Renforcement des trois compétences : compréhension orale, expression orale et expression écrite à partir de documents et vidéos.

Save this PDF as:
 WORD  PNG  TXT  JPG

Dimension: px
Commencer à balayer dès la page:

Download "Renforcement des trois compétences : compréhension orale, expression orale et expression écrite à partir de documents et vidéos."

Transcription

1 Master Mathématiques et Applications Spécialité : Ingénierie mathématique et modélisation Parcours : Mathématique et Informatique : Statistique, Signal, Santé (MI3S) RÉSUMÉ DES COURS : (dernière mise à jour : 22/06/2015) Cours de la période 1 : Anglais (M. Barthelemy) Renforcement des trois compétences : compréhension orale, expression orale et expression écrite à partir de documents et vidéos. Pré-professionnalisation (E. Jugan) Projet de modélisation et d'utilisation de logiciel Matlab (V. Emiya et C. Melot) Objectifs du module: objectif principal: acquérir des compétences de programmation, en Matlab, en étant capable de mettre en œuvre un projet de programmation incluant des algorithmes dans le cadre d'applications sur des données réelles. Cet objectif répond à un besoin d'élever le niveau des étudiants en programmation, avec pour conséquence directe le bon déroulement des projets en périodes 2 et 3. objectif secondaire: approfondir une ou plusieurs techniques en rapport avec les thématiques de la filière MI3S objectif tertiaire: acquérir une compétence dans la manipulation de données d'un ou plusieurs types (signal, médical, etc.) Contenu: Nous aborderons la thématique des modèles parcimonieux (i.e. y=dx, le vecteur y étant l'observation, la matrice D le "dictionnaire" connu et le vecteur x étant inconnu avec un hypothèse de parcimonie x _0<k). Elle a l'avantage d'être assez générale et de pouvoir ainsi se décliner dans plusieurs projets. Une présentation de ces modèles fera le lien entre les différents contextes d'utilisation: en signal (codage/compression, problèmes inverses), en statistiques (sélection de variables pour la régression), en apprentissage, en optimisation convexe. Deux familles d'algorithmes seront abordées: les approches gloutonnes (matching pursuit, forward selection,...) et les techniques de minimisation convexe (lasso, etc.). Un grand nombre d'applications seront présentées en signal, stats, santé, etc., puis la reconstruction de données manquantes (i.e. l'inpainting) fera plus spécifiquement l'objet des projets. En croisant au moins deux types d'algorithmes (glouton/convexe) et deux applications (inpainting d'images/de sons), les (quatre ou plus) combinaisons possibles formeront autant de projets de programmation en Matlab. Ceci avec le double but de favoriser la programmation de type modulaire (modules indépendants avec tests unitaires intégrés dans une architecture globale) et de permettre des discussions entre les groupes. Programmation C et/ou Java et mini projet (F.X. Dupé)

