Programme avancé1 500 h · En ligne · 11 modules
Programme avancé Machine Learning pour la Sûreté Maritime
Ce programme avancé apprend à détecter des comportements anormaux et à protéger le secteur maritime des menaces actuelles. Il couvre l'exploitation des données AIS et satellitaires, les modèles de machine learning et l'analyse de trajectoires. Formation professionnelle privée à distance, sanctionnée par un certificat d'établissement Navalis, sans diplôme d'État ni équivalence universitaire.
Durée1 500 h
ModalitéEn ligne
Début1 décembre
Modules11
Diagnostic du programme
Évaluation de vos acquis
Voici les compétences que vous apporte ce programme. Cochez celles que vous maîtrisez déjà et nous vous indiquerons la partie du programme qui vous concerne.
Votre diagnostic
6sur 6 à acquérir
Vous partez de zéro dans ce domaine. Le programme est conçu précisément pour cela.
Présentation du programme
Qu'est-ce que le programme Programme avancé Machine Learning pour la Sûreté Maritime ?
Ce programme avancé en ligne de 1 500 heures vous prépare à protéger le secteur maritime contre les menaces actuelles. Vous apprendrez à détecter des schémas anormaux dans les données de navigation, à anticiper les risques de cybersécurité sur les navires et dans les ports, et à optimiser la réponse aux urgences. Il combine la théorie du machine learning et des cas pratiques.
Ce qui le distingue : une orientation vers les applications maritimes, l'accès à des jeux de données anonymisés et le travail avec des outils tels que Python et TensorFlow.
Type de programmeProgramme avancé
ModalitéEn ligne
Durée1 500 heures
Modules11
Début1 décembre
Points forts du programme
- Analyse prédictive avancée pour la détection précoce des menaces.
- Sûreté maritime complète : protection des navires, des ports et des routes.
- Visualisation de données géospatiales sur cartes interactives.
- Cas pratiques et simulations de situations réelles du secteur.
- Un élan de carrière en sûreté maritime.
Programme d'études
Programme d'études : Programme avancé Machine Learning pour la Sûreté Maritime
11 modules. Sélectionnez un module pour en consulter le contenu.
Module 1
Fondamentaux du machine learning et de la science des données pour le domaine maritime
- 1.1. Introduction à l'apprentissage automatique dans l'industrie maritime : cas d'usage en sécurité, surveillance et intervention d'urgence
- 1.2. Prétraitement, nettoyage et imputation de données marines bruitées (capteurs radar, sonar, GNSS et IoT)
- 1.3. Algorithmes d'apprentissage supervisé appliqués : régression, arbres de décision, Random Forest et SVM
- 1.4. Algorithmes d'apprentissage non supervisé : clustering (K-Means, DBSCAN) pour les schémas de trafic et la détection d'anomalies
- 1.5. Fondamentaux de l'apprentissage profond (Deep Learning) : perceptron multicouche et architectures avancées
- 1.6. Évaluation et validation des modèles : métriques de performance (précision, rappel, ROC-AUC) pour les événements à risque rares
- 1.7. Outils et bibliothèques de l'écosystème Python (Scikit-Learn, TensorFlow, PyTorch, Pandas, GeoPandas)
- 1.8. Ingestion et gestion de flux de données en temps réel (Data Streaming) pour les environnements de contrôle maritime
- 1.9. Principes du MLOps : déploiement, surveillance et mise à jour des modèles dans les centres de sauvetage et à bord des navires
- 1.10. Éthique, biais et explicabilité de l'IA (XAI - SHAP/LIME) dans les décisions critiques de navigation
À cette étape
136 hde travail estimé11 sem.semaines à votre rythmeModule 2
Détection d'anomalies et identification du trafic maritime irrégulier (AIS/radar)
- 2.1. Structure et traitement massif des données AIS (Automatic Identification System) et VMS (Vessel Monitoring System)
- 2.2. Algorithmes d'alignement et de reconstruction de trajectoires par filtres de Kalman et réseaux de neurones récurrents (RNN/LSTM)
- 2.3. Détection des coupures de transpondeur (navires « dark ») et des comportements suspects par machine learning
- 2.4. Identification de la pêche illicite, non déclarée et non réglementée (INN / IUU) par l'analyse de schémas spatio-temporels
- 2.5. Modèles non supervisés (Isolation Forest, autoencodeurs) pour identifier les déroutements involontaires ou malveillants
- 2.6. Classification automatique des types de navires à partir de la cinématique et des schémas de manœuvre
- 2.7. Détection de l'usurpation d'identité GPS/AIS (spoofing) et de la falsification de positions
