Syllabus
UE fondamentales 3
- Capitalisation et management des connaissances
Capitalisation et management des connaissances
Ects : 3
Lecturer :
Total hours : 24
Overview :
Le cours de capitalisation et management des connaissances est une introduction au Knowledge Management (KM). Il prodigue les concepts académiques fondamentaux aussi bien que des études de cas réelles permettant d'apprécier les enjeux du management des connaissances dans les entreprises.
- Interprétations divergentes dans une entreprise étendue : contextes, cultures, intentions
- Cadre académique de l'ingénierie des connaissances, outils de cartographies cognitives
- Expertise, pouvoir, partage et rétention de connaissances
- Devenir des métiers, innovation et design thinking
Learning outcomes :
Concepts et enjeux du management des connaissances dans les entreprises
Bibliography-recommended reading
Voir la page web de l'enseignant.
- Développement numérique Éco-responsable
Développement numérique Éco-responsable
Ects : 2
Lecturer :
- BELA LOTO
Total hours : 18
Overview :
Le cours couvre ce qu'est l'informatique et le numérique responsable, les intérêts et impacts de sa mise en place pour les entreprises. Un focus sera fait sur l'ensemble des techniques et pratiques permettant d'évaluer l'impact écologique des services numériques.
Learning outcomes :
La compétence à acquérir est de savoir analyser et évaluer l ’ impact écologique des services numériques afin de promouvoir et mettre en œuvre des pratiques responsables en entreprise.
- Entrepôts de données
Entrepôts de données
Ects : 4
Lecturer :
Total hours : 36
Overview :
Introduction et définition d'un entrepôt de données, Architecture fonctionnelle, Modélisation conceptuelle, Alimentation, Stockage, gestion et exploitation de l'entrepôt. Utilisation de l’ETL Talend en TP.
Learning outcomes :
Acquérir les notions de base relatives à l'acquisition, l'intégration, la modélisation et au traitement de données multidimensionnelles.
- Gouvernance des Systèmes d'Information
Gouvernance des Systèmes d'Information
Ects : 3
Lecturer :
- FRANCK WULFOWICZ
Total hours : 24
Overview :
Descriptif détaillé - à venir
Learning outcomes :
Présenter les principes de la gouvernance des SI.
- Machine learning
Machine learning
Ects : 4
Total hours : 36
Overview :
Initier les étudiants à l ’ apprentissage automatique (machine learning) et à la pratique de la fouille (data mining) et l ’ extraction de connaissances à partir des grandes masses de données. Il sera illustré par des cas concrets des exemples réalisés en session avec Python.
Learning outcomes :
- Comprendre les principes fondamentaux du machine learning (apprentissage supervisé, non supervisé, surapprentissage, généralisation).
- Maîtriser les techniques de base de la fouille de données (data mining) et de l’extraction de connaissances.
- Préparer et analyser des jeux de données massifs (nettoyage, normalisation, sélection de variables).
- Mettre en œuvre des algorithmes de machine learning en Python (régression, classification, clustering, etc.).
- Évaluer la performance des modèles (validation croisée, métriques, interprétation des résultats).
- Appliquer les méthodes sur des cas concrets issus de données réelles.
- Qualité des données
Qualité des données
Ects : 2
Lecturer :
Total hours : 18
Overview :
Ce cours vise à présenter les enjeux de la qualité des données, ses principales dimensions (exactitude, complétude, cohérence, fraîcheur), ainsi que les méthodes et algorithmes de détection, de nettoyage et d’amélioration des données.
Learning outcomes :
Le cours a pour objectif d ’ introduire les caractéristiques principales liés à la qualité des données ainsi que de présenter les algorithmes pour leur traitement.
- Transparence des algorithmes pour la décision
Transparence des algorithmes pour la décision
Ects : 3
Lecturer :
Total hours : 24
Overview :
- Transparence des méthodes de vote
- Transparence des systèmes e recommandation
- Classification ordinale
Learning outcomes :
Transparence, explicabilité et responsabilité des algorithmes. Maitriser le bien-fondé de la transparence des algorithmes pour l’informatique décisionnelle.
Assessment :
Travail sur projet, en petits groupes, tout au long des séances
UE complémentaires voie ID
- Aide à la Décision : construction d’indicateur
Aide à la Décision : construction d’indicateur
Ects : 3
Lecturer :
Total hours : 24
Overview :
Fournir les fondements mathématiques et les outils de gestion nécessaires pour la conception et la mise en place des indicateurs composites.
