Voir tous les masters en ligne en ingénierie
Voir tous les Health VET Online
Voir tous les doubles diplômes
Voir tous les masters en éducation
Programmes les plus recherchés
Diplôme officiel
Diplôme officiel d'une durée de 9 mois et correspondant à 60 ECTS
Spécialisez-vous en IA, apprentissage automatique, apprentissage profond, traitement du langage naturel, vision par ordinateur et IA générative. Vous apprendrez grâce à une méthodologie en ligne flexible et travaillerez avec des outils tels que Python, TensorFlow, PyTorch, Scikit-learn et des environnements cloud afin d'appliquer l'intelligence artificielle à des projets concrets liés aux données, à l'automatisation et à la transformation numérique.
L'intelligence artificielle révolutionne tous les secteurs, créant une demande massive de professionnels capables de concevoir, de développer et de mettre en œuvre des solutions intelligentes qui apportent une réelle valeur ajoutée aux organisations.
Ce master universitaire en ligne en intelligence artificielle vous prépare, en seulement 9 mois, à diriger des projets de transformation numérique au sein d’entreprises telles qu’Avanade by Microsoft, Hispasat, Accenture, Telefónica et IBM. Tout au long du programme, vous combinerez les fondements techniques de l’intelligence artificielle, de la science des données et du machine learning avec le développement de projets appliqués à des défis réels rencontrés par les entreprises.
De plus, vous acquerrez de l’expérience dans les technologies cloud, la gestion et le traitement des données, les méthodologies MLOps, l’IA générative et la gestion agile de projets. Vous apprendrez ainsi à déployer des solutions d’intelligence artificielle de A à Z et à mettre en œuvre des modèles dans des environnements de production ayant un impact réel sur l’activité.
Travaillez avec la pile technologique la plus recherchée par les entreprises et acquérez une expérience pratique avec les outils utilisés dans de véritables projets d’intelligence artificielle. Tout au long du programme, vous apprendrez à développer des modèles de machine learning et de deep learning avec Python, TensorFlow, PyTorch et Scikit-learn, en appliquant des techniques avancées d’analyse de données, d’automatisation et d’intelligence artificielle.
De plus, vous travaillerez dans des environnements professionnels de développement et d’expérimentation tels que Google Colab et RStudio, ainsi qu’avec des technologies de traitement et de gestion des données comme Hadoop, Elasticsearch et Solr.
Ce master vous permettra également de développer des projets sur des plateformes cloud leaders du marché telles qu’AWS, Microsoft Azure et Google Cloud, vous préparant ainsi à concevoir, déployer et faire évoluer des solutions d’intelligence artificielle dans des environnements d’entreprise réels.
Tout cela grâce à une méthodologie pratique basée sur des cas d’utilisation actuels du Machine Learning, du traitement du langage naturel (NLP), de la vision par ordinateur et de l’IA générative, alliant des compétences techniques à des méthodologies agiles telles que Scrum pour relever de véritables défis métier.
Découvrez tous les outils avec lesquels vous vous formerez dans ce document.
Ce programme est conçu pour faire de vous un professionnel complet, prêt à relever n'importe quel défi. Vous développerez des compétences techniques avancées pour mettre en œuvre des solutions d'IA de bout en bout dans des environnements d'entreprise, en vous concentrant sur les axes suivants :
Analyse, traite et visualise les données afin d'en extraire des informations utiles et de faciliter la prise de décision au sein de l'entreprise.
Il développe des modèles prédictifs et des algorithmes capables d'automatiser des processus et de résoudre des problèmes complexes.
Elle utilise des réseaux neuronaux avancés pour relever des défis très complexes dans différents secteurs.
Conçoit des solutions capables de comprendre, d'interpréter et de générer du langage humain, des chatbots aux assistants intelligents.
Elle met en œuvre des solutions de reconnaissance d'images, de vidéo et de diagnostic visuel pour des applications dans les domaines de l'industrie, de la santé et de la sécurité.
Apprenez à utiliser les modèles génératifs pour créer du contenu, automatiser des tâches et développer de nouvelles applications d'IA.
Déployez, surveillez et optimisez des modèles d'intelligence artificielle dans des environnements cloud en suivant les bonnes pratiques MLOps.
Travaillez avec l'écosystème standard du secteur : Python, R, Scikit-learn, TensorFlow, PyTorch dans des environnements cloud tels que Google Colab.
Il applique des méthodologies agiles telles que Scrum, Lean et Kanban pour gérer et diriger des projets d'intelligence artificielle.
Maîtrisez les technologies les plus couramment utilisées dans les domaines de l'intelligence artificielle, de la science des données et du cloud, en travaillant avec des outils tels que Python, TensorFlow, PyTorch, Scikit-learn, Google Colab, RStudio, AWS, Azure, Google Cloud, Hadoop, Elasticsearch et Solr, à travers des cas pratiques axés sur des environnements réels.
Transformez votre façon de travailler avec l'intelligence artificielle générative. Ce micro-crédit vous permet d'utiliser des outils tels que ChatGPT, Copilot ou Gemini dans l'analyse d'informations, la création de contenu et la prise de décision, en intégrant des solutions innovantes de manière éthique et responsable dans des environnements professionnels réels.
Développez votre potentiel professionnel grâce à vos compétences en matière de leadership et de relations interpersonnelles. Ce micro-crédit vous donne les clés pour gérer des équipes, communiquer efficacement et résoudre des problèmes dans des environnements réels, en combinant des techniques de leadership personnel avec des outils pratiques de productivité et de collaboration.