2 Le programme portera sur des éléments d'algorithmique avancée et leur mise en œuvre en Java. On étudiera notamment le problème du tri, les structures de données linéaires, arborescentes et relationnelles ainsi que les grands algorithmes y afférents. On abordera à cette occasion les techniques dites "divide and conquer", la programmation dynamique, les algorithmes gloutons. Tous les algorithmes seront prouvés et évalués en fonction de leur complexité en temps et en espace. Tous donneront lieu à une programmation en Java. Les éléments du langage Java nécessaires à cette programmation seront introduits tout au long du semestre. Modèles pour la Finance (D. Henriet) cours à Centrale. Introduction aux produits financiers. Problèmes de valorisation. Approches de l'équilibre. Modèles probabilistes et déterministes dans le domaine de la santé (C. Gomez, F. Hubert) L'objectif de ce cours est de présenter quelques modèles mathématiques déterministes et stochastiques utilisés dans le domaine de la santé. L'approche déterministe sera développée par F. Hubert. Les premiers modèles déterministes utilisés en médecine sont des équations différentielles. On commencera par faire un historique des modèles de populations, à la base de la plupart des modèles. On présentera des exemples en épidémiologie, en cancérologie, en pharmacologie. Ces modèles peuvent être enrichis pour prendre en compte des phénomènes de propagation spatiale ou de structuration en âge des cellules. Les modèles sont alors des équations aux dérivées partielles de type parabolique ou de type transport. Des exemples seront proposés notamment en cancérologie. On finira par étudier un problème inverse utilisé par une machine d'imagerie par bioluminescence. C. Gomez quant à lui, après quelques rappels sur les processus de Markov de sauts, proposera des modèles stochastiques de carcinogenèse. Ce phénomène cellulaire à plusieurs étapes, observé cliniquement et chez l'animal en laboratoire, décrit la transformation d'une cellule saine en une cellule cancéreuse. Nous présenterons des modèles, basés sur les processus de naissance et de mort, permettant par exemple d évaluer les chance d'apparition d'une tumeur lorsque les cellules sont exposées à un carcinogène (un produit chimique toxique). Si le temps le permet, nous introduirons les processus de branchement qui, avec les processus de naissance et de mort, sont des processus stochastiques très reperdus en cancérologie, épidémiologie, immunologie, chimiothérapie, etc... Statistique inférentielle (A. Nasr) cours du master infomatique recherche (St Charles). Théorie des probabilités et statistique inférentielle. Ce cours permet d'acquérir des bases solides pour l'apprentissage automatique ou le traitement automatique de la langue naturelle. Cours de la période 2 :

3 Economie du risque et de la Finance (R. Bourlès, D. Henriet) - cours à Centrale. Partie Risque (D. Henriet) - Chapitre 0 : Quelques intuitions - Chapitre 1 : L'aversion au risque : le modèle d'utilité espérée - Chapitre 2 : Changement de risque : étalement à moyenne constante, dominance stochastique - Chapitre 3: La demande : demande d'actif risqué et demande d'assurance Partie Assurance (R. Bourlès) - Chapitre 1 : Le modèle à risque unique - Chapitre 2 : La différenciation des produits - Chapitre 3 : Les critères inobservables 14 - Chapitre 4 : Le risque moral Statistique Industrielle (F. Autin). - Analyse de la variance - Tests, contrôle de qualité - Plans d'expérience Apprentissage numérique (F.X. Dupé) cours du master infomatique recherche (St Charles). Étude de quelques unes des méthodes les plus performantes en apprentissage numérique : les réseaux de neurones, les modèles de Markov cachés et les machines à vecteurs de support. Analyse numérique des EDP (F. Hubert) cours du parcours EDP/CS. Ce cours a pour but l'étude de méthodes numériques avancées pour la résolution d'équations aux dérivées partielles dans des domaines bornés de dimension supérieure ou égale a 2. Le cours se concentrera sur l'approximation des équations elliptiques. Si le temps le permet, nous aborderons les difficultés supplémentaires rencontrées dans la discrétisation des problèmes paraboliques. Les méthodes numériques étudiées traditionnellement en licence ou en premiere année du master sont basées sur l'approche différences finies et à ce titre sont essentiellement destinées à résoudre des problèmes dans des géometries simples : en 1D ou en géométrie multi-d cartésienne. Cette approche, bien qu'intéressante à titre d'initiation aux concepts essentiels de l'analyse numérique, n'est plus suffisante pour attaquer des problèmes réels tels qu'on les trouve dans l'industrie. Pour traiter ces problèmes plus complexes, plusieurs classes de méthodes ont été développées dans les dernières décennies. Ce cours proposera une introduction à la méthode des Eléments Finis puis a la méthode des Volumes Finis. Dans chaque cas, on décrira le principe de la méthode, on évoquera certains aspects de son implementation, on démontrera des résultats de convergence et/ou d'estimations d'erreurs. La mise en pratique sur ordinateur des méthodes étudiees s'effectuera sous scilab et freefem. Calcul scientifique (T. Gallouët) cours du parcours EDP/CS L'objectif de ce cours est la mise au point de schemas numériques et la réalisation de codes de calculs pour quelques exemples d'equations aux Derivees Partielles modélisant des problèmes simples de mécanique. Les codes de calculs seront réalisés en scilab ou en fortran. Les problèmes modélisés seront probablement choisis parmi

