CentraleSupélec

Master of Science στην Τεχνητή Νοημοσύνη

Έχω το προφίλ που ταιριάζει;

• έχεις αποφοιτήσει ή θα αποφοιτήσεις σύντομα από ένα κορυφαίο πανεπιστήμιο/σχολή με ισχυρό πτυχίο (4ετής Bachelor ή πρώτο έτος μεταπτυχιακού) στη μηχανική, τα μαθηματικά, τη στατιστική, την πληροφορική, τη φυσική;
• είσαι πολύ άνετα με τουλάχιστον μία γλώσσα προγραμματισμού;
• έχεις ελάχιστη έως καθόλου εργασιακή εμπειρία;
• έχεις καλό επίπεδο αγγλικών και θα ήθελες να σπουδάσεις εξ ολοκλήρου στα αγγλικά;
• ψάχνετε να γίνετε ειδικός και ηγέτης στην τεχνητή νοημοσύνη;

Μάθε περισσότερα

1η περίοδος : Θεμέλια με 6 Μαθήματα Βασικών Σπουδών

• Θεμέλια της Μηχανικής Μάθησης: Μια επισκόπηση των πιο σημαντικών τάσεων στη μηχανική μάθηση, με ιδιαίτερη έμφαση στον στατιστικό κίνδυνο και την ελαχιστοποίησή του σε σχέση με μια συνάρτηση πρόβλεψης δίνεται σε αυτό το μάθημα. Ένα σημαντικό εργαστηριακό τμήμα περιλαμβάνει ομαδικά έργα σε διαγωνισμούς επιστήμης δεδομένων και δίνει στους μαθητές τη δυνατότητα να εφαρμόσουν τη θεωρία του μαθήματος σε προβλήματα του πραγματικού κόσμου.
• Θεμέλια Τεχνητής Νοημοσύνης: Ιστορικό και επισκόπηση των διαφορετικών προσεγγίσεων της Τεχνητής Νοημοσύνης: από τον αντανακλαστικό παράγοντα (χαμηλού επιπέδου AI) έως τα έμπειρα συστήματα και το xIA (τεχνητή νοημοσύνη υψηλού επιπέδου). Κάθε έννοια θα αποτελέσει αντικείμενο ατομικής πρακτικής εργασίας. Επιπλέον, ένα AI θα αναπτυχθεί ανά ομάδα και θα διαγωνιστεί σε ένα τουρνουά.
• Τα θεμέλια της μοντελοποίησης αποφάσεων: Οι προτιμήσεις είναι παρούσες και διάχυτες σε πολλές καταστάσεις που περιλαμβάνουν ανθρώπινη αλληλεπίδραση και αποφάσεις. Οι προτιμήσεις εκφράζονται ρητά ή σιωπηρά σε πολλές αιτήσεις και θα πρέπει να λαμβάνεται σχετική απόφαση με βάση αυτές τις προτιμήσεις. Αυτό το μάθημα στοχεύει στην εισαγωγή μοντέλων προτίμησης για πολυκριτηριακές αποφάσεις. Θα παρουσιάσουμε έννοιες και μεθόδους για τη μοντελοποίηση προτιμήσεων και τη λήψη πολυκριτηριακών αποφάσεων.
• Θεμέλια βελτιστοποίησης: Θεμελιώδης θεωρία και μέθοδοι για την επίλυση προβλημάτων βελτιστοποίησης. επαναληπτικές τεχνικές για ελαχιστοποίηση χωρίς περιορισμούς. γραμμικός και μη γραμμικός προγραμματισμός καθώς και διακριτές μέθοδοι για εφαρμογές μηχανικής που σχετίζονται με ασκήσεις προγραμματισμού σε Python καλύπτονται σε αυτό το μάθημα.
• Θεμέλια της βαθιάς μάθησης: Αυτό το μάθημα θα εισαγάγει τη σύγχρονη θεωρία των συνελικτικών νευρωνικών δικτύων, τόσο από άποψη θεωρητικών εννοιών όσο και από πλευράς πρακτικής με διαφορετικές αρχιτεκτονικές εκπαίδευσης και προγραμματισμού. Συγκεκριμένα παραδείγματα σε διάφορους τομείς εφαρμογών θα καταδείξουν το ενδιαφέρον αυτών των μεθόδων για την τεχνητή νοημοσύνη.
• Foundations of Big Data & AI Programming Languages & Platforms: Αυτό το μάθημα θα σας διδάξει τα πάντα για τη διαχείριση μεγάλων δεδομένων - αλγόριθμους, τεχνικές και εργαλεία που απαιτούνται για την υποστήριξη της επεξεργασίας μεγάλων δεδομένων με έμφαση στις υπολογιστικές πτυχές που σχετίζονται με τον προγραμματισμό μεθόδων τεχνητής νοημοσύνης που βασίζονται στη μηχανική μάθηση .

