MASTER 1 MENTION INGÉNIERIE MATHÉMATIQUE À TOULOUSE (IMAT) 2014/2015
|
|
- Coraline Dupont
- il y a 8 ans
- Total affichages :
Transcription
1 MASTER 1 MENTION INGÉNIERIE MATHÉMATIQUE À TOULOUSE (IMAT) 2014/2015 Secrétariat Pédagogique : Téléphone : Laure Arnillas Bât 1TP1 Porte B15 laure.arnillas@univ-tlse3
2 La Faculté des Sciences et Ingénierie La Faculté des Sciences et Ingénierie (FSI) Sciences met en œuvre l ensemble de la formation dans les domaines des sciences et de l ingénierie et assure l articulation avec les activités de recherche qui relèvent de son périmètre. Adossée à une soixantaine de laboratoires de recherche, la formation adresse les domaines suivants : Mathématiques Informatique Mécanique Physique Chimie EEA (Electronique-Electrotechnique-Automatique) Biologie-Géosciences Ainsi que : Le département de Langues Vivantes et Gestion L Upssitech (UPS sciences ingénierie et technologie), école interne accessible au niveau L3 et habilitée à délivrer le titre d Ingénieur de l Université de Toulouse. Soucieuse d un enseignement de qualité qui donne accès à un métier et répond aux exigences et besoins du monde du travail, la FSI propose des formations offrant de nombreux débouchés dans le secteur public comme dans le secteur privé. Assurées par des enseignants du supérieur, également chercheurs dans des laboratoires de recherche de grande renommée nationale et internationale ainsi que par des intervenants extérieurs dont plusieurs centaines de salariés d entreprises, ces formations donnent une large place aux TD et TP en petits groupes et aux stages en entreprise. Les étudiants sont accompagnés dans la réussite de leurs études et leur insertion professionnelle par des équipes pédagogiques et administratives investies dans le soutien, le conseil et l orientation. Chaque année, plus de 8000 étudiants ont choisi la FSI pour préparer leur avenir professionnel. 2
3 FINALITÉ Le Master IMAT a pour objectif de former des ingénieurs mathématiciens polyvalents maîtrisant les différents domaines des mathématiques appliquées. Les besoins actuels de l'industrie et des services amènent à utiliser les outils et les méthodes mathématiques à tous les niveaux de la conception, de la production et de la gestion des biens et des services. La formation du Master IMAT vise donc à donner une vision aussi large et complète que possible sur les méthodes et les outils mathématiques fondamentaux utilisés dans le monde professionnel. Se fondant sur une démarche de complémentarité, la formation Master IMAT associe des enseignements de statistique, de calcul scientifique et d'informatique. DÉBOUCHÉS Complétée par une ou plusieurs années de formation, la première année de ce master offre de nombreuses possibilités. Le métier d ingénieur Il s'agit du débouché naturel de cette formation. Le master 1 IMAT permet d accéder à une carrière d ingénieur mathématicien. C'est un domaine de compétences et d'aptitudes qui est largement reconnu et demandé dans de nombreux secteurs de l'industrie, du service et des administrations. Le master 1 IMAT permet d'accéder à : - un master 2 dans les domaines des mathématiques appliquées, du calcul scientifique, de l informatique numérique et de la statistique ; en particulier, la FSI propose le master 2 pro IMAT. - une école d ingénieurs (INSA, ENSIMAG, SUPAERO, etc), après admission sur titre. La recherche En dehors des possibilités de carrière d enseignant-chercheur à l université, les besoins des centres de recherche et des entreprises en chercheurs en mathématiques appliquées, ayant une formation de haut niveau en modélisation, algorithmique numérique ou statistique sont réels. En milieu industriel, les étudiants chercheurs peuvent bénéficier d une bourse de type CIFRE pour préparer un doctorat. INSCRIPTION POUR L ANNÉE CONDITIONS D ADMISSION - Accès de plein droit pour les étudiants titulaires d une licence de Mathématiques obtenue dans une université française ; - Accès sur dossier pour les étudiants titulaires d une autre licence (MASS, Informatique, Mécanique, Automatique, Sciences Économiques, etc.) et pour les étudiants étrangers ; - Les étudiants n ayant pas totalement validé leur licence de Mathématiques peuvent s inscrire à certains modules du master selon les règles établies par le CEVU. 3
4 ORGANISATION Les enseignements se déroulent sur une période de vingt-quatre semaines, de la mi-septembre à la fin avril. La période de mai à juillet est consacrée à un stage obligatoire en entreprise de 3 mois au minimum. Premier semestre (12 semaines) - Remise à niveau informatique (module facultatif) - Optimisation - Probabilités - Informatique (langage C et C++, progiciels) - Statistique paramétrique - Statistique bayésienne et algorithmes stochastiques - Modélisation et équations différentielles ordinaires - Introduction aux équations aux dérivées partielles 1 - Langues Second semestre (12 semaines) - Modèle linéaire - Analyse de données multidimensionnelles - Modélisation stochastique - Méthodologie statistique et applications - Traitement du signal - Automatique - Grands systèmes linéaires Systèmes non linéaires - Modélisation pour la physique - Introduction aux équations aux dérivées partielles 2 - Projet pluridisciplinaire - Stage Le stage en entreprise Le stage en entreprise est un élément essentiel de la formation du M1-IMAT. Il constitue une première expérience dans le monde professionnel et permet de confronter les connaissances et compétences acquises avec les besoins du monde industriel et économique. Ce stage donne lieu à la rédaction d un rapport écrit et à une soutenance orale. Responsable de la formation : Luca AMODEI Institut de Mathématiques de Toulouse Bât. 1R3 Bureau 318 : luca.amodei@math.univ-toulouse.fr 4
5 EMMI17I - Semestre 7 Durée : 12 semaines ENSEIGNEMENTS MODULES ECTS COURS TD TP EM7MIMAM Remise à niveau Informatique - 8 h 8 h Informatique EM7MIMIM Programmation en langage C et C h - 18 h Progiciels 6 h - 6 h EM7MIMMM Optimisation 5 24 h 20 h 4 h EM7MIMEM Langues 3-24 h EM7MIMJM Probabilités 5 24 h 24 h - Calcul scientifique 1 EM7MIMLM Modélisation et équations différentielles ordinaires 5 10 h 8 h 2 h Introduction aux équations aux dérivées partielles 1 16 h 12 h 4 h Statistique 1 EM7MIMKM Statistique paramétrique 8 24 h 24 h - Statistique bayésienne et algorithmes stochastiques 16 h 10 h 6 h 5
6 EM7MIMAM - Remise à niveau informatique Responsable : Valérie Camps camps@irit.fr COURS TD 8 h 8 h Objectif : Ce cours permet aux étudiants qui le souhaitent d acquérir les outils informatiques introduits dans certaines licences, notamment les principes d algorithmique au travers du langage C. Cet enseignement est dispensé en début d année universitaire. Prérequis : Aucun. Contenu : Rappel de la notion d algorithme et mise en œuvre, introduction au langage C : syntaxe et éléments de base du langage (types, expressions, instructions, entrées/sorties élémentaires, structures de contrôle...), structures de données simples (tableaux à une dimension, tableaux à plusieurs dimensions, chaînes de caractères,...), sous-programmes (passage de paramètres par valeur, par adresse). Références : J.-M. Rigaud, A. Sayah, Programmation en langage C, Editions Cépaduès, Jacques Courtin, Irène Kowarski, Initiation à l algorithmique et aux structures de données T1, Editions Dunod, Tony Zhang, Le Langage C, Le tout en poche, Campus Press, Claude Delannoy, Programmer en langage C, Cours et exercices corrigés, Editions Dunod,