4 les exemples suivants : - équilibre thermique dans une conduite, - écoulement diphasique en milieu poreux, - écoulement en rivière. Statistique biomédicale (E. Pardoux) Le but de ce cours est de présenter les méthodes statistiques spécifiques de la médecine. Il sera illustré par des exemples de traitement de données médicales. Il sera divisé en 3 chapitres : 1. Régression logistique. Estimation et tests; Interprétation des coefficients. 2. Introduction à l'nalyse de survie Estimateur de Kaplan Meier; Modèle semi-aparmétrique de Cox. 3. Statistique bayésienne et application aux données médicales comportant de petits échantillons. Traitement des images (F. Richard) Les champs gaussiens sont des modèles aléatoires spatiaux qui sont très utilisés à la fois en traitement d'images et en statistique spatiale. En traitement d'images, ils permettent notamment de faire de la synthèse et de l'analyse de textures. En statistique spatiale, ils servent principalement pour le krigeage, opération qui consiste à estimer des valeurs d'un phénomène spatial en des points non observés à partir de quelques points observés. Tout en étant axé sur ces applications, le cours a pour objectif de présenter les outils qui permettent d'utiliser les champs gaussiens dans les domaines du traitement d'images et de la statistique spatiale. Il comprendra une introduction aux champs gaussiens, à leur principales propriétés (stationnarité, régularité, isotropie) et à leurs représentations spectrales, une présentation de méthodes de simulations de réalisations de ces champs (méthodes de Fourier, des bandes tournantes, ). Une présentation des méthodes d'estimations (estimations paramétriques de variogramme) et de leur application au krigeage. Le cours comportera des TP où seront réalisés des projets sur des problèmes concrets. Cours de la période 3 : Maths Financières (E. Pardoux). Mouvement brownien, calcul stochastique, mouvement brownien géométrique. Le modèle de Black-Scholes. Options européennes : la formule de Black-Scholes. Lien entre processus stochastiques et EDP : la formule de Feynman-Kac Calcul du prix d'une option panier : EDP et méthode de Monte Carlo Introduction aux options américaines.

5 Statistiques avancées (P. Pudlo) De la régression linéaire aux méthodes d'apprentissage : - validation croisée et bootstrap - sélection de modèles (AIC, BIC,...) et régularisation ridge et lasso - méthodes non-linéaires (splines, régressions locales) - CART, bagging, forêts aléatoires et boosting Ces méthodes seront mis en oeuvre en TP avec R. Séries chronologiques (M. Carenzi) Estimation et élimination de tendance et composante périodique, Etude complète des modèles ARMA, Estimation des paramètres et prédiction de valeurs futures, Mise en pratique avec le logiciel R. Algorithmes stochastiques (F. Castell) Simulation de variables aléatoires (discrètes et continues), Méthodes MCMC, Recuit simulé et algorithmes génétiques, Applications en biologie. Problèmes inverses en traitement des signaux et des images (S. Anthoine, C. Chaux). La stéréovision autrement dit le problème d'estimation de la profondeur d'une scène à partir de deux images 2D de celle-ci; la reconstruction d'images médicales telles que les images de scanner tomographiques ou d'irm; ou encore la restauration d'images (débruitage et défloutage) sont différents exemples de problèmes inverses en traitement d'images. Il s'agit plus généralement d'estimer des quantités non directement observables. Ceci nécessite l'inversion de l'opérable dit "direct" (qui permet de relier les données aux observations). Ce problème étant mal posé, différents types de régularisation peuvent être mis en oeuvre. Ce cours vise à donner les bases mathématiques et à introduire quelques méthodes classiques de résolution de problèmes inverses. Nous étudierons des approches probabilistes (par exemple l'algorithme EM) ainsi que déterministes (comme les approches parcimonieuses) et les illustrerons sur des applications diverses (stéréovision, superrésolution, reconstruction tomographique,...) dont certaines seront implémentées en travaux pratiques.