Θεωρητικό AI: Τουλάχιστον 3 μαθήματα επιλογής

• Ενισχυτική μάθηση: Αυτό το μάθημα θα εισαγάγει τα θεμέλια της μοντελοποίησης δυναμικών προβλημάτων στην τεχνητή νοημοσύνη μέσω στρατηγικών ενισχυτικής μάθησης. Συγκεκριμένα, θα συζητήσουμε στρατηγικές βελτιστοποίησης, στρατηγικές δειγματοληψίας και στρατηγικές επιλογής ανταμοιβών σε επίπεδο ιδέας και εφαρμογής για διάφορα προβλήματα τεχνητής νοημοσύνης.
• Αριστεία στη Θεωρία Παιγνίων: Αυτό το μάθημα αρχικά θα παρουσιάσει τις βασικές αρχές σχετικά με την απόφαση σε συνθήκες αβεβαιότητας και τη χρήση γραφικών μοντέλων κατά τη λήψη αποφάσεων υπό αβεβαιότητα Δεύτερον, θα εξετάσουμε τις αρχές της θεωρίας παιγνίων και θα δείξουμε πώς μια τέτοια θεωρία μπορεί να μοντελοποιήσει και να αναλύσει την απόφαση σε κατάσταση όπου εμπλέκονται αβέβαιες και στρατηγικές αλληλεπιδράσεις.
• Συμπεράσματα και εκμάθηση γραφικών μοντέλων: Αυτό το μάθημα πραγματεύεται μαθηματικά θεμέλια και υπολογιστικές λύσεις για εκπαίδευση και βελτιστοποίηση (υψηλότερης τάξης) πιθανοτικών γραφικών τρόπων. Αυτές είναι ισχυρές αναπαραστάσεις μεσαίου επιπέδου που, όταν ήταν εφοδιασμένες με αποτελεσματικούς αλγόριθμους βελτιστοποίησης, παράγουν αποτελέσματα τελευταίας τεχνολογίας για προβλήματα με μέσο όγκο δεδομένων εκπαίδευσης.
• Συστήματα πολλαπλών πρακτόρων : Στόχος αυτού του μαθήματος είναι να μελετήσει συστήματα πολλαπλών πρακτόρων, δηλαδή συστήματα που αποτελούνται από πολλαπλά αλληλεπιδρώντα υπολογιστικά στοιχεία, γνωστά ως πράκτορες, ως παράδειγμα για την υλοποίηση αυτόνομων και πολύπλοκων ευφυών συστημάτων.
• Προχωρημένη Στατιστική: Αυτό το μάθημα στοχεύει αρχικά στην εισαγωγή της γενικής μεθοδολογίας της μαθηματικής στατιστικής μέσα από τις θεμελιώδεις έννοιες (στατιστική μοντελοποίηση και δειγματοληψία, προβλήματα εκτίμησης, θεωρία αποφάσεων και έλεγχος υποθέσεων). Στη συνέχεια, αυτό το μάθημα παρέχει προηγμένες στατιστικές τεχνικές για πολυμεταβλητή ανάλυση με ιδιαίτερη έμφαση στην υπολογιστική στατιστική και τις ισχυρές προσεγγίσεις εκτίμησης. Παρουσιάζονται επίσης κανονικοποιημένες/τιμωρημένες τεχνικές.
• Προηγμένη Deep Learning: Οι μέθοδοι Deep Learning είναι πλέον η τελευταία λέξη της τεχνολογίας σε πολλές εργασίες μηχανικής μάθησης, οδηγώντας σε εντυπωσιακά αποτελέσματα. Ωστόσο, εξακολουθούν να είναι ελάχιστα κατανοητά, τα νευρωνικά δίκτυα εξακολουθούν να είναι δύσκολο να εκπαιδευτούν και τα αποτελέσματα είναι ότι τα μαύρα κουτιά λείπουν εξηγήσεις. Δεδομένου του κοινωνικού αντίκτυπου των τεχνικών μηχανικής μάθησης σήμερα (που χρησιμοποιούνται ως βοήθεια στην ιατρική, τη διαδικασία πρόσληψης, τα τραπεζικά δάνεια...), είναι σημαντικό να εξηγούνται οι αποφάσεις τους ή να παρέχονται εγγυήσεις. Εξάλλου, τα προβλήματα του πραγματικού κόσμου συνήθως δεν ταιριάζουν στις τυπικές υποθέσεις ή πλαίσια της πιο διάσημης ακαδημαϊκής εργασίας (ποσότητα και ποιότητα δεδομένων, διαθεσιμότητα ειδικών γνώσεων...). Αυτό το μάθημα στοχεύει στην παροχή γνώσεων και εργαλείων για την αντιμετώπιση αυτών των πρακτικών πτυχών, με βάση μαθηματικές έννοιες.