7 EM7MIMIM Programmation et langage C et C++ Responsables : Valérie Camps - Christine Regis camps@irit.fr regis@irit.fr COURS TD/TP 18 h 18 h Objectif : Ce cours se compose de deux parties, l une consacrée à la programmation en langage C et l autre à l introduction à la programmation objet C++. Prérequis : Contenu : Maîtriser les concepts introduits dans le module de "Remise à niveau". 1. Programmation en langage C (24 heures) UNIX Introduction au système UNIX, le système de gestion de fichiers, les processus, présentation et utilisation des principales commandes UNIX. Langage C La récursivité, les notions de variable dynamique, d allocation dynamique, la définition et l utilisation de structures de données dynamiques, les fichiers. 2. Programmation en langage C++ (12 heures). Conception de classes, objets, instances, composition de classes, opérateurs, héritage, redéfinition, surcharge, polymorphisme, généricité, utilisation de bibliothèques. Références : B.W. Kernighan, D.M. Ritchie, Le Langage C, Editions Masson, M. Wielsch, UNIX. Notions fondamentales, Editions Micro Application, PC Poche, J. Courtin, Irène Kowarski, Initiation à l algorithmique et aux structures de données T2, Editions Dunod, P.-N. Lapointe, Pont entre C et C++, Editions Addison-Wesley, A. Guidet, Programmation objet en langage C++, Cours et exercices, Editions Ellipse,
8 EM7MIMI3 - Progiciels COURS TP 6 h 6 h Objectif : Ce cours est une initiation à l'utilisation de logiciels d'analyse statistique tels que SAS ou R afin d'illustrer sur des données réelles ou simulées quelques techniques classiques de modélisation statistique. Prérequis : Statistique inférentielle et modèle linéaire. Contenu : 1. Introduction aux logiciels SAS et Splus Présentation, gestion des données Statistiques et graphiques élémentaires Analyse de variance et régression, initiation à SAS/INSIGHT Exploration et graphiques, graphiques haute résolution Macro-commandes Tests statistiques 2. Pratique de SAS et de R sous Unix Modèle linéaire Analyse de variance et de co-variance Analyse en composantes principales Simulations de distributions Références : «SAS sous UNIX : Logiciel Hermétique pour Système Ouvert», corédigé par J.-M. Azaïs, P. Besse, H. Cardot, V. Couallier et A. Croquette, «Initiation à l'environnement R», par J. HUILLET 8
9 EM7MIMMM - Optimisation Responsable : Dominique Aze dominique.aze@math.univ-toulouse.fr COURS TD TP 24 h 20 h 4 h Le cours se compose de deux parties, l une consacrée aux fondements théoriques, l autre aux aspects algorithmiques de l optimisation. Prérequis : Topologie: compacité et complétude (dans R n ), suites de Cauchy, fonctions continues sur des ensembles compacts. Calcul différentiel: dérivées partielles, fonctions de classe C 1, de classe C 2, gradients, jacobiennes, hessiennes, développement taylorien. La droite réelle achevée, notion de supremum, d infimum, de maximum, de minimum. Contenu : 1. Fondements Introduction Structure générale d un problème d optimisation. Modélisation de problèmes: par exemple minimisation d un coût de fabrication, minimisation du temps de vol d un photon (donnant lieu à la loi de Snell-Descartes), etc. Terminologie: fonction-objectif (ou critère), ensemble admissible (ou réalisable), valeur optimale, ensemble solution. Classification des problèmes d optimisation: problèmes convexes ou non, problèmes différentiables ou non, problèmes discrets, programmation linéaire, problèmes quadratiques, programmation semi-définie, optimisation multi-objectif. Rudiments d analyse convexe Généralités. Graphes, épigraphes et ensembles de niveau. Critère des pentes croissantes. Notion de dérivée directionnelle et lien avec le gradient. Convexité des fonctions de classe C 1. Convexité des fonctions de classe C 2. Séparation par des hyperplans, séparation forte. Cônes convexes, cône convexe engendré par une famille finie de points, cône dual, lemme de Farkas. Extrema Minimiseurs et suites minimisantes. Théorèmes d existence de minimiseurs: 1) critère continu et ensemble admissible compact; 2) critère continu coercif et ensemble admissible fermé. Conditions d optimalité sans contrainte: conditions nécessaires (CN), suffisantes (CS), premier et second ordre. Cas convexe. 9
10 Conditions d optimalité avec contrainte: cas général, puis cas des problèmes avec contraintes d égalités et d inégalités impliquant des fonctions différentiables. Théorème de John; qualification des contraintes: condition de Mangasarian-Fromovitz et notion de point régulier (condition (CQ2)). Théorème de Karusch-Kuhn-Tucker (KKT). Notion de lagrangien. Cas convexe. Introduction à la dualité lagrangienne. Notion de point-selle. Points-selles du lagrangien et solutions du système (KKT). Problèmes duaux. Exemples. 2. Algorithmes Problèmes sans contrainte Méthodes de descente, en particulier méthode de plus profonde descente. Recherche linéaire: conditions de Wolfe, puis algorithme de recherche linéaire de Wolfe-Lemaréchal. Algorithme des gradients conjugués pour les problèmes quadratiques. Méthodes newtoniennes: méthode de Newton pour les systèmes non linéaires; application à la recherche des zéros d un gradient; forces et faiblesse de la méthode de Newton; algorithmes de quasi-newton: formules de mise à jour de DFP et BFGS ; méthode de Newton-Gauss pour les problèmes de moindres carrés. Problèmes avec contraintes Méthode du gradient avec projection. Méthodes de pénalisation: pénalisations extérieure et intérieure. Algorithmes de programmation quadratique successive (SQP). Approche par dualisation (traitée sur quelques exemples). Références : [1] M. Bergounioux, Optimisation et contrôle des systèmes linéaires, Dunod, [2] M. Bierlaire, Introduction à l optimisation différentiable, Presses Polytechniques et Universitaires Romandes, [3] J.-B. Hiriart-Urruty, Les mathématiques du mieux faire. Vol. 1 : Premiers pas en optimisation. Collection Opuscules, Editions Ellipses,
11 EM7MIMJM - Probabilités Responsable : Thierry Klein thierry.klein@math.univ-toulouse.fr COURS TD/TP 24 h 24 h Objectif : L étude de phénomènes complexes issus de la biologie, l économie ou la physique requiert de plus en plus souvent l utilisation de familles de variables aléatoires dépendant du temps, ou plus exactement de processus stochastiques. Cet enseignement a pour objectif d une part de présenter les méthodes classiques de simulation de variables aléatoires; d autres part d introduire et d étudier, à partir d exemples, différents processus stochastiques. Les différentes techniques présentées sont mises en œuvre lors de TP sur Matlab. Prérequis : Ce cours nécessite de maîtriser les notions de bases en théorie de la mesure et en probabilités (niveau L3), dont la probabilité conditionnelle. Plan du cours : Dans un premier temps, le temps est supposé fixe. Après quelques rappels sur les variables et vecteurs aléatoires ainsi que les théorèmes limites, on présentera différentes méthodes de simulations de loi de variables aléatoires (méthode d inversion de la fonction de répartition, algorithme de Box-Muller, méthodes du rejet et de Monte-Carlo). Puis on présentera une grande classe de processus à temps discret : les chaînes de Markov à espace d état fini (ou dénombrable); ainsi que leur comportement asymptotique (théorème ergodique et comportement limite). On abordera les marches aléatoires et les processus de Galton-Watson. On conclura avec l introduction des processus à temps continu : processus de Poisson, de renouvellement et première approche du mouvement brownien. Programme des TP : 1. TP1: Simulation de variables et vecteurs aléatoires, 2. TP2: Exhibition de la LGN et du TLC, 3. TP3: Méthode de Monte-Carlo, 4. TP4: Simulation d une chaîne de Markov et étude de sa convergence, 5. TP5: Processus de vie et de mort, de Galton-Watson, 6. TP6: Processus de Poisson et son renouvellement, 7. TP7: Marches aléatoires, première approche du mouvement brownien. Références : Bercu B. et Chafaï D. (2007) Modélisation stochastique et simulation - Cours et applications, SMAI Sciences Sup, Dunod Baldi P., Mazliak, L. Priouret, P.(2001) Martingales et Chaînes De Markov. Exercices Corriges, Hermann 11