- Optimization for data sciences
Optimization for data sciences
Ects : 3
Lecturer :
Total hours : 24
Overview :
Optimization is a framework to formulate a concrete problem into a mathematical object, which enables its theoretical analysis and its practical solve via numerical algorithms. Although applications range from power systems to finance, the interest for optimization techniques has surged following the advent of data science and deep learning in particular. This course will provide an overview of optimization problems and algorithms that are relevant in a data science. We will describe various problem formulations arising in machine and deep learning, using them to motivate the key mathematical concepts that are useful in that space (linear algebra, convexity, smoothness). We will then move to optimization algorithms, with a focus on the most popular schemes in data science (gradient descent and its variants), and we will discuss both theoretical motivations and implementation challenges.
Learning outcomes :
- Understand the main classical optimization formulations of data science tasks.
- Given an optimization problem, select an algorithm well suited for solving the problem based on theoretical and practical concerns.
- Identify specific challenges posed by optimization in a data science context, and ways to address these challenges.
Bibliography-recommended reading
- S. Boyd and L. Vandenberghe. Convex Optimization. Cambridge University Press, 2004.
- S. J. Wright and B. Recht. Optimization for Data Analysis. Cambridge University Press, 2022.
- Systèmes, Langages et Paradigmes pour le Big Data
Systèmes, Langages et Paradigmes pour le Big Data
Ects : 3
Lecturer :
Total hours : 24
Overview :
Apprentissage des aspects fondamentaux des technologies Big Data pour la gestion et analyse de données massives.
Learning outcomes :
- Comprendre les principes fondamentaux du Big Data et des architectures distribuées.
- Mettre en œuvre les principaux paradigmes et langages Big Data pour le traitement de données massives.
- Analyser et traiter efficacement de grands volumes de données en environnement distribué.
- Évaluer les performances et les usages des technologies Big Data selon les contextes applicatifs.
UE complémentaires voie SITN
- Business Process Analytics
Business Process Analytics
Ects : 3
Lecturer :
Total hours : 24
Overview :
Ce cours introduit les techniques d'analyse de processus, en incluant les techniques de découverte automatique des processus (process mining), de vérification de conformité, d'analyse des performances et de surveillance prédictive des processus. Pour mettre en pratique ces techniques, nous présenterons des outils d ’ analyse de processus et diverses bibliothèques Python, et nous appliquerons ces outils pour répondre à des questions métier en utilisant des ensembles de données réels.
Learning outcomes :
L'analyse des processus métier (BPA) est une approche d'analyse des processus opérationnels. Il s'agit d'un examen détaillé en plusieurs étapes de chaque partie d'un processus visant à identifier ce qui fonctionne bien dans votre processus actuel, ce qui doit être amélioré et la meilleure manière d'apporter les améliorations nécessaires. Il existe différentes méthodes d'analyse des processus métier, mais toutes appliquent le principe sous-jacent selon lequel les systèmes optimisés génèrent de meilleurs résultats globaux.
Bibliography-recommended reading
- Wil van der Aalst: Process Mining – Data Science in Action, Springer 2016 - Wil van der Aalst & Josep Carmona: Process Mining Handbook, Springer 2022 (free access) - Josep Carmona et al.: Conformance Checking - Relating Process and Models, Springer 2018
- Programmation Back-end et Front-end
Programmation Back-end et Front-end
Ects : 3
Total hours : 24
Overview :
Ce cours a pour objectif d’introduire les techniques fondamentales de développement back-end et front-end, en abordant la conception d’interfaces, la gestion des échanges client-serveur ainsi que la mise en œuvre d’applications web complètes.
Learning outcomes :
Introduction aux techniques de programmation back/front-end.
- Transition Numérique des Systèmes d'Information
Transition Numérique des Systèmes d'Information
Ects : 3
Lecturer :
- RACHIDA EL AMRANI
Total hours : 24
Overview :
Ce cours vise à comprendre la transition numérique comme un processus organisationnel et culturel, en mettant l’accent sur le rôle du top management, de la DSI et des directions opérationnelles dans l’accompagnement du changement au sein de l’entreprise.
Learning outcomes :
Transition numérique signifie avant tout transition et la transition est un mouvement initié par la culture du changement. Une culture portée par le top management et insufflée par la DSI et les directions opérationnelles, pour rayonner dans toute l’entreprise.
UE fondamentales 4
- Anglais
Anglais
Learning outcomes :
Acquérir une autonomie langagière pour être capable de travailler dans un contexte international, à l'écrit comme à l'oral. A l'issu du cours, il maîtrisera en anglais les prises de parole dans différents contextes professionnels tout comme la rédaction de documents et l'interaction avec des partenaires.
