Master 2 Modélisations Statistiques Economiques et Financières - MOSEF Data Science Université Paris 1 Panthéon-Sorbonne - Ecole d'Economie de la Sorbonne

L’ensemble des métiers de l’entreprise est aujourd’hui profondément transformé par l’essor du Big Data et des technologies d’intelligence artificielle. L’explosion des volumes de données, qu’elles soient structurées ou non, redéfinit les enjeux stratégiques à toutes les étapes de la chaîne de valeur : finance quantitative et trading algorithmique, gestion des risques, assistants intelligents, marketing prédictif, cybersécurité, automatisation des processus, chatbots, etc.

Ces mutations rapides s’accompagnent d’une demande croissante de profils hautement qualifiés en data science et en intelligence artificielle, tels que Data Scientist, Machine Learning Engineer, Data Consultant, Architecte Big Data ou analyste quantitatif, aujourd’hui parmi les métiers les plus recherchés sur le marché du travail.

Parallèlement, l’émergence des modèles d’IA générative et des modèles de langage de grande taille (LLMs) marque une nouvelle rupture technologique. Leur adoption, désormais exponentielle, transforme en profondeur de nombreux secteurs - finance, banque, santé, industrie, services - tout en soulevant des enjeux majeurs en matière d’éthique, de gouvernance, de sécurité et de responsabilité des systèmes algorithmiques.

Dans ce contexte, le Master MOSEF Data Science a pour objectif de former des experts capables de concevoir, analyser et déployer des solutions data et IA avancées, en s’appuyant sur des fondements théoriques solides et une forte orientation opérationnelle. La formation couvre les principaux modèles d’apprentissage statistique, de data mining, de machine learning et de deep learning, tout en développant une maîtrise approfondie des outils et environnements professionnels : Python, R, Scala, SAS, Linux, ainsi que les écosystèmes Big Data et Cloud (Azure, Hadoop, Spark, Splunk).

La formation est structurée autour de deux grands axes complémentaires :

1. Socle théorique et méthodologique en Data Science
Le programme débute par un renforcement des compétences fondamentales en programmation avancée, statistiques, économétrie et bases de données, constituant un socle indispensable à la compréhension et à la modélisation des phénomènes économiques et financiers complexes.

2. Blocs avancés en Data Science et Intelligence Artificielle
Les étudiants approfondissent ensuite des thématiques clés telles que le Cloud Data Engineering, le Web Scraping, l’ingénierie logicielle et la gestion du code (Linux, Docker, GitHub), ainsi que le Machine Learning appliqué. Le second semestre est consacré aux méthodes avancées de Deep Learning, incluant des applications concrètes en traitement automatique du langage naturel (NLP), en prévision, et en intelligence artificielle générative. Une attention particulière est portée à l’architecture Big Data, à la mise en production des modèles (MLOps) et à l’usage des LLMs, notamment dans les secteurs de la finance et de la banque.

Le Master MOSEF Data Science appliquée à la Finance et à l’Économie permet ainsi aux diplômés d’accéder à une large palette de débouchés : Data Scientist, Data Consultant, Data Analyst, Architecte Big Data, ingénieur Machine Learning, spécialiste en finance quantitative, aussi bien en cabinet de conseil, en banque, en assurance, que dans les grands groupes industriels ou technologiques.

Créé en 1996, le Master MOSEF forme depuis près de trente ans des économètres, statisticiens et data scientists de haut niveau, et s’appuie sur un réseau d’anciens élèves particulièrement actif, structuré autour de l’association MOSEF, favorisant l’insertion professionnelle et les partenariats avec les entreprises.

La formation est proposée en formation initiale et en apprentissage (alternance). Ouverte à l’apprentissage depuis 2018, elle permet une immersion professionnelle renforcée, tout en garantissant un haut niveau d’exigence académique. L’équipe pédagogique est composée d’enseignants-chercheurs reconnus et de professionnels expérimentés de la data science et de la finance, assurant un équilibre étroit entre rigueur scientifique, innovation technologique et applications concrètes.