12 EM7MIMK1 - Statistique paramétrique Responsable : Thierry Klein thierry.klein@math.univ-toulouse.fr COURS TD 24 h 24 h Objectif Le but est d approfondir les notions de Statistique Inférentielle abordées en L3, avec en particulier l étude de problèmes paramétriques multidimensionnels et une première approche des modèles non-paramétriques. Prérequis D un point de vue de l outillage mathématique, il est absolument nécessaire de posséder les notions de base (niveau L3) en Théorie de la Mesure et en Calcul des Probabilités. D un point de vue Statistique, il est conseillé d avoir suivi un cours élémentaire en Statistique Inférentielle (modèles et méthodes de bases en dimension 1), mais ce cours est construit de telle sorte qu un étudiant motivé n ayant pas suivi d enseignement de base en Statistique Inférentielle puisse rapidement se mettre à niveau au cours du semestre. Plan du cours : Les deux premières parties portent sur des notions de bases en modélisation et méthodologie statistique qui permettent d aboutir à des méthodes de construction d estimateurs optimaux (en un sens que l on précisera). La troisième partie particularisera ces questions à des modèles paramétriques multidimensionnels de première importance (les familles exponentielles), tandis que la quatrième partie sera consacrée à une initiation aux modèles de dimension infinie (statistique nonparamétrique) et à la spécificité des problèmes statistiques dans ce cadre. Quelques rappels - Notions de base en modélisation statistique (structure statistique, estimateurs, biais, variance, convergence d estimateurs). - Rappels de techniques usuelles de construction d estimateurs (méthode des moments, méthode du maximum de vraisemblance). - Généralités sur les tests (niveau, puissance, image), et construction de tests UPP par le lemme de Neymann-Pearson. 12
13 Propriétés essentielles des structures statistiques Exhaustivité et amélioration d estimateurs sans biais. Complétion et construction d estimateurs sans biais de moindre variance. Notion d information de Fisher et liens avec l efficacité. Quelques modèles paramétriques importants Etude détaillée du cadre gaussien. Introduction et étude détaillée des familles exponentielles. Introduction aux modèles non-paramétriques Introduction à l estimation fonctionnelle au travers de l estimation d une densité. Référence : Bien que d un niveau bien plus élevé, le livre de D. Fourdrinier (2000, Dunod) intitulé Statistique Inférentielle est un excellent complément à ce cours. 13
14 EM7MIMK2 - Statistique bayésienne et algorithmes stochastiques Responsable : Jérôme Dupuis Jerome.dupuis@math.univ-toulouse.fr COURS TD TP 16 h 10 h 6 h Objectif : Dans la première partie du cours on introduira le modèle statistique bayésien, et l'objectif sera alors de mettre en oeuvre l'approche bayésienne (estimation et intervalle de confiance) dans des situations simples. On entend par situations simples, celles où la loi a posteriori est une loi connue (loi normale, beta, gamma, etc..). En pratique, ce n'est pas souvent le cas, et la mise en oeuvre de l'approche bayésienne se heurte souvent à des difficultés de nature calculatoire; c'est particulièrement vrai dans le cadre multidimensionnel (intégrales de grande dimension incalculables à la main). On surmontera ces difficultés en faisant appel aux méthodes de simulation de Monte Carlo. Ce sera précisément l'objectif de la seconde partie de ce cours que de présenter ces algorithmes stochastiques et de les mettre en oeuvre dans un cadre bayésien, et ce au travers de situations concrètes (3 TP sous R ou Matlab sont prévus pour programmer ces algorithmes stochastiques). Prérequis : Il est nécessaire de posséder les notions de base du calcul des probabilités (niveau L3). Par ailleurs, il est préférable d'avoir suivi un cours de statistique inférentielle unidimensionnelle (estimation, test et intervalle de confiance). Plan du cours : 1. Les spécificités de l approche bayésienne. Les différentes lois de probabilité intervenant en statistique bayésienne: loi conditionnelle des observations, loi a priori et loi a posteriori. Définition et propriétés de l estimateur de Bayes. Calcul explicite d un tel estimateur dans des cas simples (lois a priori conjuguées). Lois a priori impropres et estimateurs de Bayes généralisés. Définition d un intervalle de confiance bayésien et sa construction. La mise en œuvre d un test en statistique bayésienne. Modélisation de l information a priori: on considérera successivement les cas où le paramètre d intérêt est un réel, un réel positif, un réel dans [0,1], un entier. 14
15 2. La mise en œuvre via les méthodes de Monte-Carlo. Méthode classique de simulation de Monte-Carlo: le principe général de la méthode et sa mise en œuvre dans un contexte bayésien. Méthode de simulation de Monte-Carlo par chaîne de Markov: le principe général de la méthode. Les algorithmes de Gibbs et de Metropolis-Hastings: leur mise en œuvre dans un cadre purement probabiliste, puis dans le cadre de la statistique bayésienne. On illustrera ces méthodes de simulation de Monte-Carlo à partir de situations concrètes. Celles-ci feront l objet de plusieurs séances de TP où les étudiants auront à programmer ces algorithmes en Matlab. Références : C. P. Robert. Le choix bayésien: principe et pratique, Springer,
16 EM7MIML1 - Modélisation et équations différentielles ordinaires Responsable : Luca Amodei luca.amodei@math.univ-toulouse.fr COURS TD TP 10 h 8 h 2 h Objectif : Les équations différentielles ordinaires permettent de décrire et modéliser de nombreux phénomènes et situations. L'objectif de ce cours est d'introduire et étudier quelques exemples classiques de systèmes différentiels issus de différents domaines (mécanique, chimie, biologie, économie). L'étude des solutions et de leur comportement qualitatif permet de valider ou invalider les différents modèles, ou de les modifier sur la base de solutions particulières recherchées. Prérequis : Calcul différentiel et intégral. Rudiments sur la théorie des équations différentielles ordinaires (existence et unicité de la solution équations linéaires à coefficients constants). Contenu : Modèle de la mécanique : pendule, équation de Newton, système mécanique en rotation. Modèle de la chimie : équation de la cinétique chimique. Modèle du système biologique proie-prédateur de Volterra-Lotka. Modèle de croissance économique. Etude des points d'équilibre, notion de stabilité, fonction de Lyapunov. Ensembles limites, attracteurs périodiques. Etude de quelques schémas d'approximation. Notion de consistance et de stabilité. Références : [1] E. Hairer, S. P. Nørsett, G. Wanner, Solving Ordinary Differential Equations I : Nonstiff Problems, Springer-Verlag, [2] E. Hairer, G. Wanner, Solving Ordinary Differential Equations II : Stiff and Differential-Algebraic Problems, Springer-Verlag, [3] J. D. Murray, Mathematical Biology: I. An Introduction, Springer-Verlag,
17 EM7MIML2 - Introduction aux équations aux dérivées partielles 1 Responsables : Jean-Pierre Raymond giacomo.dimarco@math.univ-toulouse.fr abdallah.chalabi@math.univ-toulouse.fr COURS TD TP 16 h 12 h 4 h Objectif : L objectif de ce cours est d introduire les principaux modèles d équations aux dérivées partielles intervenant en mécanique, en physique et en ingénierie. Prérequis : Quelques éléments concernant les équations et les systèmes différentiels, un peu d analyse fonctionnelle, un peu de calcul différentiel. Contenu :.Quelques éléments de modélisation permettant d introduire les modèles les plus simples d équations aux dérivées partielles. Equations hyperboliques linéaires du premier ordre. Equation de la chaleur. Existence et unicité de solutions. Solutions exactes en dimension 1 d espace. Equations des ondes. Pour chacun des modèles précédents, nous introduirons les schémas aux différences finies. Consistance, précision et stabilité d un schéma. Convergence d un schéma. Le codage des méthodes de différences finies sera effectué avec le logiciel Matlab au cours de deux séances de TP. Références : Brigitte Lucquin, Equations aux Dérivées Partielles et leurs Approximations, Ellipses,2004. Grégoire Allaire, Analyse Numérique et Optimisation, Les Editions de l Ecole Polytechnique, Bijan Mohammadi et Jacques-Hervé Saïac, Pratique de la Simulation Numérique, Dunod,