M2, spécialité Ingénierie Mathématique Laboratoire de Mathématiques Jean Leray Département de Mathématiques Université de Nantes. Programme 2013-2014

M2, spécialité Ingénierie Mathématique Laboratoire de Mathématiques Jean Leray Département de Mathématiques Université de Nantes. Programme 2013-2014 M2, spécialité Ingénierie Mathématique Laboratoire de Mathématiques Jean Leray Département de Mathématiques Université de Nantes Programme 2013-2014 Contact : master-pro@math.univ-nantes.fr Option : CS

Plus en détail

ANNEXE 1 BTS AGENCEMENT DE L'ENVIRONNEMENT ARCHITECTURAL Programme de mathématiques

ANNEXE 1 BTS AGENCEMENT DE L'ENVIRONNEMENT ARCHITECTURAL Programme de mathématiques ANNEXE BTS AGENCEMENT DE L'ENVIRONNEMENT ARCHITECTURAL Programme de mathématiques L'enseignement des mathématiques dans les sections de techniciens supérieurs Agencement de l'environnement architectural

Plus en détail

Axe MSA Bilan scientifique et perspectives. ENSM.SE L. Carraro - 17 décembre 07

Axe MSA Bilan scientifique et perspectives. ENSM.SE L. Carraro - 17 décembre 07 Axe MSA Bilan scientifique et perspectives ENSM.SE L. Carraro - 17 décembre 07 17 décembre 07 2 Plan Compétences acquises domaines scientifiques compétences transverses Domaines ou activités accessibles

Plus en détail

Composante(s) de rattachement : UFR des Sciences et Techniques

Composante(s) de rattachement : UFR des Sciences et Techniques Niveau : MASTER année Domaine : Mention : Spécialité : SCIENCES - TECHNOLOGIES - SANTE MATHEMATIQUES ET APPLICATIONS Mathématiques pour l'informatique Graphique et les statistiques (MIGS) M1 60 ES Volume

Plus en détail

Programme détaillé des enseignements

Programme détaillé des enseignements Programme détaillé des enseignements SEMESTRE S1 STATISTIQUES Méthodes d'estimation ponctuelle (méthodes des moments, du maximum de vraisemblances, bayésienne) et par intervalles de confiance. Statistiques

Plus en détail

Master. en sciences et technologies mention mathématiques et applications

Master. en sciences et technologies mention mathématiques et applications Master en sciences et technologies mention mathématiques et applications master mathématiques et applications Contacts Nicolas Lerner lerner@math.jussieu.fr www.master.math.upmc.fr Master sciences et technologies

Plus en détail

MATHEMATIQUES ET SCIENCES POUR L INGENIEUR

MATHEMATIQUES ET SCIENCES POUR L INGENIEUR MASTER SCIENCES, TECHNOLOGIES, SANTE / STAPS MATHEMATIQUES ET SCIENCES POUR L INGENIEUR Spécialité Ingénierie Numérique, Signal-Image et Informatique Industrielle (INS3I) www.univ-littoral.fr OBJECTIFS

Plus en détail

1 ère année de Licence de Mathématiques et Informatique

1 ère année de Licence de Mathématiques et Informatique 1 ère année de Licence de Mathématiques et Informatique Mesures transitoires : tableau des correspondances Semestre 1 Ancienne Nouvelle habilitation habilitation Analyse S1 Analyse S1 Algèbre S1 Algèbre

Plus en détail

MASTER SC. ET TECHNOLOGIE : MATH. & APPLICATION

MASTER SC. ET TECHNOLOGIE : MATH. & APPLICATION MASTER SC. ET TECHNOLOGIE : MATH. & APPLICATION Résumé de la formation Type de diplôme : MASTER 1 et 2 Domaine ministériel : Sciences Mention : Mathématiques et applications Présentation Le master 1 est

Plus en détail

LICENCE (LMD) - INFORMATIQUE

LICENCE (LMD) - INFORMATIQUE LICENCE (LMD) - INFORMATIQUE RÉSUMÉ DE LA FORMATION Type de diplôme : Licence (LMD) Domaine ministériel : Sciences, Technologies, Santé OBJECTIFS Les connaissances et compétences informatiques visées par

