Département Génie Mathématiques Appliquées et Modélisation
Imène Mejri
Directeur de département
Description
Staff Académique
Filières
Nom & Prénom
Email
Grade
Adnene
Elyacoubi
adnene.elyacoubi@gmail.com
Maître assistant
Dorra
Drissi
drissi.dorra1@gmail.com
Maître assistant
Maher
Berzig
maher.berzig@gmail.com
Maître de conférences
M2-Data Science
Durée
1 an (M2)
🎯 Objectifs de la formation
Le Mastère de Recherche Data Science à l’ENSIT vise à former des experts et des chercheurs de haut niveau capables de comprendre, de concevoir et de mettre en œuvre des solutions complexes basées sur l’analyse de données massives (Big Data).
Objectifs spécifiques : • Approfondissement Théorique : Fournir une base solide en mathématiques (statistiques inférentielles, algèbre linéaire, calcul stochastique) et en informatique fondamentale (algorithmique avancée, architectures distribuées).
• Maîtrise des Technologies Avancées : Former les étudiants à l’utilisation des frameworks et outils les plus récents pour le traitement du Big Data et le Machine Learning profond.
• Développement de l’Esprit Critique et de Recherche : Apprendre aux étudiants à lire, comprendre et critiquer les articles scientifiques de pointe, à identifier les limites des méthodes existantes et à proposer des voies d’amélioration.
• Préparation au Doctorat : Ce mastère est la voie privilégiée pour poursuivre en thèse de doctorat, incluant la rédaction d’un mémoire de recherche substantiel.
• Résolution de Problèmes Complexes : Former à modéliser des problèmes business ou de recherche réels, multidisciplinaires, en problèmes de data science pouvant être résolus algorithmiquement.
🛠️ Compétences visées
🧐 Évaluer
de manière critique les architectures techniques, les performances des modèles de Machine Learning et les articles scientifiques pour choisir la méthodologie la plus robuste.
⚙️ Concevoir & développer
des pipelines de données complets (ETL) et des modèles prédictifs avancés (Deep Learning) pour résoudre des problèmes business ou de recherche complexes.
📊 Analyser & interpréter
des résultats complexes de modélisation statistique et d’apprentissage automatique pour en extraire des insights actionnables et valides scientifiquement.
🚀 Mettre en œuvre
des algorithmes de Big Data (Spark) et des librairies de Machine Learning (TensorFlow, PyTorch) dans des environnements de production pour traiter des données massives.
🧮 Expliquer & formaliser
les concepts théoriques fondamentaux (mathématiques, statistiques, algorithmiques) qui sous-tendent les méthodes de Data Science et de Deep Learning.
🎤 Présenter & défendre
oralement et par écrit, auprès d’un public expert ou non, les résultats d’une analyse ou les spécifications d’une solution technique.
🎓 Débouchés professionnels
🎓 Doctorat (PhD) Poursuite en thèse en Tunisie, France, Canada ou à l’international pour devenir chercheur ou enseignant-chercheur.
📊 Data Scientist Senior Lead Data Scientist : concevoir les stratégies ML et implémenter les algorithmes les plus innovants.
🔬 Research Scientist / Chercheur IA Dans les laboratoires de R&D des grandes entreprises ou startups pour repousser les limites de l’état de l’art.
🏗️ Data Architect & ML Engineer Concevoir l’architecture technique des plateformes de données et assurer le déploiement des modèles en production.
💼 Consultant Expert Data & IA Conseiller de grandes entreprises sur leur stratégie data et IA dans des cabinets de conseil spécialisés.
🏛️ Secteur Public & Académique Enseignant-chercheur (après doctorat), chef de projet data dans des institutions publiques ou organismes de recherche.
📋 Conditions d’accès en M2
Diplôme d’Ingénieur en génie mathématiques appliquées et modélisation
Diplôme d’ingénieur en informatique
M1 en mathématique ou informatique
Diplôme d’ingénieur en génie industriel ou équivalent
Ingénieur en Génie Mathématiques Appliquées et Modélisation
⏱️ Durée
3 ans
🎯 Objectifs de la formation
La formation vise à former des ingénieurs capables de modéliser, analyser et résoudre des problèmes complexes issus des systèmes industriels, technologiques et scientifiques, en s'appuyant sur les mathématiques appliquées, la modélisation, la simulation et les outils numériques avancés.