Master en intelligence artificielle
Premier cours
PREMIÈRE PÉRIODE DE QUATRE MOIS
| Code | Matières | Caractère* | ECTS | ||||||
|---|---|---|---|---|---|---|---|---|---|
| SM142000 | L'IA dans le monde des affaires | OB | 6 | ||||||
L'IA dans le monde des affairesCódigo: SM142000 Imprimir Cours 1. Matière du premier semestre. Obligatoire. 6 crédits. Profesores
Objectifs ▪ RK3 : Expliquer la législation et la réglementation en vigueur dans le domaine de l'IA ▪ RK5 : Identifier les utilisations et les applications de l’IA ▪ RK6 : Interpréter le processus de création d’un modèle d’IA, ses différentes phases et sa mise en production ▪ RODS : Développer une communication efficace, le travail d’équipe, la réflexion analytique, la créativité et le leadership éthique dans une perspective transversale et en s’ inspiration claire tirée des principes et valeurs démocratiques, ainsi que des Objectifs de développement durable, afin d’évoluer avec intégrité dans un environnement professionnel ▪ Maîtrise les différentes étapes de la gestion d’un projet d’apprentissage et les outils les plus courants pour mener à bien cette tâche ▪ Met en œuvre les exigences légales et réglementaires dans le cadre d’un projet d’IA afin de garantir que sa mise en œuvre n’entraînera pas de problèmes de non-conformité pour l’ organisation ▪ Appliquer les réglementations relatives à l’utilisation des algorithmes d’IA ▪ Compétences de base : • L'étudiant découvrira les principaux cas d'utilisation et des exemples concrets d' application de l’IA dans le monde de l’entreprise, ainsi que les concepts de base pour exercer la fonction de data scientist au sein d’une organisation ▪ Compétences spécifiques : • Des concepts liés à une meilleure mise en œuvre des modèles analytiques et d’intelligence artificielle dans les domaines de la législation, de la gestion de projets, de bonnes pratiques de conception et d’économie comportementale, ainsi que de la gestion de projets d’analyse avancée. Description du contenu 1. L’intelligence artificielle dans le monde de l’entreprise : à titre d’introduction, nous verrons comment, tout d’abord, la mise à disposition de grandes quantités de données, ainsi que des des outils permettant leur traitement, ainsi que les modèles d’intelligence artificielle qui en découlent, ont complètement révolutionné les industries et le monde dans lequel nous vivons, et ce que cela a impliqué pour les différentes organisations et secteurs du monde des affaires 2. Gouvernance des données : nous explorerons et travaillerons, tant sur le plan théorique que pratique, les principaux concepts de gouvernance des données et de leur cycle de vie au sein de l’organisation, tant du point de vue de l’utilisateur que de celui du propriétaire des données propriétaire ou du responsable de la qualité et de la disponibilité des données. 3. BECO et conception : principes généraux de l’économie comportementale et de la conception orientée et leur importance dans la création et le développement de projets analytiques. 4. Gestion de projets : cycle de vie de la gestion de projets au sein de l’organisation. Concepts de planification, de gestion du temps, des équipes et des dépendances, ainsi que principes de la philosophie agile du développement de projets. 5. Aspects éthiques et juridiques : présentation des contextes et des réglementations qui concernent les modèles d’intelligence artificielle, principales initiatives législatives en cours et aspects éthiques à prendre en compte lors du développement de modèles. 6. MLOps : intégration de l’IA aux systèmes opérationnels : nous explorerons en comment intégrer efficacement le Machine Learning dans le monde de l’entreprise, tir parti des avantages du cloud pour déployer des modèles de manière évolutive, mettre en œuvre des pratiques DevOps pour une gestion efficace et tirer des enseignements de cas d’utilisation réels dans divers secteurs d’activité. Nous nous concentrerons également sur les dernières tendances en matière d’apprentissage automatique. Système et critères d’évaluation Dans l’espace de cours en ligne du cours/module, vous pourrez consulter en détail les activités que vous devez réaliser, ainsi que les dates de remise, les critères d’évaluation et les grilles d’évaluation de chacune d’entre . Votre note finale sera calculée selon le système d’évaluation suivant : 50 % de la note correspondra à celle que vous obtiendrez lors de l’évaluation continue. Pour cela, les éléments suivants seront pris en compte : Activités individuelles et/ou en groupe : elles sont incluses dans l'évaluation continue. L'examen final du cours/module représentera : 50 % de la note finale. Bibliographie De base : 1.- Daniel Kahneman Penser vite et lentement Penguin Books. 2011. ISBN : 9780141033570 2.- Ken Schwaber & Jeff Sutherland Le Guide Scrum Scrum.org. 2024. ISBN : 0000000000 3.- Zhamak Dehghani Data Mesh : créer de la valeur à grande échelle grâce aux données O'Reilly. 2022. ISBN : 1492092398 |
|||||||||
| SM142001 | Mathématiques et statistiques pour l'IA | OB | 6 | ||||||
Mathématiques et statistiques pour l'IACódigo: SM142001 Imprimir Cours 1. Matière du premier semestre. Obligatoire. 6 crédits. Profesores
Objectifs Connaissances - Reconnaître les théories statistiques les plus couramment utilisées dans les environnements d'IA. - Décrire les indicateurs utilisés pour l'étalonnage des modèles d'IA. Compétences - Appliquer les principes statistiques associés aux algorithmes d’IA les plus courants. - Détermine l'algorithme nécessaire pour traiter un cas d'IA. Compétences - Évalue de manière impartiale différentes solutions basées sur l'intelligence artificielle et choisit la plus efficace pour atteindre les objectifs fixés. - Évalue la qualité d’un modèle d’IA à l’aide d’indicateurs permettant de comparer différents algorithmes Description du contenu Unité 1 : Spécialisation en statistiques pour la description et l'analyse d'ensembles de données massifs. Unité 2 : Théorie de l'estimation Unité 3 : Prise de décision et classification statistique Unité 4 : Statistiques bayésiennes Unité 5 : Génération statistique de données : ensembles de données synthétiques et imputation des données manquantes Module 6 : Théorie des graphes complexes et ses applications à l'IA Système et critères d'évaluation Système d'évaluation 50 % de la note sera attribuée à l'évaluation continue (2 travaux pratiques dont la note finale correspondra à la moyenne des deux travaux). Les 50 % restants de la note proviendront de l'examen final. Session ordinaire Pour valider le cours lors de la session ordinaire, il faut obtenir une note finale (moyenne pondérée) supérieure ou égale à 5,0 sur 10, et en outre : La moyenne de toutes les activités (travaux pratiques) doit être égale ou supérieure à 5,0 sur 10 pour être prise en compte dans la moyenne avec l'examen. De même, la note de l'examen doit être égale ou supérieure à 5,0 sur 10 pour être prise en compte dans la moyenne avec les activités. Session extraordinaire Pour valider le cours lors de la session de rattrapage, il est nécessaire d’obtenir une note finale supérieure ou égale à 5,0 sur 10. Il faut rendre les travaux non validés lors de la session ordinaire, après avoir reçu les commentaires correspondants de la part de l’enseignant, ou bien ceux qui n’ont pas été rendus. Addendum Compétences fondamentales L'étudiant sera capable de comprendre les caractéristiques qui différencient le développement d'un modèle d'apprentissage supervisé à des fins explicatives ou prédictives, et en particulier les différences entre les métriques d'évaluation de ces deux types de modèles. Compétences spécifiques L'étudiant sera capable de comprendre à quels types de données et d'applications correspondent les différentes architectures, par exemple : les réseaux neuronaux ou les modèles basés sur des graphes. Bibliographie De base : 1.