18 EM7MIMEM Langues Responsable : Claire Chaplier claire.chaplier@orange.fr COURS/TD 24 h Mots clés : Anglais Communication Professionnelle. Anglais Publication et Communication Scientifique Objectifs : Développer les compétences orales et écrites indispensables aux étudiants en vue de leur intégration dans la vie professionnelle en effectuant une simulation de tâche professionnelle (projet), de sa préparation à son aboutissement en adoptant une démarche cohérente et en utilisant les outils linguistiques vus en cours. Il s agit de concevoir et de mener le travail de A à Z ainsi que de prendre la parole en public pour la présenter et de répondre aux questions. Fournir les outils de communication permettant de s exprimer dans le contexte international d aujourd hui et acquérir l autonomie linguistique nécessaire à cette intégration : 1. la recherche d informations et compréhension de documents portant sur le domaine de spécialité ; 2. l acquisition du vocabulaire propre à une conversation téléphonique, un entretien d emploi, la rédaction d un courrier... Entraîner les étudiants à l expression écrite dans leur domaine de spécialité: rédiger un rapport écrit de 4 ou 5 pages, mais aussi accomplir d autres tâches écrites tels que préparer un CV et lettre de motivation, rédiger un résumé du rapport écrit/d article, rapporter le contenu d un document oral, rédiger un commentaire détaillé à partir de figures ou de tableaux, étude de cas, résolution de problème... 18
19 EMMI18I - Semestre 8 Durée : 12 semaines ENSEIGNEMENTS MODULES ECTS COURS TD TP EM8MIMCM Modèle linéaire 4 24 h 16 h 10 h EM8MIMDM Analyse des données multidimensionnelles 3 16 h 12 h 12 h EM8MIMEM Statistique 2 Modélisation stochastique 3 10 h 6 h 4 h Méthodologie statistique et applications 10 h 10 h - EM8MIMFM Signaux et systèmes Traitement du signal 5 16 h 12 h 4 h Automatique 16 h 12 h 4 h EM8MIMGM Grands systèmes linéaires Systèmes non linéaires 3 16 h 10 h 4 h Calcul scientifique 2 EM8MIMHM Modélisation pour la physique 5 12 h 12 h - Introduction aux équations aux dérivées partielles 2 20 h 20 h - EM8MIMIM Bureau d'étude projet pluridisciplinaire 2 12 h EM8MIMJM Stage 5 19
20 EM8MIMCM Modèle linéaire Responsables : Franck Barthe Cécile Chouquet franck.barthe@math.univ-toulouse.fr cecile.chouquet@math.univ-toulouse.fr COURS TD TP 24 h 16 h 8 h Objectif : Cet enseignement a pour objectif, dans un premier temps, de poser les bases du modèle linéaire gaussien dans sa forme générale, et dans un deuxième temps, d étudier les cas particuliers de ce modèle : régression linéaire simple et multiple, analyse de variance à un, deux et trois facteurs croisés, et analyse de covariance. Des méthodes spécifiques à chaque type de modèle seront alors étudiées. Ces modèles seront mis en œuvre sous SAS et/ou sous R. Prérequis : Ce cours nécessite de connaître des notions d algèbre linéaire (manipulations de matrices et projection, en particulier) et de probabilités (vecteurs gaussiens, lois de probabilités utilisées dans le cadre du modèle linéaire gaussien...). Il serait souhaitable que les étudiants aient suivi un cours de statistique inférentielle (niveau L3). Plan du cours : 1. Rappels sur les vecteurs gaussiens, les lois de probabilité et les propriétés associées. 2. Présentation générale du modèle linéaire gaussien : Construction du modèle linéaire gaussien, hypothèses de base (normalité des résidus...), propriétés en découlant. Estimation : méthode des moindres carrés, méthode du maximum de vraisemblance. Tests d hypothèses : formulation de l hypothèse nulle, test de Fisher et test de Student. Qualité et validité du modèle linéaire. 3. La régression linéaire simple. 4. La régression linéaire multiple : estimation, méthode de sélection de variables explicatives, critères de choix de modèles. 20
21 5. L analyse de variance à un facteur: estimation, méthode de Bonferroni. 6. L analyse de variance à deux ou trois facteurs croisés : estimation, modèle saturé, diagramme des interactions, choix de modèles. 7. Mise en œuvre sous SAS et/ou R de ces modèles : procédures et fonctions, interprétation des résultats fournis, étude de la qualité et de la validité du modèle estimé. Références : Saporta G. (1990). Probabilités, analyse de données et statistique, Technip. Cornillon PA, Matzner-Lober E. (2007). Régression: théorie et applications, Springer. 21
22 EM8MIMDM - Analyse de données multidimensionnelles Responsable : Thierry Delmotte thierry.delmotte@math.univ-toulouse.fr COURS TD TP 16 h 12 h 12 h Objectif : Cet enseignement a pour objectif de présenter les méthodes d analyse de données multidimensionnelles: analyse en composantes principales, analyse factorielle des correspondances, analyse discriminante et classification. Ces techniques ont pour finalité la description statistique de grands tableaux de données, selon trois axes : la réduction de dimension pour la compression des données, la construction de représentations graphiques synthétiques et la mise en place de typologies des observations. L accent sera mis sur la bonne utilisation, l interprétation et la complémentarité de ces méthodes. On insistera également sur l apport de la statistique multidimensionnelle, et ce, au regard de ce que la statistique univariée et bivariée peut apporter. Ces méthodes seront mises en œuvre sous SAS et/ou sous R. Prérequis : Ce cours nécessite de connaître des notions d algèbre linéaire (calcul matriciel, projection et décomposition en éléments singuliers des matrices) et les outils probabilistes classiques (niveau L3). Par ailleurs, il serait souhaitable que les étudiants aient suivi un cours de Statistique descriptive (niveau L3). Contenu : 1. Analyse en composantes principales. 2. Analyse factorielle des correspondances binaire et multiple. 3. Analyse discriminante. 4. Méthodes de classification. Références : G. Saporta, Probabilités, analyse de données et statistique (Seconde Edition), Technip, 2006 W.N. Venables, B.D. Ripley, Modern Applied Statistics with S (Fourth Edition), Springer,
La Licence Mathématiques et Economie-MASS Université de Sciences Sociales de Toulouse 1
La Licence Mathématiques et Economie-MASS Université de Sciences Sociales de Toulouse 1 La licence Mathématiques et Economie-MASS de l Université des Sciences Sociales de Toulouse propose sur les trois
Plus en détailUNIVERSITE DES ANTILLES et DE LA GUYANE Campus de Fouillole BP250-97157 Pointe-à-Pitre Cedex CONTRAT 2010-2013 LE MASTER NOM DU DOMAINE STS
UNIVERSITE DES ANTILLES et DE LA GUYANE Campus de Fouillole BP20-9717 Pointe-à-Pitre Cedex CONTRAT 2010-201 LE MASTER NOM DU DOMAINE STS Mention : Mathématiques Implantation : Guadeloupe FICHES DESCRIPTIVES
Plus en détailOptimisation et programmation mathématique. Professeur Michel de Mathelin. Cours intégré : 20 h
Télécom Physique Strasbourg Master IRIV Optimisation et programmation mathématique Professeur Michel de Mathelin Cours intégré : 20 h Programme du cours d optimisation Introduction Chapitre I: Rappels
Plus en détail4.2 Unités d enseignement du M1
88 CHAPITRE 4. DESCRIPTION DES UNITÉS D ENSEIGNEMENT 4.2 Unités d enseignement du M1 Tous les cours sont de 6 ECTS. Modélisation, optimisation et complexité des algorithmes (code RCP106) Objectif : Présenter
Plus en détailModélisation aléatoire en fiabilité des logiciels
collection Méthodes stochastiques appliquées dirigée par Nikolaos Limnios et Jacques Janssen La sûreté de fonctionnement des systèmes informatiques est aujourd hui un enjeu économique et sociétal majeur.
