Orientation machine learning

[arnnaut]

Bonjour,

Je suis en période de candidature et j'aurais besoin de conseils en ce qui concerne les formations en IA / machine learning. Je viens de finir ma licence de maths et le mooc Deep Learning d'Andrew Ng. Je voudrais me diriger dans ce domaine et je ne sais pas quelle formation choisir.
J'ai été accepté dans 3 masters : Maths et applications de l'upmc, Maths/modélisation de Paris Descartes et enfin Maths et interactions de l'uvsq.
J'aurais aimé avoir votre avis en ce qui concerne les débouchés de ces masters. Comme Descartes et l'uvsq font partie de Saclay, est-ce plus avantageux ? (par exemple pour le M2 MVA)
Quelle formation privilégier ?

Merci de vos conseils
-----

[lapuyade]

Bonjour,
"Maths et applications de l'upmc", c'est le master que j'ai fait (il me semble que c'est toujours Mme Godlewski qui le dirige). C'est un excellent master avec des débouchers; par contre il est plutôt sélectif. Actuellement, je suis d'ailleurs MCF à Rouen après une thèse de doctorat en statistique et divers post-docs et je travaille sur des méthodes de type "machine learning". Par contre, un avis (ceci est bien sûr mon avis); je pense qu'il ne faut pas se spécialiser tout de suite dans votre cursus en machine learning. D'une part, les méthodes en IA sont tellement de plus en plus performantes que je pense que d'ici quelques années tout sera fait (sauf la théorie: exemple, convergence des réseaux neuronaux vers la solution etc...). D'autre part, les machines learners actuels pour la plupart, ont des connaissances mathématiques tout de même restreintes (bien sûr, ils touchent en informatique); ce manque de background en mathématiques ne permettra pas aux machine learners actuels de répondre aux pb mathématiques derrière par exemple la convergence, etc... Pour moi, l'avenir est que le machine learning ouvre la voie à de nouveaux théorèmes répondant aux problématiques théoriques; ce qui ne peut être fait que par des mathématiciens. Les machine learners les meilleurs se contentent de créer de nouveaux algorithmes (réseaux de neurones multicouches, etc...) sans se plonger sérieusement sur le fonctionnement théorique (qui nécessite des connaissances en processus stochastiques, calcul martingal, ou certainement ce genre de domaine). Quant aux plus mauvais machines learners (la plupart); c'est utilisation de librairies déjà toute faites et réglage arbitraire des paramètres. L'utilisation du machine learning dans quelque années aura atteint son asymptote (quand un algorithme donne 99.99999% de fiabilité, est-ce vraiment sérieux d'en créer un donnant 99.999991%).
Pour ce qui vous concerne, je vous conseille après votre master de faire une thèse en analyse numérique ou utilisant des méthodes d'analyse numérique (CIFRE chez Thales par exemple); cela vous donnera un nettement meilleur niveau que de faire une thèse "machine learning".
Ainsi, obtenez un bon voire excellent niveau en mathématique et après si vous aimez le machine learning, tentez d'obtenir un poste vous permettant d'utiliser vos connaissances mathématiques en IA. Après, tout dépend ce que vous aimez: la théorie ou l'appliqué. Sachez que le trop appliqué et expérimental peut être frustrant si vous êtes passionnés par les mathématiques: la seule science où on exige des preuves exactes et non du " à ouai, on voit sur un jeu "ultra représentatif" de 100 données que notre méthode marche mieux).
Espérons vous avoir aidé dans votre orientation.
Débouchés du master de l'UPMC: la recherche fonda, les entreprises telles que Thales; GE, SNCF, Michelin, les banques et assurance. Aucun de mes camarades se sont retrouvé au chômage.
J. Lapuyade

[arnnaut]

Merci pour cette longue réponse et tous ces précieux conseils. Avant d'avoir vu votre message, je m'étais déjà décidé pour l'UPMC et vous me confortez donc dans mon choix. Je vous remercie encore pour cela. Je garderai ces éléments en tête lors de mes futurs choix.