- 2.8. Modélisation de la densité du trafic et cartes de chaleur dynamiques du risque d'abordage
- 2.9. Intégration des données des radars côtiers et des radars à synthèse d'ouverture (SAR) avec les signaux télématiques
- 2.10. Systèmes d'alerte précoce pour la détection du narcotrafic, de la contrebande et de la piraterie en haute mer
À cette étape
136 hde travail estimé11 sem.semaines à votre rythmeModule 3
Vision par ordinateur et reconnaissance automatique de cibles en mer
- 3.1. Fondamentaux de la vision par ordinateur appliquée au milieu marin : défis optiques (éblouissement, vagues, brouillard, réflexion)
- 3.2. Détection et segmentation d'objets marins en temps réel avec les architectures YOLO, Faster R-CNN et Mask R-CNN
- 3.3. Classification des embarcations à partir d'images électro-optiques (EO) et infrarouges (IR/FLIR)
- 3.4. Traitement d'images satellitaires optiques et de radar à synthèse d'ouverture (SAR) pour la surveillance océanique mondiale
- 3.5. Identification automatique d'obstacles, de naufragés, de conteneurs à la dérive et de la faune marine
- 3.6. Algorithmes de suivi multi-objets (Multi-Object Tracking - MOT) sur les séquences vidéo des caméras embarquées
- 3.7. Vision par ordinateur appliquée à l'accostage autonome et à la navigation en chenaux étroits
- 3.8. Détection des déversements d'hydrocarbures (marées noires) et de la pollution plastique par imagerie multispectrale
- 3.9. Fusion d'images et de données cinématiques pour une connaissance immersive de la situation à la passerelle
- 3.10. Optimisation des modèles de vision pour une exécution sur dispositifs Edge (Edge AI) installés sur drones et bouées
À cette étape
136 hde travail estimé11 sem.semaines à votre rythmeModule 4
Prévention des abordages et navigation autonome à risque zéro (COLREG)
- 4.1. Formalisation mathématique et interprétation de la Convention COLREG (Règlement international pour prévenir les abordages en mer)
- 4.2. Calcul du domaine du navire (Ship Domain) et métriques du risque d'abordage (CPA - Closest Point of Approach, TCPA)
- 4.3. Apprentissage par renforcement (Reinforcement Learning) pour la prise de décision dynamique lors des manœuvres d'évitement
- 4.4. Algorithmes de planification de trajectoires sûres (Path Planning) sous contraintes environnementales et de trafic
- 4.5. Systèmes intelligents d'aide et d'assistance à la navigation (Decision Support Systems - DSS)
- 4.6. Simulation de scénarios de rencontres multiples entre navires et résolution de situations de danger extrême
- 4.7. Réseaux de neurones informés par la physique (PINNs) pour la modélisation du comportement dynamique du navire
- 4.8. Évaluation du facteur humain et analyse de la fatigue par surveillance biométrique et visualisation par IA
- 4.9. Intégration de l'IA au système d'identification et de suivi des navires à grande distance (LRIT)
- 4.10. Validation et certification des algorithmes de navigation autonome selon les directives de l'OMI (navires MASS)
À cette étape
136 hde travail estimé11 sem.semaines à votre rythmeModule 5
Prévision météorologique, modélisation de l'état de la mer et routage sûr
- 5.1. Modèles de machine learning pour la prévision rapide d'événements météorologiques extrêmes (coups de vent subits, ouragans, brouillard)
- 5.2. Traitement des données océanographiques : température de surface, salinité, courants et hauteur significative des vagues
- 5.3. Algorithmes d'apprentissage automatique pour la prévision de la dérive d'objets, de navires désemparés et de déversements
- 5.4. Optimisation des routes maritimes (routage météorologique) pour réduire le risque d'avaries dues au gros temps
- 5.5. Détection et prévision de la formation de glace de mer et d'icebergs par imagerie SAR et ML
- 5.6. Modélisation des vagues scélérates (Rogue Waves) par algorithmes d'apprentissage profond
- 5.7. Détection de la résonance et du risque de chavirement par perte de stabilité dynamique (roulis paramétrique)
- 5.8. Fusion des prévisions numériques traditionnelles (ECMWF, NOAA) avec des modèles corrigés par IA
- 5.9. Estimation des efforts d'impact de la houle sur les structures offshore et les ports
- 5.10. Génération de cartes interactives des risques météorologiques et recommandation d'itinéraires en temps réel
À cette étape
136 hde travail estimé11 sem.semaines à votre rythmeModule 6
Maintenance prédictive, santé du navire et sécurité opérationnelle