Plus en détailDébouchés professionnels
Master Domaine Droit, Economie, Gestion Mention : Monnaie, Banque, Finance, Assurance Spécialité : Risque, Assurance, Décision Année universitaire 2014/2015 DIRECTEUR de la spécialité : Monsieur Kouroche
Plus en détailMaster CCI. Compétences Complémentaires en Informatique. Livret de l étudiant
Master CCI Compétences Complémentaires en Informatique Livret de l étudiant 2014 2015 Master CCI Le Master CCI (Compétences Complémentaires en Informatique) permet à des étudiants de niveau M1 ou M2 dans
Plus en détailMaster de Recherche première année. Programme de cours 2008-2011
Master de Recherche première année Mention : Mathématiques et Applications Spécialité : Mathématiques fondamentales et appliquées Responsable : Xue Ping WANG Programme de cours 2008-2011 Module M1 : Analyse
Plus en détailI Stabilité, Commandabilité et Observabilité 11. 1 Introduction 13 1.1 Un exemple emprunté à la robotique... 13 1.2 Le plan... 18 1.3 Problème...
TABLE DES MATIÈRES 5 Table des matières I Stabilité, Commandabilité et Observabilité 11 1 Introduction 13 1.1 Un exemple emprunté à la robotique................... 13 1.2 Le plan...................................
Plus en détailFICHE UE Licence/Master Sciences, Technologies, Santé Mention Informatique
NOM DE L'UE : Algorithmique et programmation C++ LICENCE INFORMATIQUE Non Alt Alt S1 S2 S3 S4 S5 S6 Parcours : IL (Ingénierie Logicielle) SRI (Systèmes et Réseaux Informatiques) MASTER INFORMATIQUE Non
Plus en détailProgrammes des classes préparatoires aux Grandes Ecoles
Programmes des classes préparatoires aux Grandes Ecoles Filière : scientifique Voie : Biologie, chimie, physique et sciences de la Terre (BCPST) Discipline : Mathématiques Seconde année Préambule Programme
Plus en détailCalculer avec Sage. Revision : 417 du 1 er juillet 2010
Calculer avec Sage Alexandre Casamayou Guillaume Connan Thierry Dumont Laurent Fousse François Maltey Matthias Meulien Marc Mezzarobba Clément Pernet Nicolas Thiéry Paul Zimmermann Revision : 417 du 1
Plus en détailGENIE DES SYSTEMES INDUSTRIELS
MASTER SCIENCES, TECHNOLOGIES, SANTE/STAPS GENIE DES SYSTEMES INDUSTRIELS Spécialité Risques Industriels et Maintenance www.univ-littoral.fr OBJECTIFS DE LA FORMATION L objectif du master régional GSI
Plus en détailRenforcement des trois compétences : compréhension orale, expression orale et expression écrite à partir de documents et vidéos.
Master Mathématiques et Applications Spécialité : Ingénierie mathématique et modélisation Parcours : Mathématique et Informatique : Statistique, Signal, Santé (MI3S) 2015-2016 RÉSUMÉ DES COURS : (dernière
Plus en détailRésumé des communications des Intervenants
Enseignements de la 1ere semaine (du 01 au 07 décembre 2014) I. Titre du cours : Introduction au calcul stochastique pour la finance Intervenante : Prof. M hamed EDDAHBI Dans le calcul différentiel dit
Plus en détailMASTER 2 SCIENCES HUMAINES ET SOCIALES Mention Psychologie. Spécialité : Recherches en psychologie
S3 Spécialité : Recherches en psychologie UE OBLIGATOIRES UE 1 : Epistémologie et méthodes de recherche en psychologie Ce séminaire aborde plusieurs aspects de la recherche en psychologie. Il présente
Plus en détailFiltrage stochastique non linéaire par la théorie de représentation des martingales
Filtrage stochastique non linéaire par la théorie de représentation des martingales Adriana Climescu-Haulica Laboratoire de Modélisation et Calcul Institut d Informatique et Mathématiques Appliquées de
Plus en détailOptimisation non linéaire Irène Charon, Olivier Hudry École nationale supérieure des télécommunications
Optimisation non linéaire Irène Charon, Olivier Hudry École nationale supérieure des télécommunications A. Optimisation sans contrainte.... Généralités.... Condition nécessaire et condition suffisante
Plus en détailÉdIteur officiel et fournisseur de ServIceS professionnels du LogIcIeL open Source ScILab
ÉdIteur officiel et fournisseur de ServIceS professionnels du LogIcIeL open Source ScILab notre compétence d'éditeur à votre service créée en juin 2010, Scilab enterprises propose services et support autour
Plus en détailTable des matières. I Mise à niveau 11. Préface
Table des matières Préface v I Mise à niveau 11 1 Bases du calcul commercial 13 1.1 Alphabet grec...................................... 13 1.2 Symboles mathématiques............................... 14 1.3
Plus en détailCatalogue des connaissances de base en mathématiques dispensées dans les gymnases, lycées et collèges romands.
Catalogue des connaissances de base en mathématiques dispensées dans les gymnases, lycées et collèges romands. Pourquoi un autre catalogue en Suisse romande Historique En 1990, la CRUS (Conférences des
Plus en détailFilière «Économie et Entreprise» 2015/2016
Filière «Économie et Entreprise» 2015/2016 1. Présentation de la filière Économie et Entreprise La filière «Economie et entreprises» de quatrième année de SciencesPo Strasbourg donne aux étudiants, dans
Plus en détailCe cours introduit l'électrodynamique classique. Les chapitres principaux sont :
11P001 ELECTRDYNAMIQUE I Automne 4 crédits BACHELR 1ère ANNEE MASTER BIDISCIPLINAIRE MINEURE PHYSIQUE CURS BLIGATIRES Enseignant(s) G. Iacobucci P Automne (A) Horaire A C2 E2 LU 1113 EPA JE 810 EPA = obligatoire
Plus en détailMéthodes de Simulation
Méthodes de Simulation JEAN-YVES TOURNERET Institut de recherche en informatique de Toulouse (IRIT) ENSEEIHT, Toulouse, France Peyresq06 p. 1/41 Remerciements Christian Robert : pour ses excellents transparents
Plus en détailNOTICE DOUBLE DIPLÔME
NOTICE DOUBLE DIPLÔME MINES ParisTech / HEC MINES ParisTech/ AgroParisTech Diplômes obtenus : Diplôme d ingénieur de l Ecole des Mines de Paris Diplôme de HEC Paris Ou Diplôme d ingénieur de l Ecole des
Plus en détailTABLE DES MATIÈRES. Bruxelles, De Boeck, 2011, 736 p.
STATISTIQUE THÉORIQUE ET APPLIQUÉE Tome 2 Inférence statistique à une et à deux dimensions Pierre Dagnelie TABLE DES MATIÈRES Bruxelles, De Boeck, 2011, 736 p. ISBN 978-2-8041-6336-5 De Boeck Services,
Plus en détailStatistiques et traitement des données
Statistiques et traitement des données Mention : Mathématiques Nature de la formation : Diplôme national de l'enseignement Supérieur Durée des études : 2 ans Crédits ECTS : 120 Formation accessible en
Plus en détailLicence STS mention Mathématiques Parcours Ingénieur Télécom Bretagne (ITB)
Licence STS mention Mathématiques Parcours Ingénieur Télécom Bretagne (ITB) FICHE D IDENTITE DE LA FORMATION Domaine de formation : Sciences, Technologies, Santé Intitulé : Licence Sciences, Technologies,
Plus en détailMaîtrise universitaire ès sciences en mathématiques 2012-2013
1 / 6 Remarques liminaires : Ce master à (3 semestres) permet 2 orientations distinctes : - Un master général : "Mathématiques, Systèmes dynamiques et phénomènes d'évolution" - Un master qui permet de
Plus en détailCHAPITRE I. Modélisation de processus et estimation des paramètres d un modèle
CHAPITRE I Modélisation de processus et estimation des paramètres d un modèle I. INTRODUCTION. Dans la première partie de ce chapitre, nous rappelons les notions de processus et de modèle, ainsi que divers
Plus en détailFonctions de plusieurs variables
Module : Analyse 03 Chapitre 00 : Fonctions de plusieurs variables Généralités et Rappels des notions topologiques dans : Qu est- ce que?: Mathématiquement, n étant un entier non nul, on définit comme
Plus en détailTABLE DES MATIERES. C Exercices complémentaires 42
TABLE DES MATIERES Chapitre I : Echantillonnage A - Rappels de cours 1. Lois de probabilités de base rencontrées en statistique 1 1.1 Définitions et caractérisations 1 1.2 Les propriétés de convergence
Plus en détailLICENCE PHYSIQUE, CHIMIE EN L3 :
SCIENCES & TECHNOLOGIES - SANTÉ ET STAPS LICENCE EN L : - Parcours : «Chimie» (Dunkerque) - Parcours : «Physique, Sciences-Physiques, Electronique et Instrumentation» (Calais) www.univ-littoral.fr OBJECTIFS
Plus en détailLes formations de remise à niveau(!) l'entrée des licences scientifiques. Patrick Frétigné CIIU
Les formations de remise à niveau(!) pour les bacheliers «non-s» à l'entrée des licences scientifiques. Patrick Frétigné CIIU Cinq exemples Nantes Clermont Ferrand Lorraine Rennes 1 Rouen Nantes REUSCIT
Plus en détailUniversité du Québec à Chicoutimi. Département d informatique et de mathématique. Plan de cours. Titre : Élément de programmation.