- Albert, Réka, et Albert-László Barabási Statistical mechanics of complex networks Reviews of modern physics 74.1 : 47. 2002. ISBN : 0034-6861 2.- Boccaletti, Stefano, et al. Réseaux complexes : structure et dynamique « Physics Reports » 424.4-5, p. 175-30. 2006. ISBN : 0370-1573 3.- Boccaletti, Stefano, et al. La structure et la dynamique des réseaux multicouches Physics Reports 544.1, pp. 1-122. 2014. ISBN : 00000-00000 4.- Euler, Leonhard. Leonhard Euler et les ponts de Königsberg Scientific American. 1953. ISBN : 0036-8733 5.- Gareth, J. ; Witten, D. ; Hastie, T. et Tibshirani, R. Une introduction à l'apprentissage statistique : avec des applications à R Springer. 2017. ISBN : 9788074350887 6.- Hastie, T. ; Tibshirani, R. et Friedman, J. « Les éléments de l'apprentissage statistique : exploration de données, inférence et prédiction (2e éd.) 2e éd. Springer. 2017. ISBN : 9780387848570 7.- Newman, Mark EJ. The structure and function of complex networks » SIAM Review 45.2. p. 167-256. 2003. ISBN : 0036-1445 8.- Partida, Alberto, Regino Criado et Miguel Romance Gestion des identités et des accès : résilience face aux risques intentionnels pour les plateformes IoT basées sur la blockchain Electronics 10.4 : 378. 2021. ISBN : 2079-9292 |
|||||||||
| SM142002 | Programmation et environnement de travail pour l'IA | OB | 6 | ||||||
Programmation et environnement de travail pour l'IACódigo: SM142002 Imprimir Cours 1. Matière du premier semestre. Obligatoire. 6 crédits. Profesores
Objectifs À travers les quatre modules pédagogiques de ce cours, l’objectif est de développer les compétences et les acquis d’apprentissage suivants : Conformément au rapport du MUIA, ce cours requiert les résultats suivants en matière de formation et d’apprentissage : En matière de connaissances ou de contenus (knowledge) : RK1 : Maîtrise des langages de programmation, des bibliothèques et des frameworks les plus utilisés dans le domaine de l’IA. En matière de compétences : RC3 : Maîtriser les différentes étapes de la gestion d’un projet d’apprentissage automatique ainsi que les outils les plus courants permettant de mener à bien cette tâche. RC5 : Adapte les différentes technologies et algorithmes disponibles pour les appliquer à la résolution de problèmes d’IA. En matière de compétences ou d'aptitudes (skills) : RS2 : Maîtrise l’utilisation des bibliothèques et des outils les plus courants dans le domaine de l’intelligence artificielle. ▪ Compétences de base : l’étudiant sera capable de comprendre le rôle joué par les bibliothèques et les environnements de programmation abordés dans le cours. ▪ Compétences spécifiques : l’étudiant sera capable d’utiliser les bibliothèques et les environnements de programmation abordés dans le cours. ▪ Résultats d'apprentissage : L'étudiant présentera les résultats d'apprentissage suivants : Un programme en Python utilisant les bibliothèques étudiées dans le module 2. Un programme en R utilisant les bibliothèques étudiées dans les modules 4 à 6. Ces deux programmes seront développés dans un environnement de développement intégré (EDA). Description du contenu Le premier module sera consacré à la découverte de Python en tant que l’un des langages de référence, non seulement pour les processus d’apprentissage automatique, mais aussi pour l’industrie en général. Nous approfondirons nos connaissances sur les principaux IDE utilisés et ferons un bref tour d’horizon du langage SQL, qui permet d’exploiter nos données. Le deuxième module explique les modules de base de Python qui constituent le fondement de la programmation en Python pour l’intelligence artificielle. Parmi ces modules spécialisés, on peut citer Pandas, Numpy et SciPy. De même, nous aborderons l’utilisation de bibliothèques de visualisation en Python telles que Matplotlib et Seaborn. Le troisième module présentera deux des principaux frameworks d’intelligence artificielle : SKLearn, axé sur les modèles traditionnels, et TensorFlow, davantage orienté vers l’apprentissage profond. Nous terminerons par une introduction au contrôle de version avec Git. Les quatrième, cinquième et sixième modules reprennent la structure des deux premiers, mais, cette fois-ci, en utilisant R comme langage de programmation, avec un accent particulier sur ses fonctionnalités natives et ses bibliothèques dédiées à l’analyse de données (dplyr, data.table) et à la visualisation, comme ggplot2. Système et critères d’évaluation Dans l’espace de cours en ligne du cours/module, vous pourrez consulter en détail les activités que vous devez réaliser, ainsi que les dates de remise, les critères d’évaluation et les grilles d’évaluation de chacune d’entre elles. Votre note finale sera calculée selon le système d’évaluation suivant : 50 % de la note proviendra des travaux à rendre (un en Python et un en R) L'examen final du cours représentera les 50 % restants de la note. Bibliographie Bibliographie de base : 1.- Chang, Winston R Graphics Cookbook O'Reilly Media. 2013. ISBN : 9781449316952 2.- Healy Kieran Data Visualization : A Practical Introduction Princeton University Press. 2019. ISBN : 9780691181622 3.- Luciano Ramalho Fluent Python : une programmation claire, concise et efficace 2e éd. O'Reilly. 2022. ISBN : 9781492056355 4.- Marc Lutz Apprendre Python : une programmation orientée objet puissante 6e éd. O'Reilly. 2025. ISBN : 9781098171308 5.- SAS Viya Référence des nœuds d'apprentissage automatique SAS Institute Inc. 2023. ISBN : 0000000000 6.- Wickham, Hadley ; Mine Çetinkaya-Rundel et Garrett Grolemund R for Data Science (2e éd.) O'Reilly Media. 2023. ISBN : 9781492097402 |
|||||||||
| SM142003 | Techniques d'IA : classifications et regroupements | OB | 6 | ||||||
Techniques d'IA : classifications et regroupementsCódigo: SM142003 Imprimir Cours 1. Matière du premier semestre. Obligatoire. 6 crédits. Profesores
