Data Science & Agro-Innovation

La progression sur cinq ans

1. L1

   Année 1 · Licence 1

   Socle de la donnée : bases de données et SQL, statistiques descriptives puis inférentielles, visualisation, programmation Python et R, collecte et nettoyage de données de terrain, avec une introduction aux systèmes agricoles et aux sources de données du secteur. Projets d'analyse de jeux de données agricoles.

2. L2

   Année 2 · Licence 2

   Data science appliquée aux cultures : machine learning (classification, régression, évaluation des modèles), analyse des données de rendement, de climat et de sol, séries temporelles et prévision, puis montée en puissance vers le deep learning, le big data et la détection de maladies et d'anomalies.

3. L3

   Année 3 · Licence 3

   Année de terrain et de professionnalisation : grand projet en exploitation partenaire (diagnostic, collecte, modélisation, restitution), modélisation spatiale et multivariée, systèmes de recommandation agricole, droit et éthique des données. Capstone de licence, stage en organisme de recherche ou entreprise, mémoire.

4. M1

   Année 4 · Master 1

   Modélisation avancée des données agricoles et big data, systèmes de recommandation et aide à la décision (tableaux de bord, optimisation, simulation), puis valorisation des données des filières : traçabilité et certification, supply chain pilotée par la donnée, data science pour le développement rural et évaluation d'impact des politiques agricoles.

5. M2

   Année 5 · Master 2

   Stratégie data et gouvernance : souveraineté et sécurité des données agricoles, éthique et responsabilité, droit des données (propriété intellectuelle, protection des données personnelles), négociation. Dernier semestre consacré au capstone de master, au mémoire et au stage long.

Licence : années 1 à 3 (S1 à S6, Bac+3). Master : années 4 et 5 (S7 à S10, Bac+5). 30 crédits par semestre — architecture LMD.

Compétences acquises

• Maîtriser les bases de données et les statistiques appliquées
• Appliquer la data science aux problématiques agricoles
• Développer des modèles prédictifs pour l'agriculture
• Mener un projet de terrain en conditions réelles
• Modéliser et valoriser les données des filières agricoles