Vous êtes ici :

Mise à jour le 16 déc. 2024
60 Crédits ECTS
MASTER 1 MATHEMATIQUES ET INFORMATIQUE APPLIQUEES AUX SCIENCES HUMAINES ET SOCIALES / MIASHS

Résumé

Le Master MIASHS a pour vocation d'introduire aux nouvelles méthodes du Machine Learning et plus généralement de l'Intelligence Artificielle pour l'analyse de données de Sciences Humaines et Sociales. En savoir plus

Accéder aux sections de la fiche

Call to actions

Une question sur votre orientation, votre stage, votre insertion professionnelle ?
Contactez le Service d'orientation et stage (COSIE)

Détails

Pré-requis

Niveau(x) de recrutement
BAC+3
Public ciblé
La formation s'adresse aux étudiant.es ayant acquis les bases classiques en statistiques descriptive, statistique inférentielle, analyse de données, modèle linéaire

Spécificités

Pour les étudiant.es non-alternant.es, un stage d'au moins 2 mois est obligatoire entre avril et septembre.

Présentation

Le Master MIASHS a pour vocation d'introduire aux nouvelles méthodes du Machine Learning et plus généralement de l'Intelligence Artificielle pour l'analyse de données de Sciences Humaines et Sociales. La formation, ouverte à l'alternance, est orientée vers les applications concrètes des sciences des données et permettra au travers de nombreux projets d'apprendre à aborder avec recul et expertise les nombreux besoins dans les futurs challenges de la santé, de l'environnement, des enjeux sociétaux, etc. De nombreuses interactions avec les sciences cognitives, la géographie, la sociologie, la psychologie permettrons à tous de saisir la spécificité de chaque contexte et d'aiguiser leur connaissance des outils spécifiques. Les notions mathématiques et informatiques enseignées feront le tour du machine learning supervisé et non supervisé, des méthodes graphiques, des problèmes dynamiques, du Natural Language Processing, des méthodes robustes, et pour les données manquantes.

Lieux

Campus Porte des Alpes (PDA)

Responsable(s) de la formation

Stéphane CHRETIEN

Contact secrétariat

Marianne VIDIL
Masquer les détails supplémentaires

Admission

Pré-requis

Niveau(x) de recrutement

BAC+3

Formation(s) requise(s)

Licence MIASHS, Licence MIAGE, Licence MASS, Licence Mathématiques Appliquée, ou équivalentes. 

Public ciblé

La formation s'adresse aux étudiant.es ayant acquis les bases classiques en statistiques descriptive, statistique inférentielle, analyse de données, modèle linéaire, avec des acquis solides en algèbre linéaire appliquée, sachant utiliser le logiciel R ou le langage Python. Un fort intérêt pour les sciences humaines et sociales est indispensable.

Modalités de candidature

Le dépôt des dossiers de candidatures se fait en ligne, exclusivement via la plateforme Mon Master (procédure dématérialisée).

Programme

Semestre 1
  • Outils et logiciels d'analyse
  • Introduction to Supervised Statistical Machine Learning
  • Introduction to NLP for Social Sciences
  • Introduction to Unsupervised Statistical Machine Learning 1
  • Atelier Data Science 1
  • Atelier Data Science 2
  • Spatial Statistics for Human Sciences
  • Quantifier en Sciences Sociales
  • Bases de données avancées
Semestre 2
  • Introduction to Unsupervised Statistical Machine Learning 2
  • Causal Inference
  • Atelier Data Science 3
  • Atelier Data Science 4
  • Stage et retour d'alternance
      • Atelier Data Science (Projet)
      • Atelier Data Science (Projet)
      • Tendances actuelles de la sociologie (CM)
      • Théories sociologiques 1 (CM)
      • Atelier Data Science (Projet)
      • Bases de données avancées (TD)
      • Bases de données avancées (CM)
      • Introduction to NLP for Social Sciences (CM)
      • Introduction to NLP for Social Sciences (TD)
      • Introduction to Supervised Statistical Machine Learning (CM)
      • Introduction to Supervised Statistical Machine Learning (TD)
      • Introduction to Unsupervised Statistical Machine Learning (CM)
      • Introduction to Unsupervised Statistical Machine Learning (TD)
      • Outils et logiciels d'analyse (Projet)
      • Outils et logiciels d'analyse (TD)
      • Outils et logiciels d'analyse #2 (TD)
      • Quantifier en Sciences Sociales (CM)
      • Quantifier en Sciences Sociales (TD)
      • Spatial Statistics for Human Sciences (CM)
      • Spatial Statistics for Human Sciences (TD)
      • Atelier Data Science (Projet)
      • Théories sociologiques 2 (CM)
      • Atelier Data Science (Projet)
      • Causal Inference (CM)
      • Causal Inference (TD)
      • Introduction to Unsupervised Statistical Machine Learning (CM)
      • Introduction to Unsupervised Statistical Machine Learning (TD)
      • Stage (Stage)

Pour les étudiant.es non-alternant.es, un stage d'au moins 2 mois est obligatoire entre avril et septembre.

Et après ?

Niveau de sortie

Année post-bac de sortie

BAC+4

Compétences visées

Activités visées / compétences attestées

Toutes les compétences d'un Data scientist, comme la maîtrise des algorithmes de machine learning supervisé et non supervisé pour réaliser des analyses de prédiction, de régression, de classification, avec potentiellement des approches robustes.
 
Une expertise en application de la science des données aux sciences humaines et sociales, permettant de choisir la bonne méthode pour le type de données étudié.
 
Une communication optimale avec les experts du domaine d'interaction en sciences humaines et sociales, avec une bonne maîtrise du vocabulaire, du contexte et des objectifs.

Inscriptions

Coût de la formation

Le montant d’inscription à l’Université Lumière Lyon 2 est composé des droits d’inscription nationaux, plus la contribution Vie Etudiante et de Campus (CVEC). Plus d'informations sur cette page.