Objectifs Le cours « Techniques d'IA : classification et regroupement » a pour objectif de dispenser une formation complète alliant des connaissances théoriques solides et des compétences pratiques applicables dans le domaine de l'intelligence artificielle. Parmi les objectifs spécifiques figurent la maîtrise des fondements théoriques des principales techniques de classification et de regroupement, telles que k-NN, SVM, Naive Bayes, K-means et DBSCAN, ainsi que la compréhension de l’ingénierie des caractéristiques (Feature Engineering) en tant que processus essentiel pour optimiser les performances des modèles d’IA. En outre, ce cours vise à familiariser les étudiants avec les outils et bibliothèques les plus couramment utilisés dans le domaine de l’IA, tels que Scikit-learn, Pandas et NumPy, afin qu’ils puissent appliquer ces connaissances à des problèmes concrets. En termes de compétences, l’étudiant sera capable d’évaluer et de sélectionner les algorithmes les plus appropriés pour résoudre des problèmes spécifiques de classification et de regroupement, de concevoir et d’exécuter des processus de Feature Engineering pour optimiser des ensembles de données, de mettre en œuvre des solutions pratiques à l’aide d’outils standard de l’industrie et d’analyser les résultats obtenus afin d’ajuster efficacement les modèles. La participation active à des projets collaboratifs et à des débats est également encouragée, favorisant ainsi la réflexion critique et la résolution créative de problèmes. L’évaluation du cours combinera l’acquisition de connaissances théoriques et les compétences pratiques. L’évaluation continue représentera 50 % de la note finale et inclura la participation active aux forums et aux débats, la résolution et la remise d’activités pratiques individuelles ou en groupe, ainsi que la réalisation de questionnaires et d’exercices d’auto-évaluation. Les 50 % restants de la note seront attribués à l’examen final, qui évaluera à la fois les connaissances théoriques et la capacité à les appliquer dans un contexte structuré. Pour valider le cours, il sera nécessaire d’obtenir une note minimale de 5 sur 10 dans les deux composantes de l’évaluation. Description du contenu Le cours « Techniques d’IA : Classifications et Regroupements » aborde les fondements théoriques et pratiques nécessaires à l’application de techniques avancées de classification et de regroupement dans le domaine de l’intelligence artificielle. Il est structuré en six modules essentiels qui couvrent les contenus suivants : Feature Engineering : introduction aux techniques de sélection et de génération de variables pour optimiser les modèles d’IA. Ce module explore les principes fondamentaux permettant de transformer et de préparer les données, améliorant ainsi l’efficacité des algorithmes. Classification avec les SVM (Support Vector Machines) : analyse des fondements théoriques et des applications pratiques des machines à vecteurs de support, une technique statistique clé pour la classification. Classification par les voisins les plus proches (k-NN) : étude de l’algorithme k-Nearest Neighbors, un outil essentiel pour la classification basée sur la proximité, en mettant l’accent sur sa mise en œuvre et ses applications pratiques. Classification avec Naive Bayes : présentation de la méthode probabiliste Naive Bayes, y compris ses fondements statistiques et son utilisation dans des scénarios réels de classification. Regroupement avec K-means : Présentation de cette méthode de regroupement très répandue, en mettant l’accent sur sa compréhension théorique, sa mise en œuvre pratique et ses applications. Regroupement avec DBSCAN (Density-Based Spatial Clustering of Applications with Noise) : introduction à l’algorithme de regroupement basé sur la densité, idéal pour traiter des ensembles de données complexes et bruités. Ces contenus ont été conçus pour offrir une compréhension approfondie et pratique des principales techniques de classification et de regroupement, en favorisant l’apprentissage actif à travers des activités et des projets. Système et critères d’évaluation Le système d’évaluation du cours « Techniques d’IA : classifications et regroupements » combine des activités pratiques et des évaluations des connaissances, dans le but de mesurer à la fois l’acquisition des compétences théoriques et la capacité à les appliquer dans des contextes réels. La note finale se compose de deux volets principaux : Évaluation continue (50 %) : elle comprend la participation active aux forums et aux débats, la remise dans les délais des exercices de feedback (1 et 2), ainsi que la réalisation de questionnaires ou d’exercices d’auto-évaluation. Ces activités permettent de consolider les concepts enseignés et d’évaluer les progrès de l’étudiant tout au long du cours. Examen final (50 %) : il s’agit d’une épreuve qui évalue à la fois les connaissances théoriques acquises et leur application à des problèmes pratiques. Pour valider le cours, l’étudiant doit obtenir une note minimale de 5 sur 10 tant à l’évaluation continue qu’à l’examen final. L’évaluation continue vise à encourager la participation active, le travail collaboratif et l’apprentissage pratique, tandis que l’examen final garantit que les connaissances essentielles ont été comprises et peuvent être appliquées efficacement. Addendum Le cours « Techniques d’IA : Classifications et regroupements » est dispensé en ligne, ce qui favorise la flexibilité dans l’apprentissage et permet aux étudiants d’organiser leur temps de manière autonome. Les sessions virtuelles, tant synchrones qu’asynchrones, sont conçues pour favoriser l’interaction entre les étudiants et l’enseignant, en encourageant un apprentissage actif et collaboratif. Supports pédagogiques : Les étudiants disposeront d’une variété de ressources, notamment des guides d’apprentissage, des contenus théoriques enrichis de liens et de bibliographie, des exercices d’auto-évaluation et des activités pratiques. L’ensemble du matériel sera disponible dans la classe virtuelle et pourra être consulté à tout moment. Durée et charge de travail : Le cours correspond à 6 crédits ECTS, répartis en 22 heures de cours en ligne et 18 heures de travaux dirigés. Ces heures s’ajoutent au temps consacré à l’étude personnelle et à la réalisation d’activités pratiques, ce qui garantit une formation complète. Soutien pédagogique : Le professeur sera disponible pour répondre aux questions et apporter son soutien par le biais de séances de tutorat hebdomadaires et du système de messagerie de la classe virtuelle. Les étudiants sont encouragés à utiliser ces canaux pour tirer le meilleur parti du cours. Bibliographie De base : 1.- Burger, Scott V. Introduction to Machine Learning with R O’Reilly. 2018. ISBN : 9781491976449 2.- Eric Matthes Python Crash Course (3e éd.) No Starch Press. 2023. ISBN : 9781593276034 3.- Fernández-Avilés, Gema Principes fondamentaux de la science des données avec R McGraw Hill. 2024. ISBN : 9788448636289 4.- Lantz, Brett Apprentissage automatique avec R (3e éd.) Packt Publishing Ltd. 2019. ISBN : 9781788295864 |
|||||||||
| SM142004 | Techniques d'IA : régressions, apprentissage profond et autres | OB | 6 | ||||||
Techniques d'IA : régressions, apprentissage profond et autresCódigo: SM142004 Imprimir Cours 1. Matière du premier semestre. Obligatoire. 6 crédits. Profesores
