Objectif
L’essor gigantesque de l’usage des données numériques dans tous les domaines de la science, de la technologie et de la société nécessite la formation de chercheurs mathématiciens de haut niveau maîtrisant l’acquisition et le traitement des données numériques d’une part, et leur interprétation automatique d’autre part. Ces deux aspects sont strictement complémentaires et sont reflétés dans les trois termes caractérisant le parcours MVA :
- « V comme vision » - images, vidéo, image de synthèse, mais aussi son et autres données alpha-numériques,
- « A comme apprentissage » - tous les algorithmes classiques et nouveaux de représentation et d’interprétation des données dans les champs émergents requérant une compréhension fine de leur structure et de leur géométrie.
- « M comme mathématiques » - car le parcours aborde le traitement et l’analyse des données en tant que discipline mathématique, dans la mesure où elle renouvelle les mathématiques.
Citons parmi ses acquis retentissants et récents le « compressed sensing », la théorie des ondelettes, le boosting, la complétion de matrices, ...
Les enseignements se déroulent pour l'essentiel sur le site de l'ENS Cachan.
domaines d'enseignement
Mathématiques.compétences acquises
Pour toute question concernant le Master MVA, vous pouvez consulter le site :
http://math.ens-paris-saclay.fr/version-francaise/formations/master-mva/
Parcours
- MVA-M2 M2-MVA Mathématiques, Vision, Apprentissage
- INT_5IP35_TP Stage de Master 2 IP Paris
- MVA-Apprentissage Master MVA - Parcours Apprentissage
- APM_5MV21_TP Apprentissage profond pour la restauration et la synthèse d'images
- APM_5MV28_TP Foundations of distributed and large scale Computing optimization
- APM_5MV36_TP Bayesian machine learning
- APM_5MV37_TP Sequential learning
- APM_5MV38_TP Fondements théoriques de l'apprentissage profond
- APM_5MV40_TP Deep learning in practice
- APM_5MV41_TP Graphical models : Discrete Inference and Learning
- APM_5MV42_TP Deep learning for medical imaging
- APM_5MV43_TP Apprentissage pour les séries temporelles
- APM_5MV44_TP Numerical PDEs for image analysis.
- APM_5MV45_TP Responsible Machine Learning
- APM_5MV46_TP Information et compléxité
- APM_5MV47_TP Modèles génératifs pour l'image
- APM_5MV55_TP Méthodes en télédétection : observer la Terre
- APM_5MV57_TP Algorithmes pour l’optimisation et la gestion des réseaux
- APM_5MV58_TP The machine intelligence of images
- APM_5MV59_TP Projet de recherche reproductible
- APM_5MV60_TP Deep reinforcement Learning
- APM_5MV61_TP Statistical learning with extreme values
- APM_5MV63_TP Séminaire Turing
- APM_5MV64_TP Stopping times and online algorithms
- APM_5MV65_TP Génération de Données en IA par Transport et Débruitage
- APM_5MV66_TP Robotics
- MVA-ENSTA-UE1 UE1 Double Diplôme MVA
- MVA-ENSTA/ENSAE-UE2 UE2 Double Diplôme MVA
- APM_5DA13_TP Representation Learning for Computer Vision and Medical Imaging
- APM_5MV27_TP Computational optimal transport
- APM_5MV39_TP Analyse de données longitudinales : approches géométriques et statistiques
- APM_5MV48_TP Geometric Data Analysis
- APM_5MV49_TP Immersion en hôpital - Univertsité de Paris - Collaboration en binôme avec un médecin
- APM_5MV50_TP Fondamentaux de la recherche reproductible et du logiciel libre
- APM_5MV56_TP Introduction à l'apprentissage statistique pour les géosciences
- APM_5MV62_TP EHESS // ENS Ulm-Savoirs et politiques de la terre // Matérialités historiques : biogéochimie territoriale et histoire environnementale