- 6.1. Surveillance de l'intégrité structurelle de la coque (Structural Health Monitoring) : détection de fatigue, fissures et déformations
- 6.2. Maintenance prédictive de l'appareil propulsif (moteurs principaux, auxiliaires et turbocompresseurs) à l'aide de capteurs IoT
- 6.3. Analyse des vibrations et des données de lubrification par algorithmes de classification des défauts naissants
- 6.4. Estimation de la durée de vie résiduelle (RUL) des composants critiques du navire à l'aide de modèles de régression temporelle
- 6.5. Surveillance de l'appareil à gouverner, des servomoteurs et des hélices pour éviter les pertes de manœuvrabilité
- 6.6. Détection des défaillances des systèmes d'extinction d'incendie, de l'étanchéité des panneaux d'écoutille et des pompes d'assèchement
- 6.7. Évaluation de l'état des batteries et des systèmes de propulsion hybride/électrique des navires modernes
- 6.8. Analyse des données de la boîte noire marine (VDR - Voyage Data Recorder) pour les audits de sécurité
- 6.9. Automatisation des plans de maintenance préventive et de l'approvisionnement en pièces de rechange d'urgence
- 6.10. Jumeaux numériques alimentés par les données pour l'évaluation en temps réel de la sécurité du navire
À cette étape
136 hde travail estimé11 sem.semaines à votre rythmeModule 7
Cybersécurité maritime et protection des infrastructures critiques
- 7.1. Analyse du paysage des cybermenaces dans le secteur maritime : navires, ports et canaux de navigation
- 7.2. Détection d'intrusions et d'anomalies sur les réseaux OT/IT de bord (bus CAN, NMEA, Modbus) par ML
- 7.3. Protection des systèmes de positionnement (GPS/GNSS) contre les attaques de spoofing et de brouillage grâce à l'IA
- 7.4. Cybersécurité des navires autonomes et connectés au cloud via des architectures Zero Trust et l'IA
- 7.5. Analyse du comportement cyber des membres d'équipage et du personnel du centre de contrôle (détection du phishing et des fuites)
- 7.6. Modèles prédictifs du risque cyber-physique dans les infrastructures portuaires et les terminaux automatisés
- 7.7. Détection des rançongiciels et logiciels malveillants ciblant les systèmes de contrôle industriel maritimes (ICS/SCADA)
- 7.8. Renseignement sur les cybermenaces maritimes (Cyber Threat Intelligence) par fouille de textes et NLP
- 7.9. Protocoles de réponse automatisée aux cyberincidents à bord pendant la navigation
- 7.10. Réglementations de cybersécurité maritime (résolution MSC.428(98) de l'OMI, ISO/IEC 27001, NIS 2)
À cette étape
136 hde travail estimé11 sem.semaines à votre rythmeModule 8
Recherche et sauvetage (SAR) et gestion intelligente des urgences
- 8.1. Optimisation des opérations de recherche et sauvetage (SAR) par prédiction algorithmique des zones de recherche
- 8.2. Coordination autonome d'essaims de drones (UAV) et de véhicules de surface (USV) lors des missions de sauvetage
- 8.3. Détection thermique et visuelle de personnes à l'eau (MOB - homme à la mer) par algorithmes d'Edge AI
- 8.4. Planification des évacuations d'urgence à bord des navires à passagers par simulation multi-agents et ML
- 8.5. Algorithmes de priorisation et d'affectation des moyens de sauvetage lors de catastrophes maritimes
- 8.6. Analyse des appels de détresse (Mayday) et des communications vocales par traitement automatique du langage naturel
- 8.7. Gestion du risque d'incendie à bord : prévision de la propagation du feu et des fumées entre les ponts
- 8.8. Intégration des systèmes d'alerte précoce aux réseaux satellitaires Cospas-Sarsat
- 8.9. Évaluation des avaries après abordage ou échouement à l'aide de modèles d'apprentissage automatique
- 8.10. Analyse des données historiques d'accidents maritimes pour l'amélioration continue des protocoles de sauvetage
À cette étape
136 hde travail estimé11 sem.semaines à votre rythmeModule 9
Sûreté portuaire, contrôle des frontières maritimes et gestion maritime mondiale
- 9.1. Surveillance intelligente des accès portuaires et des zones d'accès restreint par reconnaissance faciale et des plaques d'immatriculation
- 9.2. Inspection automatisée des conteneurs : analyse non destructive par rayons X/gamma avec imagerie Deep Learning
- 9.3. Détection de passagers clandestins, de la traite des êtres humains et de marchandises illicites dans les enceintes portuaires
- 9.4. Évaluation du risque des navires avant l'entrée au port (contrôle par l'État du port intelligent)
- 9.5. Modèles prédictifs de congestion portuaire et prévention des accidents dans les zones de mouillage