Université du Québec à Chicoutimi Département d informatique et de mathématique Plan de cours Titre : Élément de programmation Sigle : 8inf 119 Session : Automne 2001 Professeur : Patrice Guérin Local
Plus en détailProgrammes des classes préparatoires aux Grandes Ecoles
Programmes des classes préparatoires aux Grandes Ecoles Filière : scientifique Voies : Mathématiques, physique et sciences de l'ingénieur (MPSI) Physique, chimie et sciences de l ingénieur (PCSI) Physique,
Plus en détailFormations EViews FORMATIONS GENERALES INTRODUCTIVES INTRO : INTRODUCTION A LA PRATIQUE DE L ECONOMETRIE AVEC EVIEWS
Formations EViews FORMATIONS GENERALES INTRODUCTIVES DEB : DECOUVERTE DU LOGICIEL EVIEWS INTRO : INTRODUCTION A LA PRATIQUE DE L ECONOMETRIE AVEC EVIEWS FORMATIONS METHODES ECONOMETRIQUES VAR : MODELES
Plus en détailPROBABILITES ET STATISTIQUE I&II
PROBABILITES ET STATISTIQUE I&II TABLE DES MATIERES CHAPITRE I - COMBINATOIRE ELEMENTAIRE I.1. Rappel des notations de la théorie des ensemble I.1.a. Ensembles et sous-ensembles I.1.b. Diagrammes (dits
Plus en détailMaster of Science en mathématiques 2013-2014
Remarques liminaires : 1 Ce master à (3 semestres) permet 2 orientations distinctes : 1) Un master général en mathématiques 2) Un master qui permet de choisir des mineurs en finance, statistique, informatique
Plus en détailANALYSE NUMERIQUE ET OPTIMISATION. Une introduction à la modélisation mathématique et à la simulation numérique
1 ANALYSE NUMERIQUE ET OPTIMISATION Une introduction à la modélisation mathématique et à la simulation numérique G. ALLAIRE 28 Janvier 2014 CHAPITRE I Analyse numérique: amphis 1 à 12. Optimisation: amphis
Plus en détailMaster Energie spécialité Energie électrique
03/12/2013 http://www.univ-fcomte.fr Master Energie spécialité Energie UFR Sciences, techniques, et gestion de l'industrie http://stgi.univ-fcomte.fr/ Dénomination officielle : Master Sciences, technologies,
Plus en détail2012-2017. Co-habilitation. Objectifs de la formation. Modalités de recrutement et schéma général
UFR Sciences et Techniques 25, rue Philippe Lebon BP 1123 76063 Le Havre Cedex 02.32.74.43.00 Secrétariat administratif 02.32.74.43.54 M2.AIMAF@univ-lehavre.fr Responsable Adnan Yassine adnan.yassine@univ-lehavre.fr
Plus en détailMaster of Science en mathématiques 2015-2016
Remarques liminaires : 1/9 Ce master à 90 ECTS (3 semestres) permet 2 orientations distinctes : - Un master général en mathématiques - Un master qui permet de choisir des mineurs en finance, statistique
Plus en détailLe Master Mathématiques et Applications
Le Master Mathématiques et Applications Franck BOYER franck.boyer@univ-amu.fr Institut de Mathématiques de Marseille Aix-Marseille Université Marseille, 20 Mai 2014 1/ 16 Structure générale Vue d ensemble
Plus en détailUniversité de Haute Alsace. Domaine. Sciences Humaines et Sociales. MASTER Mention Éducation, Formation, Communication UHA, ULP, Nancy 2
Centre Universitaire de Formation des Enseignants & des Formateurs Laboratoire Interuniversitaire de Sciences de l Education et de la Communication Université de Haute Alsace Domaine Sciences Humaines
Plus en détailCONCOURS D ENTREE A L ECOLE DE 2007 CONCOURS EXTERNE. Cinquième épreuve d admissibilité STATISTIQUE. (durée : cinq heures)
CONCOURS D ENTREE A L ECOLE DE 2007 CONCOURS EXTERNE Cinquième épreuve d admissibilité STATISTIQUE (durée : cinq heures) Une composition portant sur la statistique. SUJET Cette épreuve est composée d un
Plus en détailFormation à la C F D Computational Fluid Dynamics. Formation à la CFD, Ph Parnaudeau
Formation à la C F D Computational Fluid Dynamics Formation à la CFD, Ph Parnaudeau 1 Qu est-ce que la CFD? La simulation numérique d un écoulement fluide Considérer à présent comme une alternative «raisonnable»
Plus en détailS LICENCE INFORMATIQUE Non Alt Alt SS1 S2 S3 S4 S5 S6 Parcours : IL (Ingénierie Logicielle) SRI (Systèmes et Réseaux Informatiques)
NOM DE L'UE : ACCOMPAGNEMENT(ADI OU AFPF OU TUTORAT) S LICENCE INFORMATIQUE Non Alt Alt SS1 S2 S3 S4 S5 S6 Parcours : IL (Ingénierie Logicielle) SRI (Systèmes et Réseaux Informatiques) MASTER INFORMATIQUE
Plus en détailMASTER 2 IMAFA. Informatique et Mathématiques Appliquées à la Finance et à l'assurance
OBJECTIFS Ce Master prend le relais du DESS IMAFA créé en 1997 à l'essi. Il se fixe pour objectif de former des informaticiens de haut niveau maîtrisant parfaitement les concepts et outils mathématiques
Plus en détailIntroduction au datamining
Introduction au datamining Patrick Naïm janvier 2005 Définition Définition Historique Mot utilisé au départ par les statisticiens Le mot indiquait une utilisation intensive des données conduisant à des
Plus en détailLA NOTATION STATISTIQUE DES EMPRUNTEURS OU «SCORING»
LA NOTATION STATISTIQUE DES EMPRUNTEURS OU «SCORING» Gilbert Saporta Professeur de Statistique Appliquée Conservatoire National des Arts et Métiers Dans leur quasi totalité, les banques et organismes financiers
Plus en détailECTS INFORMATIQUE ET RESEAUX POUR L INDUSTRIE ET LES SERVICES TECHNIQUES
ECTS INFORMATIQUE ET RESEAUX POUR L INDUSTRIE ET LES SERVICES TECHNIQUES CHAPITRES PAGES I DEFINITION 3 II CONTEXTE PROFESSIONNEL 3 HORAIRE HEBDOMADAIRE 1 er ET 2 ème ANNEE 4 FRANÇAIS 4 ANGLAIS 5 MATHEMATIQUES
Plus en détailRésolution de systèmes linéaires par des méthodes directes
Résolution de systèmes linéaires par des méthodes directes J. Erhel Janvier 2014 1 Inverse d une matrice carrée et systèmes linéaires Ce paragraphe a pour objet les matrices carrées et les systèmes linéaires.