Objectifs En matière d'acquisition de connaissances, ce cours vise à permettre aux étudiants de comprendre les langages de programmation, les bibliothèques et les frameworks clés en intelligence artificielle, ainsi que les théories statistiques les plus couramment appliquées dans ce domaine. Ils devront également être capables de classer et de comparer différentes familles d'algorithmes et d'identifier leurs applications pratiques. En ce qui concerne l’acquisition de compétences, les étudiants doivent développer des aptitudes leur permettant d’évaluer des solutions basées sur l’intelligence artificielle et d’en déterminer l’efficacité. Ils doivent également être capables d’appliquer des technologies et des algorithmes pour résoudre des problèmes spécifiques et d’utiliser des techniques d’apprentissage profond pour relever des défis complexes. En ce qui concerne les critères d’évaluation, une participation active aux forums et aux débats est requise, ainsi que la réalisation et la remise de travaux individuels et collectifs. L’examen final représente 50 % de la note finale. Description du contenu Le cours s’articule autour de six modules. Le module consacré à la régression linéaire aborde ses fondements théoriques et ses applications pratiques pour identifier des relations linéaires et effectuer des prédictions. Le module consacré à la régression logistique traite des techniques de classification basées sur l’attribution de probabilités. Le module « Régressions Random Forest » présente l’utilisation des arbres de décision pour traiter des données non linéaires et explique comment les combiner afin d’obtenir des modèles plus précis et plus complexes. Le module « Deep Learning et LSTM » explore les réseaux neuronaux et les réseaux récurrents spécialisés dans les données séquentielles. Le module « Réseaux convolutifs » se concentre sur l’extraction de caractéristiques tridimensionnelles et son application à la vision par ordinateur. Enfin, le module « Apprentissage par renforcement » enseigne les techniques d’apprentissage basées sur les récompenses pour la prise de décision séquentielle. Système et critères d’évaluation Le système d’évaluation comprend une évaluation continue qui représente 50 % de la note finale et qui prend en compte la participation aux forums ainsi que la réalisation d’activités pratiques individuelles et en groupe. Les 50 % restants correspondent à l’examen final. En cas d’échec, la session de rattrapage permet de rattraper aussi bien les activités que l’examen, à condition d’avoir suivi les consignes et reçu les retours d’évaluation correspondants. Addendum Il est recommandé aux étudiants de tenir un journal de bord pour consigner leurs progrès et de participer activement aux cours en ligne, bien que ceux-ci soient également disponibles sous forme d’enregistrements pour consultation ultérieure. Les enseignants sont disponibles pour des séances de tutorat, qui peuvent être demandées par e-mail ou via la messagerie du campus virtuel. La bibliographie suggérée comprend des ouvrages sur les statistiques, la régression et l’apprentissage profond, rédigés par des auteurs reconnus dans les milieux universitaires et professionnels. Bibliographie De base : 1.- David W. Hosmer, Jr., Stanley Lemeshow, Rodney X. Sturdivant Applied Logistic Regression (3e éd.) Wiley. 2013. ISBN : 9780470582473 2.- Douglas C. Montgomery, Elizabeth A. Peck, G. Geoffrey Vining Introduction à l'analyse de régression linéaire Wiley. 2006. ISBN : 9780471754954 3.- Josh Patterson, Adam Gibson Deep Learning : une approche pratique O’Reilly. 2017. ISBN : 9781491914250 4.- Joseph M. Hilbe Modèles de régression logistique CRC Press. 2009. ISBN : 9781420075755 5.- Peter Bruce, Andrew Bruce et Peter Gedeck Statistiques pratiques pour la science des données 2e éd. Marcombo. 2022. ISBN : 9788426734433 6.- Sheldon M. Ross Introduction aux statistiques Reverté. 2007. ISBN : 9788429150391 |
|||||||||
| TOTAL: | 30 | ||||||||
DEUXIÈME PÉRIODE DE QUATRE MOIS
| Code | Matières | Caractère* | ECTS | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| SM142007 | Étalonnage, indicateurs et explicabilité des modèles d'IA | OB | 6 | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Étalonnage, indicateurs et explicabilité des modèles d'IACódigo: SM142007 Imprimir Cours 1. Matière du deuxième semestre. Obligatoire. 6 crédits. Profesores
Objectifs Comprendre l'importance de l'explicabilité des modèles d'IA Apprendre à expliquer les modèles d’IA avec la XAI à l’aide d’outils tels que SHAP ou d’autres solutions alternatives. Connaître et comprendre les principaux indicateurs associés aux modèles de régression Connaître et comprendre les principaux indicateurs associés aux modèles de classification Comprendre le déséquilibre des données et connaître les techniques de rééquilibrage Description du contenu 1. XAI : définition, concepts et propriétés 2. Stabilité 3. Introduction aux métriques des modèles d'IA 4. Indicateurs de performance des modèles de régression 5. Indicateurs de performance des modèles de classification 6. Données équilibrées Système et critères d'évaluation - Examen final du cours (70 % de la note). - Travail pratique (30 % de la note). Calendrier Cliquez sur ce lien pour obtenir le calendrier détaillé au format Excel
Bibliographie de base : 1.- Kuhn, M. et Johnson, K. Feature Engineering and Selection : A Practical Approach for Predictive Models Chapman and Hall/CRC. 2019. ISBN : 9781138079229 2.- Provost, F., & Fawcett, T. La science des données pour les entreprises : ce qu’il faut savoir sur l’exploration de données et la pensée analytique O'Reilly Media. 2013. ISBN : 9781449374266 Complémentaire : 3.- A. Barredo, N. Díaz-Rodriguez, J. Del Ser, A. Bennetot, S. Tabik, A. Barbado, S. García, S. Gil-Lopez, D. Molina, R. Benjamins, R. Chatila, F. Herrera « Explainable Artificial Intelligence (XAI) : concepts, taxonomies, opportunités et défis pour une IA responsable » Information Fusion (58) 82-115. 2020. ISBN : 15662535 4.- Iqbal H. Sarker Apprentissage automatique : algorithmes, applications concrètes et orientations de recherche SN Computer Science 2, 160. 2021. ISBN : 2662995X |
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| SM142008 | Stages universitaires en entreprise | OB | 6 | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Stages universitaires en entrepriseCódigo: SM142008 Imprimir Cours 1. Matière du deuxième semestre. Obligatoire. 6 crédits. Profesores
|
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| SM142009 | Mémoire de master | OB | 6 | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Mémoire de masterCódigo: SM142009 Imprimir Cours 1. Matière du deuxième semestre. Obligatoire. 6 crédits. Profesores
|
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| SM142010 | Apprentissage profond avancé et cas d'utilisation : environnements avec données | OB | 6 | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| SM142011 | Traitement du langage naturel (TLN) et IA générative | OB | 6 | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| TOTAL: | 30 | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
*Caractère : FB : Formation Basique, Ob : Obligatoire, Op : Optionnel
La principale raison pour laquelle UAX accueille des étudiants comme toi, c'est la possibilité de concilier vie personnelle, vie professionnelle et vie universitaire. Notre atout majeur réside dans une méthodologie sans barrières, centrée sur toi et sur ton envie d'apprendre.