- 9.6. Sécurité environnementale dans les ports : surveillance de la qualité de l'air, du bruit et des déversements accidentels
- 9.7. Coordination de la sûreté à l'interface navire-port (Code ISPS)
- 9.8. Renseignement géopolitique et évaluation des risques sur les routes maritimes en zones de conflit
- 9.9. Systèmes d'information et de gestion du trafic maritime (VTS - Vessel Traffic Services) renforcés par l'IA
- 9.10. Gouvernance internationale, confidentialité des données en haute mer et réglementation de l'intelligence artificielle dans le domaine de la sécurité
À cette étape
136 hde travail estimé11 sem.semaines à votre rythmeModule 10
Éthique, explicabilité et déploiement opérationnel des modèles de machine learning
- 10.1. Qualité des données maritimes pour l'entraînement
- 10.2. Biais et robustesse des modèles
- 10.3. Explicabilité et interprétabilité
- 10.4. Validation et tests des modèles
- 10.5. MLOps et déploiement en production
- 10.6. Edge computing à bord
- 10.7. Surveillance de la dérive des modèles
- 10.8. Réglementation de l'IA
- 10.9. Responsabilité et supervision humaine
- 10.10. Projet de déploiement opérationnel
À cette étape
136 hde travail estimé11 sem.semaines à votre rythmeModule 11
Projet de fin de master : système intelligent de sécurité maritime
- 11.1. Définition d'une étude de cas réelle dans le domaine de la sécurité maritime (prévention, surveillance, SAR ou cybersécurité)
- 11.2. Sélection, collecte et structuration de jeux de données marines (AIS, images satellitaires, capteurs)
- 11.3. Conception de l'architecture de machine learning ou de deep learning pour résoudre le problème posé
- 11.4. Entraînement, ajustement des hyperparamètres et optimisation des modèles développés
- 11.5. Intégration des composants dans un pipeline de données en temps réel (Data Pipeline)
- 11.6. Développement de l'interface utilisateur / tableau de bord opérationnel pour les centres de sauvetage ou les passerelles
- 11.7. Validation expérimentale du système sur des données inédites et par simulation de scénarios critiques
- 11.8. Évaluation de l'impact sur la réduction des risques, des coûts d'exploitation et des délais d'intervention
- 11.9. Rédaction du rapport technique et de la synthèse exécutive selon les normes académiques et industrielles
- 11.10. Présentation publique, démonstration en direct du modèle et soutenance orale devant le jury d'experts
À cette étape
136 hde travail estimé11 sem.semaines à votre rythmePlanifiez votre rythme
Durée et modalité du programme Programme avancé Machine Learning pour la Sûreté Maritime
Le programme compte 1 500 heures. Indiquez-nous combien d'heures vous pouvez y consacrer chaque semaine et nous vous dirons quand vous terminerez réellement.
4 h30 h
Avec 12 h par semaine
29
mois pour terminer
125 semaines
semaines au total
C'est le rythme auquel la plupart des étudiants terminent. Il s'accorde bien avec le paiement échelonné.
Corps enseignant
Direction académique et corps enseignant
L'équipe pédagogique de Navalis : des professionnels en activité qui enseignent et encadrent les programmes.
Dra. Marina AlcoverDirectrice académique et responsable de l'assurance qualité
Ing. Diego CifuentesProfesseur titulaire de soudage naval et de contrôles non destructifs ; responsable QA/QC des assemblages soudés
Cap. Javier Abaroa (MCA)Professeur titulaire de manœuvre, de navigation électronique (ECDIS/Radar/ARPA) et de GMDSS ; coordinateur de la conformité STCW et de la gestion des ressources à la passerelle
Dr. Pau FerrerProfesseur titulaire d'architecture navale et de simulation ; directeur du laboratoire d'hydrodynamique et de CFD
Dra. Nuria LlobregatProfesseure titulaire de météorologie marine, de SAR et de sécurité opérationnelle ; coordinatrice de la gestion des risques liés à la navigation
Ing. Javier BañulsProfesseur titulaire d'électrotechnique, d'automatisme et d'ingénierie ETO ; coordinateur de l'intégration électronique et des alarmes machine
Ing. Sofía MarquinaProfesseure titulaire de matériaux, de composites et de protection anticorrosion ; coordinatrice de la filière peintures et revêtements avancés
Ing. Tomás RieraProfesseur titulaire de propulsion, d'énergies alternatives et de systèmes hybrides ; coordinateur de la performance énergétique et des vibrationsObjectifs
Objectifs du programme Programme avancé Machine Learning pour la Sûreté Maritime
01Détecter et prédire les activités suspectes en temps réel.