Plus en détailMATHÉMATIQUES EN PREMIER CYCLE PRÉSENTATION DU PROGRAMME
Notre cadre de réflexion MATHÉMATIQUES EN PREMIER CYCLE PRÉSENTATION DU PROGRAMME La proposition de programme qui suit est bien sûr issue d une demande du Premier Cycle : demande de rénovation des contenus
Plus en détailStructure du cours : Il existe de nombreuses méthodes intéressantes qui couvrent l Analyse des Données
Structure du cours : Il existe de nombreuses méthodes intéressantes qui couvrent l Analyse des Données et le Data Mining Nous suivons le plan suivant : Fonctionnement de Spad Catalogue des méthodes (statistiques
Plus en détailAutomatique Linéaire 1 Travaux Dirigés 1A ISMIN
Automatique Linéaire 1 Travaux Dirigés Travaux dirigés, Automatique linéaire 1 J.M. Dutertre 2014 TD 1 Introduction, modélisation, outils. Exercice 1.1 : Calcul de la réponse d un 2 nd ordre à une rampe
Plus en détailThéorie des probabilités
Théorie des probabilités LAVOISIER, 2008 LAVOISIER 11, rue Lavoisier 75008 Paris www.hermes-science.com www.lavoisier.fr ISBN 978-2-7462-1720-1 ISSN 1952 2401 Le Code de la propriété intellectuelle n'autorisant,
Plus en détailContents. 1 Introduction Objectifs des systèmes bonus-malus Système bonus-malus à classes Système bonus-malus : Principes
Université Claude Bernard Lyon 1 Institut de Science Financière et d Assurances Système Bonus-Malus Introduction & Applications SCILAB Julien Tomas Institut de Science Financière et d Assurances Laboratoire
Plus en détailSCIENCES POUR L INGENIEUR
LICENCE SCIENCES, TECHNOLOGIES, SANTE / STAPS SCIENCES POUR L INGENIEUR Parcours Maintenance Industrielle www.univ-littoral.fr OBJECTIFS DE LA FORMATION La Licence Sciences Pour l Ingénieur (SPI) est une
Plus en détailMon métier, mon parcours
Mon métier, mon parcours Anthony, ingénieur d études diplômé d un Master Réseaux, application documentaire, ingénierie et sécurité Les métiers de l Informatique Le domaine Sciences, Technologies, Santé
Plus en détailUFR d Informatique. FORMATION MASTER Domaine SCIENCES, TECHNOLOGIE, SANTE Mention INFORMATIQUE 2014-2018
UFR d Informatique FORMATION MASTER Domaine SCIENCES, TECHNOLOGIE, SANTE Mention INFORMATIQUE 2014-2018 Objectif L UFR d informatique propose au niveau du master, deux spécialités sous la mention informatique
Plus en détailMathématique et Automatique : de la boucle ouverte à la boucle fermée. Maïtine bergounioux Laboratoire MAPMO - UMR 6628 Université d'orléans
Mathématique et Automatique : de la boucle ouverte à la boucle fermée Maïtine bergounioux Laboratoire MAPMO - UMR 6628 Université d'orléans Maitine.Bergounioux@labomath.univ-orleans.fr Plan 1. Un peu de
Plus en détailPRÉSENTATION GÉNÉRALE
PRÉSENTATION GÉNÉRALE Cadrage institutionnel : Arrêté du 27 août 2013 fixant le cadre national des formations dispensées au sein des masters «métiers de l enseignement, de l éducation et de la formation»
Plus en détailMASTER (LMD) MODELISATION, OPTIMISATION, COMBINATOIRE ET ALGORITHME
MASTER (LMD) MODELISATION, OPTIMISATION, COMBINATOIRE ET ALGORITHME RÉSUMÉ DE LA FORMATION Type de diplôme : Master (LMD) Domaine ministériel : Sciences, Technologies, Santé Mention : INFORMATIQUE Spécialité
Plus en détailLa méthode des éléments finis et le contrôle des calculs
Table des matières Techniques Avancées en Calcul des Structures Cours d option La méthode des éléments finis et le contrôle des calculs J.-P. Pelle ENS - Cachan Master MIS Parcours TACS Année universitaire
Plus en détailSouad EL Bernoussi. Groupe d Analyse Numérique et Optimisation Rabat http ://www.fsr.ac.ma/ano/
Recherche opérationnelle Les démonstrations et les exemples seront traités en cours Souad EL Bernoussi Groupe d Analyse Numérique et Optimisation Rabat http ://www.fsr.ac.ma/ano/ Table des matières 1 Programmation
Plus en détailAnnexe au dossier du cursus CMI SID Licence - Master en Ingénierie. Syllabus L3 et Master SID Statistique et Informatique Décisionnelle
Annexe au dossier du cursus CMI SID Licence - Master en Ingénierie Syllabus L3 et Master SID Statistique et Informatique Décisionnelle Toulouse 3 14 février 2013 1 I - Licence 3 Semestre 5 4 I-1. Concepts
Plus en détail/LFHQFH3URIHVVLRQQHOOH 0DLQWHQDQFH,QGXVWULHOOHHQ*pQLH(OHFWULTXHª 0DVWHU*HVWLRQGHV5HVVRXUFHVHQ(QHUJLH(OHFWULTXH. 'RFWRUDWGH*pQLH(OHFWULTXH
bac+3 : /LFHQFH,QJpQLHULH(OHFWULTXH /LFHQFH3URIHVVLRQQHOOH 0DLQWHQDQFH,QGXVWULHOOHHQ*pQLH(OHFWULTXHª bac+5 : 0DVWHU*HVWLRQGHV5HVVRXUFHVHQ(QHUJLH(OHFWULTXH 0DVWHU,QJpQLHULHGHV6\VWqPHV(OHFWULTXHV,83 bac+8
Plus en détailMASTER de sciences et technologies, Mention MATHÉMATIQUES ET APPLICATIONS Université Pierre et Marie Curie (Paris VI) Année 2012-2013
MASTER de sciences et technologies, Mention MATHÉMATIQUES ET APPLICATIONS Université Pierre et Marie Curie (Paris VI) Année 2012-2013 [version du 29 juin 2012] 2 Table des matières 1 Master 2, Spécialité
Plus en détailDes conditions d accueil privilégiées au lycée Couperin
Pourquoi "oser la prépa ECE "? La CPGE ECE (classe préparatoire aux grandes écoles économique et commerciale voie économique) appelée aussi prépa HEC voie éco est un tremplin d accès aux grandes écoles
Plus en détailTests non-paramétriques de non-effet et d adéquation pour des covariables fonctionnelles
Tests non-paramétriques de non-effet et d adéquation pour des covariables fonctionnelles Valentin Patilea 1 Cesar Sanchez-sellero 2 Matthieu Saumard 3 1 CREST-ENSAI et IRMAR 2 USC Espagne 3 IRMAR-INSA
Plus en détailSTAPS parcours Management du sport
STAPS parcours Management du sport Nature de la formation : Diplôme national de l'enseignement Supérieur Durée des études : 3 ans Formation accessible en : Formation initiale Formation continue Lieu de
Plus en détailIntroduction à l approche bootstrap
Introduction à l approche bootstrap Irène Buvat U494 INSERM buvat@imedjussieufr 25 septembre 2000 Introduction à l approche bootstrap - Irène Buvat - 21/9/00-1 Plan du cours Qu est-ce que le bootstrap?