En quoi consiste notre méthodologie ?
De plus, tu auras pleinement accès à notre campus de Madrid pour effectuer tes démarches administratives, obtenir des réponses à tes questions et profiter des installations qu’il met à ta disposition.
Notre diplôme est officiel, vérifié par le Conseil des universités et pleinement valable en Espagne, ainsi que dans l'Espace européen de l'enseignement supérieur.
Il est reconnu par les systèmes éducatifs d'Amérique latine, étant reconnu et approuvé par les différents ministères de l'éducation d'Amérique latine :
SENESCYT, MEN (MinEducation), SEP, Mescyt, entre autres.
Peuvent s'inscrire à ce master universitaire en intelligence artificielle les étudiants titulaires d'un diplôme dans l'une des filières suivantes ou équivalentes :
De plus, les étudiants titulaires des diplômes suivants pourront accéder au master en suivant des modules complémentaires de base :
La flexibilité du format en ligne, avec des espaces pour échanger
Passez vos examens en ligne où que vous soyez ou, si vous préférez, en présentiel dans nos sites agréés en Espagne et en Amérique latine, sous réserve de disponibilité et de capacité d'accueil.
De plus, en tant qu’étudiant d’UAX Online, tu auras accès à nos Campus Hubs, un réseau d’espaces physiques exclusifs où tu pourras étudier, consulter des bibliothèques, travailler dans des espaces de coworking et échanger avec d’autres étudiants. Car étudier en ligne ne signifie pas étudier seul.
Campus Hubs disponibles à : Alcobendas, Alcorcón, Valence San Vicente, Murcie, Barcelone, Malaga, Séville et Arganda.
Accès avec ta carte d’étudiant UAX, sous réserve de disponibilité et des horaires de chaque centre.
Claustre
Docteur cum laude en informatique de l'université de Salamanque, avec mention européenne. Professeur accrédité par l'ANECA. Plus de 20 ans d'expérience en tant qu'enseignant en TIC et directeur de mémoires de licence/master. Responsable du centre d'excellence DevSecOps chez Santander Digital Services. Vaste expérience dans la gestion et la mise en œuvre de projets logiciels.
Doctorant en finance et économie quantitative, titulaire d'un master en économie quantitative et en science des données. Certifié en gestion quantitative des risques (CQRM), il compte plus de 15 ans d'expérience dans l'enseignement. Ses recherches portent sur les systèmes dynamiques et stochastiques appliqués à l'économie et à la finance.
Responsable senior des données chez Ikea. Titulaire d'un master en analyse du Big Data et en intelligence artificielle. Vaste expérience dans le développement cloud, les plateformes de données, la gouvernance et le MLOps. Collaborations avec plusieurs équipes de recherche et activités d'enseignement dans des universités européennes.
Diplômée en ingénierie des télécommunications de l'Université polytechnique de Madrid et titulaire d'un master en apprentissage profond. Elle occupe actuellement le poste de spécialiste technique au sein du département Data&AI chez Microsoft.
Data Scientist chez IBM Espagne, spécialisé dans l'application d'algorithmes avancés pour la prévision de séries chronologiques et les modèles prédictifs, en utilisant des techniques de pointe telles que LSTM et Prophet pour l'analyse de données financières et industrielles. Il développe des solutions de Retrieval-Augmented Generation (RAG) pour améliorer la génération de réponses dans les systèmes GenAI, en optimisant l'accès aux informations pertinentes dans les modèles génératifs.
Ingénieur en informatique diplômé de l'Université polytechnique de Madrid. Plus de 20 ans d'expérience dans l'enseignement des TIC pour des entreprises et des universités. Membre de l'équipe DevSecOps de Santander Digital Services, où je coordonne et participe à la mise en place d'assistants conversationnels intégrés à des solutions d'IA prédictive et générative, telles que Google Dialogflow, Azure OpenAI ou AWS Bedrock.
Titulaire d'un doctorat en génie géomatique de l'Université polytechnique de Madrid, d'un master en prévention et gestion des catastrophes et d'un diplôme d'ingénieur industriel. Spécialisé dans l'apprentissage automatique, la géostatistique et les systèmes intelligents, il applique ces techniques à la recherche sur la vulnérabilité sismique et à la gestion des risques en milieu urbain.
Diplômé en mathématiques de l'université de Valence, avec une spécialisation en statistiques bayésiennes. Expérience dans le domaine de la science des données et de la modélisation statistique. Il occupe actuellement le poste de data scientist au sein du département de conseil de Management Solutions, où il mène des projets d'analyse avancée et de développement de modèles complexes pour le secteur financier.