- Droit, Données et Ethique
Droit, Données et Ethique
Ects : 3
Lecturer :
- SANDRINE PLE
- OLIVIA TAMBOU
- PIERRE VIVANT
Total hours : 36
Overview :
La profonde transformation numérique de nos sociétés rend nécessaire comme l ’ a encore récemment rappelé la CNIL de « former à l ’ éthique tous les maillons de la chaîne algorithmique, concepteurs, professionnels, citoyens ». La création de ce nouveau cours Données et Ethique s ’ inscrit dans cette optique. Il s ’ agit de permettre aux informaticiens de prendre conscience des implications éthiques et sociales du traitement des données qu ’ ils opèrent. Il s ’ agit aussi les informer sur l ’ évolution du cadre dans lesquels ils vont pouvoir ou devoir mettre en œuvre le traitement de leurs données tant à titre personnel que professionnel. L ’ éthique est une notion souvent difficile à cerner. Elle repose sur un ensemble de règles morales susceptibles d ’ orienter le comportement des individus voire des entreprises. Ces règles qu ’ ils s ’ imposent à eux-mêmes peuvent soit préfigurer, soit en réalité se superposer ou se confondre avec des règles juridiques contraignantes. Ainsi, l ’ éthique des données se développe à titre collectif qu ’ à titre individuel notamment avec la figure des lanceurs d ’ alerte. En outre, l ’ éthique des données peut varier en fonction de la catégorie de données en cause (données personnelles, non personnelles, données dites d ’ intérêt général etc.). Ces prémisses sont importantes pour comprendre les enjeux économiques et sociétaux autour de l ’ émergence actuelle des principes éthiques des données.
Learning outcomes :
Le cours vise à permettre aux étudiants de comprendre les enjeux juridiques, éthiques et sociétaux liés à la collecte et au traitement des données, ainsi que leurs responsabilités en tant que concepteurs et utilisateurs de systèmes numériques. Il développe leur capacité à intégrer ces principes dans la conception, l’analyse et la mise en œuvre de solutions respectueuses du droit et de l’éthique.
- Insertion professionnelle
Insertion professionnelle
Ects : 1
Lecturer :
Overview :
Préparation à la vie professionnelle (embauche, salaire, …)
Learning outcomes :
Insertion professionnelle
- Le décisionnel en entreprise, Cas pratiques
Le décisionnel en entreprise, Cas pratiques
Ects : 3
Lecturer :
- MOHAMED ISMAIL BEN LAMINE
- BRUNO MARTINS-LEDO
Total hours : 24
Overview :
Ce cours a pour objectif d’introduire les concepts de l’analyse décisionnelle en entreprise, de comprendre les apports des outils décisionnels pour les différents acteurs, et de mettre en œuvre un projet décisionnel à travers la réalisation de tableaux de bord et de rapports à partir de données consolidées, via des cas pratiques.
Learning outcomes :
Acquérir les concepts de l'analyse décisionnelle; Comprendre l'apport d'un outil décisionnel pour les différents acteurs de l'entreprise; Démarche et présentation de projets décisionnels concrets; Initiation sur un outil décisionnel; Mise en place d'un rapport à partir d'un jeu de données consolidées; Réalisation d'un cas pratique.
- Management de projet et agilité
Management de projet et agilité
Ects : 3
Lecturer :
- PHILIPPE ELBAZ
- PATRICK GOURDON
Total hours : 24
Overview :
Ce cours vise à développer les compétences en management de projet et en agilité, en couvrant les phases de lancement, planification et pilotage, ainsi que l’application des principes et pratiques agiles à travers le travail collaboratif, la conception, le développement, les tests et la livraison itérative de solutions fonctionnelles.
Learning outcomes :
Partie managériale : Développer les compétences nécessaires en matière de lancement, planification, et gestion de projets de manière efficace ainsi qu’à la consolidation des notions de conception et de modélisation et de leur intégration dans une démarche agile. Partie technique : Découvrir, comprendre et appliquer les principes et les pratiques agiles les plus efficaces; Collaborer en équipe pour atteindre rapidement un objectif fonctionnel ou technique; Renforcer les compétences de spécification, conception, planification, communication, développement et tests automatisés; Fournir des résultats tangibles et fréquents, avec le sourire
- Management des Organisations
Management des Organisations
Ects : 3
Lecturer :
- SAMY RAHMANI
Total hours : 24
Overview :
Ce cours a pour objectif d’introduire les fondamentaux du management des organisations, de préparer les étudiants à la prise de responsabilités managériales, de leur fournir des outils pour l’animation d’équipe, la gestion du changement, ainsi que pour la communication orale et la prise de parole en public.