Εφαρμοσμένη τεχνητή νοημοσύνη: Τουλάχιστον 3 μαθήματα επιλογής

• Visual computing: Αυτό το μάθημα θα παρουσιάσει μια επισκόπηση των τάσεων, των σύγχρονων μεθόδων και εφαρμογών των τεχνολογιών υπολογιστικής όρασης σε διάφορα προβλήματα οπτικών υπολογιστών, συγκεκριμένα οπτική ανάλυση, αναγνώριση αντικειμένων, μοντελοποίηση 3D σκηνής από πολλαπλές όψεις, διασταυρούμενη εκπαίδευση πολυτροπικών δεδομένων κ.λπ.
• Επεξεργασία φυσικής γλώσσας: Αυτό το μάθημα εξετάζει θεμελιώδη ερωτήματα στη διασταύρωση των ανθρώπινων γλωσσών και της επιστήμης των υπολογιστών. Σε αυτό το μάθημα εξερευνούμε μεθόδους εμπνευσμένες από τη συμβολική και υποσυμβολική τεχνητή νοημοσύνη προς την κατανόηση, την ανάλυση, τη μετάφραση και τη δημιουργία γλώσσας.
• Αναλύσεις επιστήμης δικτύων: Το πρόβλημα της εξαγωγής σημαντικών πληροφοριών από δεδομένα γραφημάτων μεγάλης κλίμακας με αποτελεσματικό και αποτελεσματικό τρόπο έχει γίνει κρίσιμο και προκλητικό με αρκετές σημαντικές εφαρμογές στην τεχνητή νοημοσύνη. Στόχος αυτού του μαθήματος είναι να παρουσιάσει πρόσφατες και υπερσύγχρονες μεθόδους και αλγόριθμους για την ανάλυση, την εξόρυξη και την εκμάθηση δεδομένων γραφημάτων μεγάλης κλίμακας, καθώς και τις πρακτικές εφαρμογές τους σε διάφορους τομείς.
• Ανάκτηση και εξαγωγή πληροφοριών: Αυτό το μάθημα πραγματεύεται τις βασικές αρχές της ανάκτησης πληροφοριών, τη διαδικασία απάντησης σε μια ανάγκη πληροφοριών, που εκφράζεται από το ερώτημα ενός χρήστη, με την ανάκτηση των σχετικών πληροφοριών σε μη δομημένες συλλογές δεδομένων, συχνά μαζικές. Αυτό το μάθημα θα καλύψει επίσης πρόσφατες προσεγγίσεις όπως ο σημασιολογικός ιστός και η απάντηση ερωτήσεων με γραφήματα γνώσης. Ένα ουσιαστικό πρακτικό τμήμα περιλαμβάνει ομαδικά έργα για το σχεδιασμό και την κατασκευή μιας εφαρμογής αναζήτησης.
• Ιατρική Απεικόνιση: Αυτό το μάθημα θα παρουσιάσει μια επισκόπηση των τάσεων, που σχετίζονται με την αυτόματη ερμηνεία της ιατρικής απεικόνισης από λύσεις με τη βοήθεια υπολογιστή. Το μάθημα θα συζητήσει ολόκληρη την αλυσίδα προβλημάτων στην ερμηνεία μεσαίου και υψηλού επιπέδου που αντιμετωπίζει τα βασικά προβλήματα του πεδίου (ανίχνευση, τμηματοποίηση, καταχώριση) και τις πιο βασισμένες στον αέρα προηγμένες τεχνολογίες για διάγνωση με τη βοήθεια υπολογιστή.

3η περίοδος: Πρακτική Άσκηση & Έκθεση (4 έως 6 μήνες)

• 2ο καλύτερο MSc in AI στη Γαλλία, Eduniversal 2022
• Το CentraleSuélec είναι μέρος του University Paris-Saclay και κατατάσσεται στην 16η θέση παγκοσμίως στην παγκόσμια κατάταξη της Σαγκάης 2022
• Μεταξύ των ιδρυμάτων με την καλύτερη κατάταξη ΑΝΑ ΦΗΜΗ ΕΡΓΟΔΟΤΗ: 7η ΠΑΓΚΟΣΜΙΑ, 1η ΣΤΗ ΓΑΛΛΙΑ (QS World University Ranking 2021): 8 στους 10 φοιτητές μας βρίσκουν δουλειά πριν αποφοιτήσουν και 99% μετά την αποφοίτησή τους

Μάθε περισσότερα

Το CentraleSuélec είναι μεταξύ των ιδρυμάτων με την καλύτερη κατάταξη ΑΝΑ ΦΗΜΗ ΕΡΓΟΔΟΤΗ: 7η ΠΑΓΚΟΣΜΙΑ, 1η ΣΤΗ ΓΑΛΛΙΑ (QS World University Ranking 2021): 8 στους 10 φοιτητές μας βρίσκουν δουλειά πριν αποφοιτήσουν και 99% μετά την αποφοίτησή τους.