📚 Tronc commun (4 semestres)
Le tronc commun vise à consolider les bases scientifiques et techniques en :
Mathématiques appliquées et modélisation numérique
Probabilités et statistiques
Analyse et optimisation
Informatique scientifique et programmation
Électrotechnique, automatique et traitement du signal
Bases de la fiabilité et de la maintenance industrielle
Département Génie Mathématiques Appliquées et Modélisation
Imène Mejri
Directeur de département
M2-Data Science
Durée
1 an (M2)
🎯 Objectifs de la formation
Le Mastère de Recherche Data Science à l’ENSIT vise à former des experts et des chercheurs de haut niveau capables de comprendre, de concevoir et de mettre en œuvre des solutions complexes basées sur l’analyse de données massives (Big Data).
Objectifs spécifiques :
• Approfondissement Théorique : Fournir une base solide en mathématiques (statistiques inférentielles, algèbre linéaire, calcul stochastique) et en informatique fondamentale (algorithmique avancée, architectures distribuées).
• Maîtrise des Technologies Avancées : Former les étudiants à l’utilisation des frameworks et outils les plus récents pour le traitement du Big Data et le Machine Learning profond.
• Développement de l’Esprit Critique et de Recherche : Apprendre aux étudiants à lire, comprendre et critiquer les articles scientifiques de pointe, à identifier les limites des méthodes existantes et à proposer des voies d’amélioration.
• Préparation au Doctorat : Ce mastère est la voie privilégiée pour poursuivre en thèse de doctorat, incluant la rédaction d’un mémoire de recherche substantiel.
• Résolution de Problèmes Complexes : Former à modéliser des problèmes business ou de recherche réels, multidisciplinaires, en problèmes de data science pouvant être résolus algorithmiquement.
🛠️ Compétences visées
de manière critique les architectures techniques, les performances des modèles de Machine Learning et les articles scientifiques pour choisir la méthodologie la plus robuste.
des pipelines de données complets (ETL) et des modèles prédictifs avancés (Deep Learning) pour résoudre des problèmes business ou de recherche complexes.
des résultats complexes de modélisation statistique et d’apprentissage automatique pour en extraire des insights actionnables et valides scientifiquement.
des algorithmes de Big Data (Spark) et des librairies de Machine Learning (TensorFlow, PyTorch) dans des environnements de production pour traiter des données massives.
les concepts théoriques fondamentaux (mathématiques, statistiques, algorithmiques) qui sous-tendent les méthodes de Data Science et de Deep Learning.
oralement et par écrit, auprès d’un public expert ou non, les résultats d’une analyse ou les spécifications d’une solution technique.
🎓 Débouchés professionnels
Poursuite en thèse en Tunisie, France, Canada ou à l’international pour devenir chercheur ou enseignant-chercheur.
Lead Data Scientist : concevoir les stratégies ML et implémenter les algorithmes les plus innovants.
Dans les laboratoires de R&D des grandes entreprises ou startups pour repousser les limites de l’état de l’art.
Concevoir l’architecture technique des plateformes de données et assurer le déploiement des modèles en production.
Conseiller de grandes entreprises sur leur stratégie data et IA dans des cabinets de conseil spécialisés.
Enseignant-chercheur (après doctorat), chef de projet data dans des institutions publiques ou organismes de recherche.
📋 Conditions d’accès en M2
📚 Documents
Plan d’études
Brochure du Mastère
Ingénieur en Génie Mathématiques Appliquées et Modélisation
⏱️ Durée
3 ans
🎯 Objectifs de la formation
La formation vise à former des ingénieurs capables de modéliser, analyser et résoudre des problèmes complexes issus des systèmes industriels, technologiques et scientifiques, en s'appuyant sur les mathématiques appliquées, la modélisation, la simulation et les outils numériques avancés.
📚 Tronc commun (4 semestres)
Le tronc commun vise à consolider les bases scientifiques et techniques en :
📋 Plans d'études Tronc commun
1ère année GMAM
2ème année GMAM
Cette formation polyvalente prépare les étudiants à l'approfondissement dans l'une des deux options de spécialisation.
🔹 Options de 3ᵉ année
📡 Option Traitement du Signal (TS)
de traitement numérique du signal
et filtrage
expérimentales
télécoms, contrôle, instrumentation
🔧 Option Fiabilité et Maintenance (FM)
des systèmes industriels
préventive, conditionnelle, prédictive
sûreté de fonctionnement
gestion de la maintenance
📚 Plans d'études Options
3ᵉ ING GMAM - Option TS
3ᵉ ING GMAM - Option FM