Learning outcomes :
Comprendre le contexte de management des organisations; Préparer les futurs diplômés à la prise de fonction d ’ un poste en management; Acquérir des outils concrets pour animer une équipe; Introduire les notions de gestion du changement; Travailler la prise de parole en public et les présentations.
- Projet en Business Intelligence
Projet en Business Intelligence
Ects : 3
Lecturer :
- YOANN RICHARD KOUAME
Total hours : 24
Overview :
Descriptif détaillé - à venir
Learning outcomes :
Mener de bout en bout un projet d’informatique décisionnelle sur une plateforme BI (par exemple SAS, …)
- Visualisation de données
Visualisation de données
Ects : 3
Lecturer :
- TARIQ NEKROUF
Total hours : 24
Overview :
Ce cours propose une introduction aux principes et techniques de la visualisation de données, en abordant la perception visuelle, la représentation de données multivariées, temporelles, hiérarchiques et en réseau, ainsi que l’utilisation de systèmes et d’outils dédiés à la visualisation.
Learning outcomes :
Vue d'ensemble du domaine de la visualisation de données Perception visuelle Visualisation de données multivariées Visualisation de structures arborescentes Visualisation de graphes et réseaux Visualisation de données temporelles Visualisation multi-échelle Systèmes et boîtes à outils pour la visualisation
UE complémentaires voie ID
- Large scale machine learning in Spark
Large scale machine learning in Spark
Ects : 2
Lecturer :
Total hours : 18
Overview :
Ce cours a pour objectif d’apprendre à concevoir et développer des applications Big Data efficaces avec Apache Spark, en mettant l’accent sur le traitement de données massives et l’implémentation d’algorithmes d’apprentissage machine à grande échelle.
Learning outcomes :
Savoir concevoir des applications efficaces pour l'apprentissage machine sur les données massives.
UE complémentaires voie SITN
- Négociation
Négociation
Ects : 2
Lecturer :
- CECILE VIONNET
- BRUNO GIRAUDON
Total hours : 24
Overview :
Ce cours vise à comprendre les différents types de négociation et les stratégies associées, à appliquer les fondamentaux (assertivité, empathie, gestion des tensions), à distinguer les tactiques gagnant-perdant et gagnant-gagnant, et à développer une méthode de préparation et d’amélioration continue de sa capacité à négocier.
Learning outcomes :
- Définir les différents types de négociations et les stratégies afférentes.
- Connaître et mettre en pratique une vigilance particulière quant aux fondamentaux de la négociation : tensions compétition/coopération, assertivité/empathie et intérêts/valeurs.
- Reconnaître les tactiques liées à une négociation gagnant-perdant et celles associées au gagnant-gagnant.
- Appliquer une méthode de préparation à la négociation à travers les phases de Diagnostics, de Buts et de Stragégies (DBS).
- Acquérir un réflexe d'amélioration permanente de sa capacité à négocier, avec ses atouts et ses axes de progrès.
Bloc stage
- Stage
Stage
Ects : 6
Overview :
5 à 6 mois de stage en entreprise.
Learning outcomes :
Stage
Academic Training Year 2025 - 2026 - subject to modification
Teaching Modalities
Detailed assessment methods are communicated at the beginning of the year.
The program begins in September and attendance is mandatory.
The courses for the second year of the MIAGE Master's degree program are organized into semesters 3 and 4. Each semester consists of core courses and complementary courses in either "Decision-Making Informatics" (ID track) or "Information Systems and Digital Transformation" (SITN track), plus an internship block for semester 4.
The "professional integration" teaching unit is annual and consists of conferences, hackathons, and other activities led by university or external speakers. The program's academic coordinator evaluates attendance and participation and decides whether to award a "valid" (V) or "invalid" (NV) result for this teaching unit.
Internships and Supervised Projects
The internship lasts five to six months. The internship topic must be approved by the program director before the internship begins. At the end of the internship, the report must be submitted no later than fifteen days before the defense date set by the program office. A defense is organized at Paris Dauphine-PSL University. The grade for the "internship" EU and the internship block is awarded after the internship report has been corrected and the defense has been evaluated, and is worth 6 ECTS credits.
Research-driven Programs
Training courses are developed in close collaboration with Dauphine's world-class research programs, which ensure high standards and innovation.
Research is organized around 6 disciplines all centered on the sciences of organizations and decision making.
Learn more about research at Dauphine