Plus en détailUne comparaison de méthodes de discrimination des masses de véhicules automobiles
p.1/34 Une comparaison de méthodes de discrimination des masses de véhicules automobiles A. Rakotomamonjy, R. Le Riche et D. Gualandris INSA de Rouen / CNRS 1884 et SMS / PSA Enquêtes en clientèle dans
Plus en détailSimulation de variables aléatoires
Chapter 1 Simulation de variables aléatoires Références: [F] Fishman, A first course in Monte Carlo, chap 3. [B] Bouleau, Probabilités de l ingénieur, chap 4. [R] Rubinstein, Simulation and Monte Carlo
Plus en détailwww.u-bordeaux3.fr Master 2 professionnel Soin, éthique et santé Mention Philosophie
www.u-bordeaux3.fr Master 2 professionnel Soin, éthique et santé Mention Philosophie Une formation approfondie à la réflexion éthique appliquée aux secteurs du soin et de la santé En formation continue,
Plus en détailPROGRAMME DETAILLE. Parcours en première année en apprentissage. Travail personnel. 4 24 12 24 CC + ET réseaux
PROGRAMME DETAILLE du Master IRS Parcours en première année en apprentissage Unités d Enseignement (UE) 1 er semestre ECTS Charge de travail de l'étudiant Travail personnel Modalités de contrôle des connaissances
Plus en détailECTS INFORMATIQUE DE GESTION Option Administrateur de réseaux Locaux d entreprise
ECTS INFORMATIQUE DE GESTION Option Administrateur de réseaux Locaux d entreprise CHAPITRES PAGES A DEFINITION 3 B DEBOUCHES 3 HORAIRE HEBDOMADAIRE 1 er ET 2 ème NEE 4 EXPRESSION FRCAISE 4 MATHEMATIQUES
Plus en détailArbres binaires de décision
1 Arbres binaires de décision Résumé Arbres binaires de décision Méthodes de construction d arbres binaires de décision, modélisant une discrimination (classification trees) ou une régression (regression
Plus en détailSCIENCES - TECHNOLOGIES - SANTE. STIC : Sciences et Technologies de l Information et de la Communication. Parcours Informatique
2012-2015 Niveau : MASTER année Domaine : Mention : Spécialité : Volume horaire étudiant : SCIENCES - TECHNOLOGIES - SANTE STIC : Sciences et Technologies de l Information et de la Communication Parcours
Plus en détailMises en relief. Information supplémentaire relative au sujet traité. Souligne un point important à ne pas négliger.
Cet ouvrage est fondé sur les notes d un cours dispensé pendant quelques années à l Institut universitaire de technologie de Grenoble 2, au sein du Département statistique et informatique décisionnelle
Plus en détailTABLE DES MATIÈRES CHAPITRE I. Les quanta s invitent
TABLE DES MATIÈRES AVANT-PROPOS III CHAPITRE I Les quanta s invitent I-1. L Univers est en constante évolution 2 I-2. L âge de l Univers 4 I-2.1. Le rayonnement fossile témoigne 4 I-2.2. Les amas globulaires
Plus en détailMASTER LPL : LANGUE ET INFORMATIQUE (P)
MASTER LPL : LANGUE ET INFORMATIQUE (P) RÉSUMÉ DE LA FORMATION Type de diplôme := Master Domaine : Arts, Lettres, Langues Mention : LITTERATURE, PHILOLOGIE, LINGUISTIQUE Spécialité : LANGUE ET INFORMATIQUE
Plus en détailOrganisation du parcours M2 IR Les unités d enseignements (UE) affichées dans la partie tronc commun sont toutes obligatoires, ainsi que le stage et
Organisation du parcours M2 IR Les unités d enseignements (UE) affichées dans la partie tronc commun sont toutes obligatoires, ainsi que le stage et l'anglais. L'étudiant a le choix entre deux filières
Plus en détailMASTER MARKETING VENTE, SPÉCIALITÉ MARKETING STRATÉGIQUE DES PRODUITS ET DES MARQUES
MASTER MARKETING VENTE, SPÉCIALITÉ MARKETING STRATÉGIQUE DES PRODUITS ET DES MARQUES RÉSUMÉ DE LA FORMATION Type de diplôme : Master (LMD) Domaine ministériel : Droit, Economie, Gestion Présentation Les
Plus en détailDiFiQ. Diplôme Finance Quantitative. Une formation en partenariat. Ensae Dauphine Bärchen
DiFiQ Ensae Dauphine Bärchen Diplôme Finance Quantitative Une formation en partenariat bonnes raisons 5de s inscrire au DiFiQ 1. Gagnez une maîtrise incontournable des techniques quantitatives en finance
Plus en détailNON-LINEARITE ET RESEAUX NEURONAUX
NON-LINEARITE ET RESEAUX NEURONAUX Vêlayoudom MARIMOUTOU Laboratoire d Analyse et de Recherche Economiques Université de Bordeaux IV Avenue. Leon Duguit, 33608 PESSAC, France tel. 05 56 84 85 77 e-mail
Plus en détailEmploi du temps prévisionnel
1 Emploi du temps prévisionnel 1. Séances de cours et d exercices Nous aurons cours ensemble : tous les mercredis matins du 28 septembre au 7 décembre inclus, à l exception du mercredi 2 novembre, libéré
Plus en détailProgramme Pédagogique National du DUT «Génie mécanique et productique» Présentation de la formation
Programme Pédagogique National du DUT «Génie mécanique et productique» Présentation de la formation 2 I CONCEPT GENERAL DE LA FORMATION Le diplômé des départements Génie Mécanique et Productique (GMP)
Plus en détailChapitre 7. Statistique des échantillons gaussiens. 7.1 Projection de vecteurs gaussiens
Chapitre 7 Statistique des échantillons gaussiens Le théorème central limite met en évidence le rôle majeur tenu par la loi gaussienne en modélisation stochastique. De ce fait, les modèles statistiques
Plus en détailSujet 1 : Diagnostique du Syndrome de l apnée du sommeil par des techniques d analyse discriminante.
Sujet 1 : Diagnostique du Syndrome de l apnée du sommeil par des techniques d analyse discriminante. Objectifs et formulation du sujet Le syndrome de l apnée du sommeil (SAS) est un problème de santé publique
Plus en détailIntroduction à l étude des Corps Finis
Introduction à l étude des Corps Finis Robert Rolland (Résumé) 1 Introduction La structure de corps fini intervient dans divers domaines des mathématiques, en particulier dans la théorie de Galois sur
Plus en détailMRK -6081 A : Méthodes d Analyse de Données en Marketing Automne 2010
E MRK -6081 A : Méthodes d Analyse de Données en Marketing Automne 2010 Professeure :Elissar Toufaily Plage horaire du cours : Cours en salle Jeudi 15h 30-18h30 Local 4221 PAP Du 2 septembre. 2010 au 9
Plus en détailSujet proposé par Yves M. LEROY. Cet examen se compose d un exercice et de deux problèmes. Ces trois parties sont indépendantes.
Promotion X 004 COURS D ANALYSE DES STRUCTURES MÉCANIQUES PAR LA MÉTHODE DES ELEMENTS FINIS (MEC 568) contrôle non classant (7 mars 007, heures) Documents autorisés : polycopié ; documents et notes de
Plus en détailMaster 2 professionnel MAAPS Méthodologies Analytiques Appliquées aux Produits de Santé
Master 2 professionnel MAAPS Méthodologies Analytiques Appliquées aux Produits de Santé Parcours MASTER : Sciences Technologies Santé MENTION : Médicaments et Produits de Santé SPECIALITE : Master PRO
Plus en détailModèle de troncature gauche : Comparaison par simulation sur données indépendantes et dépendantes
de troncature gauche : Comparaison par simulation sur données indépendantes et dépendantes Zohra Guessoum 1 & Farida Hamrani 2 1 Lab. MSTD, Faculté de mathématique, USTHB, BP n 32, El Alia, Alger, Algérie,zguessoum@usthb.dz
Plus en détailCoup de Projecteur sur les Réseaux de Neurones
Coup de Projecteur sur les Réseaux de Neurones Les réseaux de neurones peuvent être utilisés pour des problèmes de prévision ou de classification. La représentation la plus populaire est le réseau multicouche
Plus en détailProjet SINF2275 «Data mining and decision making» Projet classification et credit scoring
Projet SINF2275 «Data mining and decision making» Projet classification et credit scoring Année académique 2006-2007 Professeurs : Marco Saerens Adresse : Université catholique de Louvain Information Systems
Plus en détailEchantillonnage Non uniforme
Echantillonnage Non uniforme Marie CHABERT IRIT/INP-ENSEEIHT/ ENSEEIHT/TéSASA Patrice MICHEL et Bernard LACAZE TéSA 1 Plan Introduction Echantillonnage uniforme Echantillonnage irrégulier Comparaison Cas
Plus en détail