Aller au contenu principal

M2 Économétrie Statistiques | Parcours Econométrie et Data Science (EDS)

master97.png
master97.png

Modalité d’enseignement : Formation initiale ou Formation continue

Lieu : Marseille

Type de diplôme : Master

Durée des études : 2 ans

Niveau de sortie : Bac+5

Langue(s) : Anglais

Département : Aix-Marseille School of Economics

 

  • Objectifs

    Il s'agit d'un parcours en Data Science construit sur de solides bases statistiques et économétriques. Les étudiants apprendront à coder et à appliquer des techniques d'apprentissage automatique (machine learning) ainsi qu'à interpréter et à communiquer les résultats de leurs projets scientifiques. Les étudiants pourront ainsi contribuer à l'élaboration de réponses pertinentes et robustes aux questions que les entreprises et les administrations peuvent se poser dans leur prise de décision.

    Au-delà d'une solide connaissance des méthodes économétriques et d'apprentissage automatique et de leurs conditions d'utilisation, les étudiants seront formés à leur mise en œuvre sur des données réelles et à la présentation des résultats, sous forme orale ou écrite, à des publics variés. Les étudiants seront formés à l'utilisation de l'anglais dans tout contexte professionnel : converser en anglais, utiliser un vocabulaire technique, comprendre une documentation et des articles, rédiger en anglais.

    A la fin du M2, nos étudiants auront acquis les compétences techniques pour gérer et analyser des ensembles de données massives, les soft skills pour communiquer, et ainsi être en mesure de poursuivre des carrières professionnelles en tant que Data Scientists ou Data Analysts. La pédagogie est basée sur la réalisation de projets. La capacité d'analyse de l'étudiant dans un contexte professionnel, et donc son employabilité, est développée par un stage de fin d'études, complété par la rédaction et la présentation d'un rapport. Le parcours est ouvert à "alternance/apprentissage " ; dans ce cas, les étudiants alternent entre cours à l'université et travail en entreprise.

    Compétences professionnelles visées à la fin du M2 :

    • Savoir manipuler, analyser et interpréter les données à l'aide de techniques d'apprentissage automatique (machine learning) et de méthodes économétriques de pointe, quelle que soit leur nature (par exemple, des données quantitatives, qualitatives ou non structurées telles que du texte et des images) ou leur taille.
    • Être compétent dans divers langages de programmation (tels que Python et R) et applications de science des données (telles que les visualisations de tableaux de bord), afin de pouvoir s'adapter rapidement à tout environnement professionnel.
    • Choisir de manière autonome les meilleurs outils d'apprentissage automatique pertinents et les mettre en œuvre afin d'obtenir des réponses fiables et robustes qui contribuent à la création de valeur pour l'entreprise ou fournissent des analyses utiles aux administrations publiques ou privées dans la conduite de leurs actions.
    • Communiquer clairement à l'oral et à l'écrit les résultats de vos analyses quantitatives à des publics variés tels que des chefs d'entreprise non spécialistes ou des data scientists professionnels.

     

  • Enseignements

    Les enseignements se déclinent selon deux programmes : formation classique et option Magistère

    Master 2 Economie Parcours Econométrie, Big Data, Statistique (EBDS) - Formation classique (60 crédits)

    • Semestre 3 M2 Economie Parcours Econométrie, Big Data, Statistique (EBDS) - Formation classique (30 crédits)
    • Econométrie avancée I : théorie et applications (6 crédits)
      • Méthodes non paramétriques en économétrie
      • Méthodes de réduction de l'information
    • Econométrie avancée II : théorie et applications (6 crédits)
      • Méthodologie des études économétriques et statistiques
      • Économétrie approfondie
    • Langages, logiciels et outils pour les big data (6 crédits)
      • Programmation pour les big data
      • Logiciels pour les big data
    • Machine learning : théorie et applications (6 crédits)
      • Méthodes de prévision
      • Machine learning et statistical learning
    • Applications des big data : unités d'enseignement optionnelles, 2 UE à choisir parmi 4 (6 crédits)
    • Big data et marketing quantitatif (3 crédits)
      • Big data et marketing quantitatif
    • Big data et finance (3 crédits)
      • Big data et finance
    • Big data : autres applications (3 crédits)
      • Big data : autres applications
    • Big data et économie (3 crédits)
      • Big data et économie
    • Semestre 4 M2 Economie Parcours type Econométrie, Big Data, Statistique (EBDS) - Formation classique (30 crédits)
    • Modèles non linéaires et multivariés : théorie et applications (9 crédits)
      • Modèles de transitions et de durées
      • Modèles pour variables tronquées et censurées
      • Séries temporelles multivariées et non linéaires
    • Stage de fin d'études avec rapport et soutenance (21 crédits)

    Master 2 Economie Parcours Econométrie, Big Data, Statistique (EBDS) - Option Magistère (72 crédits)