Ingénieur industriel, titulaire d'un MBA et d'un master en science des données et analyse commerciale, avec plus de 20 ans d'expérience dans le conseil dans le secteur de l'énergie et des infrastructures. Il dirige actuellement l'unité d'analyse de données et de business intelligence chez SEURECA-VEOLIA et est doctorant dans le programme Technologies de l'information et de la communication.
Ingénieur en informatique et titulaire d'un Executive MBA, il possède plus de 15 ans d'expérience dans la direction de stratégies informatiques dans les secteurs pharmaceutique, industriel et de l'éducation. Expert en transformation numérique, ERP, CRM et analyse de données, il occupe actuellement le poste de directeur des systèmes d'information chez Alcaliber, où il pilote des projets mondiaux axés sur l'innovation et l'efficacité opérationnelle.
Diplômé en génie informatique de l'Université pontificale de Salamanque. Titulaire d'un master en gestion d'entreprise. Plus de 20 ans d'expérience dans le domaine informatique. Expert en conception d'environnements cloud performants. Il est responsable du Hub DevOps Europe chez Santander Digital Services.
Titulaire d'un doctorat en analyse de données de l'Université Complutense de Madrid. Elle travaille actuellement au sein de la Plateforme de biostatistique et d'épidémiologie de l'ISPA et collabore avec divers groupes de recherche biomédicale dans plusieurs hôpitaux en Espagne et en Europe.
Ingénieur en informatique diplômé de l'université de Huelva. Expérience dans les environnements DevOps et les architectures cloud. Spécialisé dans l'automatisation des déploiements, la gestion des accès et la conception d'infrastructures. Expérience dans la migration de systèmes sur site vers le cloud et dans la formation dans ce domaine.
Titulaire d'une licence en gestion d'entreprise, spécialisée en science des données et en Big Data. Forte de plus de 20 ans d'expérience dans le secteur bancaire, elle fait actuellement partie du département d'intelligence artificielle de Banco Santander, où elle dirige des initiatives mondiales en matière d'IA générative appliquée aux activités commerciales. Experte en analyse de données, CRM et intégration de systèmes, elle s'intéresse particulièrement à l'interface entre le monde des affaires et la technologie.
Bourses et aides financières pour étudier à l'UAX
Nous savons que les études constituent un investissement. C'est pourquoi nous souhaitons éliminer les obstacles financiers et vous faciliter la tâche. Remplissez le formulaire et découvrez, avec l'aide de nos conseillers, les bourses, les accords et les aides personnalisées qui correspondent le mieux à votre situation.
Si vous avez un bon dossier scolaire, nous souhaitons récompenser votre talent en vous offrant une bourse destinée aux nouveaux étudiants. (Hors licence de médecine).
*Conditions générales en attente de publication
Si l'un de vos proches (jusqu'au 2e degré) est inscrit à l'UAX, vous pouvez bénéficier d'une aide correspondant à 5 % du montant des frais de scolarité. Parce qu'étudier en famille, c'est encore mieux.
Suivre deux cursus en parallèle est un véritable défi, et nous souhaitons vous accompagner. Si vous êtes déjà inscrit à l'UAX et que vous vous inscrivez à un deuxième cursus, vous bénéficierez d'une aide pour vos frais de réservation et d'inscription.
Si vous avez obtenu votre diplôme à l'UAX et que vous envisagez aujourd'hui de suivre un nouveau cursus, nous souhaitons continuer à vous accompagner. C'est pourquoi nous vous proposons une aide correspondant à 10 % du montant des frais de scolarité.
Si vous êtes un sportif de haut niveau, chez UAX, nous souhaitons vous aider à concilier votre passion et vos études. Nous vous proposons des aides spécifiques pouvant aller jusqu’à 50 % du montant de vos frais d’inscription.
Si vous avez déjà décidé de franchir le pas, formalisez votre inscription à l'avance et bénéficiez d'une aide directe. Une façon de récompenser votre engagement et de planifier votre avenir en tirant parti de cet avantage.
Programme d'attraction des talents de la recherche pré-doctorale
Soutien financier destiné aux étudiants exceptionnels souhaitant mener des recherches innovantes et contribuer à l'avancement des connaissances dans leurs disciplines.
2025, 2e édition
Aides destinées aux étudiants en formation professionnelle supérieure, en licence, en master ou en troisième cycle inscrits dans des universités espagnoles ayant conclu un accord avec Santander. Une aide financière pour vous soutenir pendant la durée de vos stages professionnels.
Si tu souhaites poursuivre ta formation chez nous et passer d'un cycle de formation professionnelle à un cursus de licence, d'une licence à une autre ou d'une licence à un master, nous t'accompagnons en t'offrant une aide pouvant aller jusqu'à 25 % du coût des frais de scolarité.
Étudiants équatoriens
Programme destiné aux personnes de nationalité équatorienne et/ou résidant en Équateur qui souhaitent suivre un master en ligne en Espagne. La bourse offre une réduction de 50 % sur le coût total des frais de scolarité.
Étudiants d'Amérique latine
Programme destiné aux citoyens ibéro-américains ou aux étrangers résidant légalement dans les pays relevant de la sphère d'influence de l'OEI. La bourse couvre une réduction de 50 % sur le coût total des frais de scolarité.
Ministère de l'Éducation, de la Formation professionnelle et des Sports
Découvrez les informations relatives aux bourses et aides proposées par le ministère de l'Éducation, de la Formation professionnelle et des Sports, en fonction des différents types et niveaux d'enseignement.
C'est ce qu'indiquent les classements
L'université Alfonso X el Sabio (UAX) figure parmi les meilleures universités d'espagne selon les classements les plus réputés.
L'UAX obtient la note maximale de 5 étoiles et la mention "Excellent" pour l'employabilité, l'enseignement, le développement académique, les installations, l'enseignement en ligne et la bonne gouvernance dans le prestigieux classement international QS Stars.
Selon la liste Forbes 2025, l'UAX figure dans le TOP 2 des universités espagnoles pour l'adoption de l'IA générative dans la formation de ses étudiants, en développant des outils et des modèles d'apprentissage innovants alignés sur l'évolution technologique.
L'UAX est reconnue comme la deuxième université la plus innovante d'Espagne, la seule fac privée parmi les trois premières du classement. Cette reconnaissance souligne notre engagement transversal en faveur de l'intelligence artificielle et de la formation en matière de durabilité.
Forbes classe l'UAX comme l'université privée dont le plus grand nombre de diplômés travaillent dans sa région (près de 90 %), grâce à un modèle éducatif unique fermement lié au marché du travail par le biais de plus de 8 800 accords avec des entreprises.