Plus en détail

LICENCE (LMD) - INFORMATIQUE

LICENCE (LMD) - INFORMATIQUE LICENCE (LMD) - INFORMATIQUE RÉSUMÉ DE LA FORMATION Type de diplôme : Licence (LMD) Domaine ministériel : Sciences, Technologies, Santé OBJECTIFS Les connaissances et compétences informatiques visées par

Plus en détail

Formation Actuaire Data-Scientist PROGRAMME

Formation Actuaire Data-Scientist PROGRAMME Formation Actuaire Data-Scientist PROGRAMME 15 Septembre 2014 Arthur Charpentier, Romuald Élie & Jérémie Jakubowicz 15914 Programme Séance inaugurale : révolu-on numérique besoins des entreprises cadre

Plus en détail

LICENCE (LMD) MENTION : INFORMATIQUE

LICENCE (LMD) MENTION : INFORMATIQUE LICENCE (LMD) MENTION : INFORMATIQUE RÉSUMÉ DE LA FORMATION Type de diplôme : Licence (LMD) Domaine ministériel : Sciences, Technologies, Santé Objectifs Les connaissances et compétences informatiques

Plus en détail

Coup de Projecteur sur les Réseaux de Neurones

Coup 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 détail

SCIENCES-TECHNOLOGIES-SANTE MATHEMATIQUES ET APPLICATIONS

SCIENCES-TECHNOLOGIES-SANTE MATHEMATIQUES ET APPLICATIONS Niveau : MASTER année Domaine : Mention : Spécialité : SCIENCES-TECHNOLOGIES-SANTE MATHEMATIQUES ET APPLICATIONS Mathématiques pour l'informatique Graphique et la Statistique (MIGS) Professionnelle et

Plus en détail

Pour un socle de la licence de MATHEMATIQUES

Pour un socle de la licence de MATHEMATIQUES Pour un socle de la licence de MATHEMATIQUES Société Mathématique de France Société de Mathématiques Appliquées et Industrielles Société Française de Statistique Contexte général Afin d éviter de trop

Plus en détail

Les méthodes d optimisation appliquées à la conception de convertisseurs électromécaniques. Elec 2311 : S7

Les méthodes d optimisation appliquées à la conception de convertisseurs électromécaniques. Elec 2311 : S7 Les méthodes d optimisation appliquées à la conception de convertisseurs électromécaniques Elec 2311 : S7 1 Plan du cours Qu est-ce l optimisation? Comment l optimisation s intègre dans la conception?

Plus en détail

Annexe : Programme du master de mathématiques : Spécialité Ingénierie Mathématique Première Année. Tronc commun

Annexe : Programme du master de mathématiques : Spécialité Ingénierie Mathématique Première Année. Tronc commun Annexe : Programme du master de mathématiques : Spécialité Ingénierie Mathématique Première Année Tronc commun MI1 Analyse fonctionnelle pour l'ingénieur: (64 H ; C : 32 H, TD : 32 H) (ECTS : 8) - Eléments

Plus en détail

Formations EViews FORMATIONS GENERALES INTRODUCTIVES INTRO : INTRODUCTION A LA PRATIQUE DE L ECONOMETRIE AVEC EVIEWS

Formations 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 détail

Journée de rencontres ANSES - IGN - INA - Labex Bézout

Journée de rencontres ANSES - IGN - INA - Labex Bézout Journée de rencontres ANSES - IGN - INA - Labex Bézout Présentation du LAMA Stéphane Sabourau 3 mars 2014 Présentation générale Le Laboratoire d Analyse et Mathématiques Appliquées (LAMA) est composé de

Plus en détail

Méthodes de Monte-Carlo Simulation de grandeurs aléatoires

Méthodes de Monte-Carlo Simulation de grandeurs aléatoires Méthodes de Monte-Carlo Simulation de grandeurs aléatoires Master Modélisation et Simulation / ENSTA TD 1 2012-2013 Les méthodes dites de Monte-Carlo consistent en des simulations expérimentales de problèmes

