

10h30

4h30

13h30

 

20

30

 

 

 

 

 

 

5eme Année

Semestre 9

 

Unité d’Enseignement

VHS V.H hebdomadaire

 

Coeff.

 

Crédits

Mode

d’enseignement

Mode

d’évaluation

14-16

sem

C TD TP Autres

A

distance

En présentiel

 

Continu

Examen
UE Fondamentales              
UEF91 (O/P)   3h   3h   6 10        

UEF911   :   Système   d’Aide   à   la

Décision

42h 1h30   1h30   3 5   X 40 60
UEF912 : Big Data 42h 1h30   1h30   3 5   X 40 60
UEFondamentales              
UEF92 (O/P)   3h   3h   6 8        
UEF921 : Calcul Intensif 42h 1h30   1h30   3 4   X 40 60

UEF922 : Optimisation avancée et

Méta heuristiques

42h 1h30   1h30   3 4   X 40 60
UE Méthodologie              
UEM93(O/P)   3h   3h   7 10        
UEM931 : Cloud Computing 42h 1h30   1h30   2 3   X 40 60

UEM932 : Applications Avancées

des Sciences de données

42h 1h30   1h30   3 4   X 40 60

UEM933        :                     Systèmes                     de

Recommandation

42h 1h30   1h30   2 3   X 40 60
UE Transversale                      
UET94(O/P)   1h30       1 2        
UET941 : Rédaction Scientifique 21h 1h30       1 2   X   100
Total Semestre 9 273h 10h30   09h00   20 30        

Semestre 10

Domaine       : Mathématiques/ informatique

Filière            : Informatique

Spécialité     : Sciences des données

 Sujet de recherche ou Stage en entreprise sanctionné par un mémoire et une soutenance. L’attribution des sujets doit se faire au début de l’année (Octobre)

 

VHS

Coeff

Crédits

Travail Personnel

140

/

/

Stage e entreprise

280

/

/

Séminaires

/

/

/

Autre (préciser)

/

/

/

Total Semestre 10

420

20

30