02Optimiser la gestion des risques dans les opérations maritimes.
03Automatiser l'identification des anomalies dans le trafic maritime.
04Développer des modèles prédictifs pour prévenir les incidents maritimes.
05Améliorer l'efficacité de la réponse aux urgences maritimes.
06Renforcer la cybersécurité des infrastructures maritimes critiques.
Débouchés
Débouchés professionnels du programme Programme avancé Machine Learning pour la Sûreté Maritime
Questions fréquentes
Questions sur le programme Programme avancé Machine Learning pour la Sûreté Maritime
La sécurité maritime
Aux professionnels de la sûreté maritime, des compagnies maritimes et des ports, ainsi qu'aux analystes de données et ingénieurs qui souhaitent appliquer l'apprentissage automatique à la protection du secteur maritime.
100 % en ligne, avec un campus virtuel accessible 24 h/24 et 7 j/7, des sessions en direct enregistrées et des tutorats avec l'équipe pédagogique.
Prévoir et prévenir les abordages grâce à l'analyse des données radar, AIS et météorologiques.
Python et TensorFlow, des jeux de données maritimes anonymisés, la détection de schémas anormaux dans les données de navigation et la visualisation de données géospatiales sur des cartes interactives.
Oui. Vous apprendrez à anticiper les risques de cybersécurité à bord des navires et dans les ports, et à optimiser la réponse aux urgences grâce à l'analyse prédictive.
Le programme représente une charge de 1 500 heures, que vous pouvez suivre à votre rythme dans le calendrier communiqué lors de l'inscription. Chaque programme a sa propre date de début, confirmée par l'équipe des admissions.
Au moyen de cas pratiques avec des jeux de données réels, de courts tests de connaissances et d'un projet final dans lequel vous développez une solution d'apprentissage automatique pour un problème de sûreté maritime.
Programmes associés
Autres programmes en Innovation et start-up
Programme avancé · 1 500 hProgramme avancé Conduite à Distance des Navires Autonomes et Code MASS3 690 € · Voir le programme →Programme avancé · 1 500 hProgramme avancé IA Appliquée à la Navigation Autonome2 790 € · Voir le programme →Formation courte · 300 hFormation IA Générative pour Armateurs et Ports510 € · Voir le programme →
Admission en ligne
Procédure d'admission
Inutile d'attendre qu'on vous rappelle. Si votre dossier est complet, vous pouvez vous inscrire au cours de la même session.
Conditions d'admission
- Profil : diplôme en mathématiques, statistiques, ingénierie informatique, physique ou domaine connexe, ou expérience professionnelle attestée en data science, développement logiciel ou analyse de la sûreté maritime.
- Langue : un anglais technique avancé est recommandé.
- Connaissances techniques : programmation de base (de préférence Python), statistiques et algèbre linéaire.
- Documents : CV, copie du diplôme, relevé de notes le cas échéant, pièce d'identité ou passeport, et une lettre de motivation.
- Exigences techniques pour l'étude en ligne : un ordinateur avec caméra et microphone, une connexion stable et l'accès à des logiciels d'analyse de données et de machine learning (des alternatives gratuites ou open source sont disponibles).
- 01CandidatureVos coordonnées, votre parcours et vos documents.
- 02Vérification immédiateNous vérifions que tout est complet et conforme.
- 03InscriptionChoisissez le paiement comptant ou échelonné et réservez votre place.
Commencer ma candidatureÀ partir de 956 € d'acompte
L'admission reste provisoire jusqu'à la validation des documents fournis par le comité. Si les conditions ne sont pas remplies, l'intégralité du montant est remboursée.
Des questions ?
Posez-nous vos questions avant de vous inscrire
Laissez-nous vos coordonnées et le service des admissions vous écrira pour répondre à toutes vos questions. Si vous êtes déjà décidé, vous pouvez déposer votre candidature et payer au cours de la même session.