Plus en détail

I.S.N. : informatique et sciences du numérique

I.S.N. : informatique et sciences du numérique I.S.N. : informatique et sciences du numérique Qu'est-ce que la nouvelle spécialité de terminale S Informatique et sciences du numérique? L'I.S.N., c'est principalement l'apprentissage de l'informatique

Plus en détail

Simulation d un système d assurance automobile

Simulation d un système d assurance automobile Simulation d un système d assurance automobile DESSOUT / PLESEL / DACHI Plan 1 Introduction... 2 Méthodes et outils utilisés... 2.1 Chaines de Markov... 2.2 Méthode de Monte Carlo... 2.3 Méthode de rejet...

Plus en détail

UNIVERSITÉ DE MONTRÉAL DÉPARTEMENT DE SOCIOLOGIE ************* Cours de niveau gradué en méthodes quantitatives *************

UNIVERSITÉ DE MONTRÉAL DÉPARTEMENT DE SOCIOLOGIE ************* Cours de niveau gradué en méthodes quantitatives ************* ************* Cours de niveau gradué en méthodes quantitatives ************* SOL 6210 - Analyse quantitative avancée Le séminaire d analyse quantitative avancée se donne en classe une fois par année. Chaque

Plus en détail

Master Modélisation Statistique M2 Finance - chapitre 4 Mouvement Brownien et modèle de Black-Scholes

Master Modélisation Statistique M2 Finance - chapitre 4 Mouvement Brownien et modèle de Black-Scholes Master Modélisation Statistique M2 Finance - chapitre 4 Mouvement Brownien et modèle de Black-Scholes Clément Dombry, Laboratoire de Mathématiques de Besançon, Université de Franche-Comté. C.Dombry (Université

Plus en détail

Introduction aux modèles financiers

Introduction aux modèles financiers Notes pour le module spécifique Introduction aux modèles financiers Ecole Centrale de Lyon Option Mathématiques 1 2 Introduction Quelques références Pour comprendre les marchés financiers, avoir un apreçu

Plus en détail

Restauration d images

Restauration d images Restauration d images Plan Présentation du problème. Premières solutions naïves (moindre carrés, inverse généralisée). Méthodes de régularisation. Panorama des méthodes récentes. Problème général Un système

Plus en détail

ANNEXE DESCRIPTIVE au diplôme UNIVERSITE MONTPELLIER 2

ANNEXE DESCRIPTIVE au diplôme UNIVERSITE MONTPELLIER 2 ANNEXE DESCRIPTIVE au diplôme UNIVERSITE MONTPELLIER 2 1 - Informations sur le titulaire du diplôme : réservé à l administration 1.1- Nom(s) patronymique : Prénom : 1.2- Date de naissance (J/M/A) : 1.3-

Plus en détail

Séminaire inter-académique LYON (12-13 décembre 2007) Expérimentation en mathématiques, épreuve pratique de mathématiques : formation des élèves

Séminaire inter-académique LYON (12-13 décembre 2007) Expérimentation en mathématiques, épreuve pratique de mathématiques : formation des élèves Séminaire inter-académique LYON (12-13 décembre 2007) Expérimentation en mathématiques, épreuve pratique de mathématiques : formation des élèves (atelier animé par l académie de Besançon) Le fil conducteur

Plus en détail

Séance 12: Algorithmes de Support Vector Machines

Séance 12: Algorithmes de Support Vector Machines Séance 12: Algorithmes de Support Vector Machines Laboratoire de Statistique et Probabilités UMR 5583 CNRS-UPS www.lsp.ups-tlse.fr/gadat Douzième partie XII Algorithmes de Support Vector Machines Principe

Plus en détail

Master IAD Module PS. Reconnaissance de la parole (suite) Modèles de Markov et bases de données. Gaël RICHARD Février 2008

Master IAD Module PS. Reconnaissance de la parole (suite) Modèles de Markov et bases de données. Gaël RICHARD Février 2008 Master IAD Module PS Reconnaissance de la parole (suite) Modèles de Markov et bases de données Gaël RICHARD Février 2008 1 Reconnaissance de la parole Introduction Approches pour la reconnaissance vocale