    • Semestre 3 M2 Economie Parcours Econométrie, Big Data, Statistique (EBDS) - Option Magistère (36 crédits)
    • Econométrie avancée I : théorie et applications (6 crédits)
      • Méthodes non paramétriques en économétrie
      • Méthodes de réduction de l'information
    • Econométrie avancée II : théorie et applications (6 crédits)
      • Méthodologie des études économétriques et statistiques
      • Économétrie approfondie
    • Projet de fin d'études (6 crédits)
    • Big data III (6 crédits)
      • Outils des big data (Hadoop, Hive, Spark)
      • Machine learning avancé
    • Machine learning : théorie et applications (6 crédits)
      • Méthodes de prévision
      • Machine learning et statistical learning
    • Applications des big data : unités d'enseignement optionnelles, 2 UE à choisir parmi 4 (6 crédits)
    • Big data et marketing quantitatif (3 crédits)
      • Big data et marketing quantitatif
    • Big data et finance (3 crédits)
      • Big data et finance
    • Big data : autres applications (3 crédits)
      • Big data : autres applications
    • Big data et économie (3 crédits)
      • Big data et économie
    • Semestre 4 M2 Economie Parcours type Econométrie, Big Data, Statistique (EBDS) - Option Magistère (36 crédits)
    • Big data IV (6 crédits)
      • Gestion des big data avec SAS
      • Projet
    • Modèles non linéaires et multivariés : théorie et applications (9 crédits)
      • Modèles de transitions et de durées
      • Modèles pour variables tronquées et censurées
      • Séries temporelles multivariées et non linéaires
    • Stage de fin d'études avec rapport et soutenance (21 crédits)
  • Syllabi des enseignements

  • Admission - Deuxième année

    Qui peut postuler ?

    Avoir deux enseignements d’économétrie validés.

    Avoir suivi des enseignements : de statistiques (estimation, tests, intervalles de confiance) et d’économétrie des modèles linéaires et non linéaires. Des enseignements de logiciels statistiques et économétriques et langages de programmation.

    Le M1 du master Economie du département AMSE de la Faculté d'économie et de gestion d’Aix-Marseille Université offre un accès privilégié à ce parcours. Des entrées parallèles en M2 peuvent toutefois être envisagées pour les étudiants ayant validé 60 crédits de niveau M1 Economie dans un parcours à forte dominante quantitative.

    Comment postuler ?

    Candidatez au moment des admissions sur la plateforme dédiée.

  • Informations pratiques

    A la fin de l’année, les étudiants effectuent un stage et écrivent un rapport de stage de Master. L’objectif du rapport est de faire la preuve de la capacité de mobilisation des outils conceptuels acquis à des questions émanant du monde professionnel. L’étudiant doit donc identifier la question, mettre en œuvre les outils, et savoir communiquer les résultats à un public tant professionnel qu’académique. L’encadrement est assuré par un universitaire et un maître de stage (membre de l’entreprise). Le rapport est soutenu devant un jury constitué du responsable académique, du maître de stage et deux autres personnes reconnues pour leur compétence (dont au moins un universitaire).

    Chaque cours est évalué par un examen écrit et/ou par la réalisation d'un dossier présenté éventuellement lors d'une soutenance orale. Afin de limiter le nombre de projets personnels à réaliser par l'étudiant, les enseignants proposent des projets transversaux lorsque cela est possible.

    Ce master fait partie de l'Ecole Universitaire de Recherche (EUR) AMSE regroupant près de cent chercheurs d’AMU, du CNRS, de l’EHESS et de l’ECM. Les enseignants sont sélectionnés par rapport à leur expertise au sein de ces entités. L’équipe enseignante est par ailleurs complétée par des professionnels du secteur.

    Cette formation est accessible en :

    • Formation initiale
    • Formation continue
    • Formation en alternance : alternance possible en contrat d’apprentissage avec le CFA Epure Méditerranée ou en contrat de professionnalisation.
  • Et après ?

    Débouchés professionnels

    Codes ROME :

    Spécialités de formation (code NSF) :

    • 114d : Mathématiques de l'économie, statistique démographique, mathématiques des sciences sociales, des sciences humaines
    • 114g : Mathématiques de l'informatique, mathématiques financières, statistique de la santé
    • 122b : Modèles économétriques ; Méthodes d analyse économique

CONTACTS

Responsables pédagogiques

contact__name
Mathieu
LEFEBVRE
contact__fonction
Professeur des universités
contact__name
Christian
SCHLUTER
contact__fonction
Professeur des universités

Gestionnaire administrative

contact__name
Emilie
ALPACCA
contact__fonction
Gestionnaire formation - AMSE
M2 ÉCONOMIE – PARCOURS ECONOMÉTRIE, BIG DATA, STATISTIQUE
Diplômé en 2021
Aurélien DEVILLARD
Data Scientist chez Ipsos
C’est utile d’avoir une multi-compétence qui va consister à savoir faire tout ce qui est programmation mais aussi l’interprétation et connaître les sujets sur lesquels on va travailler.
M2 ÉCONOMIE – PARCOURS ECONOMÉTRIE, BIG DATA, STATISTIQUE
Diplômé en 2022
Ben ILBOUDO
Data Scientist chez Nostrum Care
Dans ma formation, j’ai appris les techniques du Machine Learning.