Le prestigieux classement de la Fondation BBVA et de l'IVIE nous reconnaît comme l'université avec la meilleure insertion professionnelle en Espagne en 2023, consolidant ainsi notre modèle axé sur l'employabilité réelle de nos diplômés.
L'Institut Coordenadas de gouvernance et d'économie appliquée place l'UAX comme l'université privée de référence à Madrid, mettant en avant notre modèle de formation pratique aligné sur la réalité du marché.
Le master universitaire en intelligence artificielle vous prépare à concevoir, développer et mettre en œuvre des solutions basées sur l'intelligence artificielle, l'apprentissage automatique et l'IA générative dans des environnements professionnels. Vous acquerrez les compétences techniques et stratégiques nécessaires pour accéder à certains des postes les plus recherchés par les entreprises.
Oui. Le master universitaire en intelligence artificielle de l'UAX est un diplôme officiel, validé par le Conseil des universités et pleinement reconnu en Espagne et au sein de l'Espace européen de l'enseignement supérieur (EEES).
De plus, il est reconnu dans de nombreux pays d'Amérique latine et peut être reconnu ou homologué par les organismes éducatifs compétents, conformément à la réglementation en vigueur dans chaque pays.
Le master universitaire en intelligence artificielle dure 9 mois ; ce programme est conçu pour vous permettre d'acquérir une vision complète de domaines tels que la science des données, l'apprentissage automatique, l'apprentissage profond, l'IA générative, le MLOps et le cloud en moins d'un an.
Au cours de cette période, vous combinerez formation technique, projets appliqués et stages professionnels afin de développer les compétences les plus recherchées sur le marché du travail dans le domaine de l'intelligence artificielle.
Oui. Le master en intelligence artificielle en ligne de l'UAX s'appuie sur une méthodologie flexible, conçue pour vous permettre de concilier cette formation avec votre vie professionnelle et personnelle. Vous aurez accès à des cours en direct, à des contenus disponibles 24 h/24 et 7 j/7, à un campus virtuel, à des activités pratiques, à des ressources multimédias ainsi qu’à un suivi assuré par l’équipe pédagogique et les tuteurs.
La formation est axée sur un apprentissage actif, avec des études de cas, des projets et des évaluations adaptés à l'environnement en ligne, afin que vous puissiez progresser de manière progressive et mettre en pratique les connaissances acquises dans des contextes réels. La méthodologie en ligne de l'UAX comprend des cours en direct, un campus virtuel, un accompagnement personnalisé, une évaluation continue et des ressources multimédias.
Le master universitaire en ligne en intelligence artificielle vous permettra de maîtriser les techniques d'IA les plus recherchées par les entreprises, telles que :
De plus, en étudier l’intelligence artificielle , vous vous familiariserez avec des méthodologies agiles telles qu’Agile, SCRUM, Lean et Kanban, ce qui vous préparera à travailler au sein d’équipes hautement performantes.
Dès le premier jour, tu seras en contact avec le monde de l'entreprise grâce à des ateliers, des sessions pratiques et des stages au sein d'entreprises leaders du secteur technologique telles qu'Avanade by Microsoft, Hispasat, Accenture, Telefónica ou IBM, entre autres.
Oui. Vous apprendrez les principes fondamentaux et les applications de l'IA générative, en travaillant avec des modèles capables de générer du contenu, d'automatiser des processus et de résoudre des défis professionnels concrets.
Ce master vous prépare à occuper des postes tels que Data Scientist, ingénieur en apprentissage automatique, développeur en IA, spécialiste en IA générative, spécialiste en traitement du langage naturel (NLP), ingénieur en vision par ordinateur, ingénieur MLOps, consultant en IA, chef de produit IA ou chef de projet IA.
Oui. Le master combine la réalisation de projets appliqués et des stages en entreprise (6 ECTS | 150 heures), obligatoires sauf s'ils peuvent être validés par une expérience professionnelle.
Les stages se déroulent au cours du deuxième semestre et vous permettent de mettre en pratique les connaissances acquises dans des environnements professionnels réels, sous la supervision d'un tuteur académique et d'un tuteur d'entreprise. De plus, vous aurez accès à des opportunités au sein d'organisations de référence telles qu'Avanade by Microsoft, Hispasat, Accenture, Telefónica ou IBM.
L'intelligence artificielle englobe les systèmes capables d'effectuer des tâches qui requièrent une intelligence humaine. L'apprentissage automatique permet à ces systèmes d'apprendre à partir de données. L'apprentissage profond est une branche de l'apprentissage automatique qui s'appuie sur des réseaux neuronaux avancés pour résoudre des problèmes plus complexes.
Nous avons besoin d'en savoir un peu plus sur vous afin de pouvoir vous offrir un service personnalisé.
Tous les champs sont obligatoires
Autres diplômes connexes
Notre offre de formation est très variée ; tu trouveras certainement un programme qui te correspond.
Master en jumeaux numériques et IA pour l'industrie (en ligne)
En collaboration avec:
Début:
Octobre
Durée:
9 mois
Master en ligne en cybersécurité
Début:
Octobre
Durée:
9 mois
Master universitaire en ligne en Big Data pour les entreprises
Début:
Octobre
Durée:
9 mois
Master en ligne en gestion et administration des entreprises (MBA)
Début:
Octobre
Durée:
9 mois
Master en ligne en organisation et gestion de projets
Début:
Octobre
Durée:
9 mois
Master en prévention des risques professionnels (en ligne)
En collaboration avec:
Début:
Octobre
Durée:
9 mois
Máster Universitario Online en Marketing Digital
Début:
Octobre
Durée:
9 mois
Master en ligne en énergies renouvelables
Début:
Octobre
Durée:
9 mois
Master en cybersécurité
Début:
Octobre
Durée:
9 mois
Demandes de renseignements, réclamations et plaintes
Nous répondons aux attentes réelles de nos étudiants et de nos collaborateurs, car nous croyons en l'amélioration continue des résultats. C'est pourquoi nous sommes toujours à l'écoute de tout ce que vous souhaitez nous dire.
Si vous faites déjà partie de l'UAX, rendez-vous sur lecampus virtuel , dans la rubrique « Service client : réclamations, suggestions et félicitations », en saisissant votre identifiant et votre mot de passe.