Plus en détail

LE POINT SUR LES MATHÉMATIQUES DANS LES BTS RENTRÉE 2003

LE POINT SUR LES MATHÉMATIQUES DANS LES BTS RENTRÉE 2003 LE POINT SUR LES MATHÉMATIQUES DANS LES BTS RENTRÉE 00 ) LES PROGRAMMES a) Le cadre général L arrêté du 8 juin 00 comporte trois annexes, notamment l annexe donnant l intégralité des modules permettant

Plus en détail

Étapes du développement et de l utilisation d un modèle de simulation

Étapes du développement et de l utilisation d un modèle de simulation Étapes du développement et de l utilisation d un modèle de simulation Étapes du développement et de l utilisation d un modèle de simulation Formulation du problème Cueillette et analyse de données Conception

Plus en détail

Répertoire National des Certifications Professionnelles Résumé descriptif de la certification

Répertoire National des Certifications Professionnelles Résumé descriptif de la certification Répertoire National des Certifications Professionnelles Résumé descriptif de la certification Intitulé Master Sciences, Technologies, Santé, mention Mathématiques, spécialité TRAITEMENT HARMONIQUE ET CONTROLE

Plus en détail

1 Objectif de la formation MASTER PROFESSIONNEL (1 ANNEE) 2 Poursuite d étude. 3-Moyens mis en œuvre. 4- Conditions d'admission

1 Objectif de la formation MASTER PROFESSIONNEL (1 ANNEE) 2 Poursuite d étude. 3-Moyens mis en œuvre. 4- Conditions d'admission MASTER PROFESSIONNEL (1 ANNEE) INFORMATIQUE, STATISTIQUE, MATHEMATIQUES APPLIQUEES A LA GESTION DE PRODUCTION 2009-2010 Département de mathématiques et informatique UFR Sciences, Espaces et Sociétés Université

Plus en détail

MASTER (LMD) MODELISATION, OPTIMISATION, COMBINATOIRE ET ALGORITHME

MASTER (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 détail

MATHÉMATIQUES. Les préalables pour l algèbre MAT-P020-1 DÉFINITION DU DOMAINE D EXAMEN

MATHÉMATIQUES. Les préalables pour l algèbre MAT-P020-1 DÉFINITION DU DOMAINE D EXAMEN MATHÉMATIQUES Les préalables pour l algèbre MAT-P020-1 DÉFINITION DU DOMAINE D EXAMEN Mars 2001 MATHÉMATIQUES Les préalables pour l algèbre MAT-P020-1 DÉFINITION DU DOMAINE D EXAMEN Mars 2001 Direction

Plus en détail

SEMESTRE S1. Intitulé et descriptif des U.E. Coef Crédits Discipline A : Mathématiques Mathématiques Outils mathématiques Discipline B :

SEMESTRE S1. Intitulé et descriptif des U.E. Coef Crédits Discipline A : Mathématiques Mathématiques Outils mathématiques Discipline B : SEMESTRE S Intitulé et descriptif des U.E. Coef Crédits Discipline A : Mathématiques Mathématiques Discipline B : 0 0 Biologie Biologie Chimie Chimie Géologie Géologie Informatique Informatique Physique

Plus en détail

Première STMG1 2014-2015 progression. - 1. Séquence : Proportion d une sous population dans une population.

Première STMG1 2014-2015 progression. - 1. Séquence : Proportion d une sous population dans une population. Première STMG1 2014-2015 progression. - 1 Table des matières Fil rouge. 3 Axes du programme. 3 Séquence : Proportion d une sous population dans une population. 3 Information chiffrée : connaître et exploiter

Plus en détail

PROJET DE MODELISATION CASERNE SERGEANT BLANDAN

PROJET DE MODELISATION CASERNE SERGEANT BLANDAN Boris BRUGEVIN Sylvain GIORIA PROJET DE MODELISATION CASERNE SERGEANT BLANDAN Master 2 Programmation et Développement Université Lumière LYON 2 - GAMAGORA 2007-2008 II.. PRESENTATIION DU PROJET Ce projet

Plus en détail

Heuristique et métaheuristique. 8. Optimisation combinatoire et métaheuristiques. Optimisation combinatoire. Problème du voyageur de commerce

Heuristique et métaheuristique. 8. Optimisation combinatoire et métaheuristiques. Optimisation combinatoire. Problème du voyageur de commerce Heuristique et métaheuristique IFT1575 Modèles de recherche opérationnelle (RO) 8. Optimisation combinatoire et métaheuristiques Un algorithme heuristique permet d identifier au moins une solution réalisable

Plus en détail

Niveaux 1 2 3 4 Option spécifique - 2 2 3 Option complémentaire - - 2 2

Niveaux 1 2 3 4 Option spécifique - 2 2 3 Option complémentaire - - 2 2 Direction de l'instruction publique, de la culture et du sport Direktion für Erziehung, Kultur und Sport Service de l enseignement secondaire du deuxième degré Amt für Unterricht der Sekundarstufe 2 CANTON

Plus en détail

Problème: si les tableaux que l'on trie sont déjà à peu près triés, l'algorithme n'est pas efficace.

Problème: si les tableaux que l'on trie sont déjà à peu près triés, l'algorithme n'est pas efficace. Traonmilin Yann traonmil@enst.fr MOD Algorithmique Probabiliste 1. Deux exemples 1.1. Quicksort randomisé. Dans l'algorithme de tri classique Quicksort, le pivot est choisi au début du tableau puis on

Plus en détail

SCIENCES & TECHNOLOGIES - SANTÉ ET STAPS LICENCE MATHÉMATIQUES. www.univ-littoral.fr

SCIENCES & TECHNOLOGIES - SANTÉ ET STAPS LICENCE MATHÉMATIQUES. www.univ-littoral.fr SCIENCES & TECHNOLOGIES - SANTÉ ET STAPS LICENCE www.univ-littoral.fr OBJECTIFS DE LA FORMATION L objectif de la licence Mathématiques est, non seulement de donner une solide formation initiale en mathématiques

Plus en détail

Ecole Supérieure d Ingénieurs Léonard de Vinci

Ecole Supérieure d Ingénieurs Léonard de Vinci Ecole Supérieure d Ingénieurs Léonard de Vinci «Pricing d options Monte Carlo dans le modèle Black-Scholes» Etudiant : / Partie A : Prix de Call et Put Européens Partie B : Pricing par Monte Carlo et réduction

Plus en détail

DU MÉTHODES STATISTIQUES EN SANTÉ (DIPLÔME D UNIVERSITÉ) - UB ISPED

DU MÉTHODES STATISTIQUES EN SANTÉ (DIPLÔME D UNIVERSITÉ) - UB ISPED DU MÉTHODES STATISTIQUES EN SANTÉ (DIPLÔME D UNIVERSITÉ) - UB ISPED Résumé de la formation Type de diplôme : DU Domaine ministériel : Santé Présentation Ce Diplôme d Université (DU) consacré à l enseignement

Plus en détail

P R O G R A M M E E T I N S T R U C T I O N S O F F I C I E L L E S

P R O G R A M M E E T I N S T R U C T I O N S O F F I C I E L L E S P R O G R A M M E E T I N S T R U C T I O N S O F F I C I E L L E S POUR L ENSEIGNEMENT DE L INFORMATIQUE MPSI première année I. Objectifs de la formation II-1 Développement de compétences et d aptitudes

Plus en détail

Les domaines, les résultats d apprentissage et les indicateurs de réalisation

Les domaines, les résultats d apprentissage et les indicateurs de réalisation Les domaines, les résultats d apprentissage et les indicateurs de réalisation Les éléments du Cadre FL2 (M-8) sont formulés en termes de résultats d apprentissage généraux, de résultats d apprentissage

Plus en détail

SCIENCES - TECHNOLOGIES - SANTE. STIC : Sciences et Technologies de l Information et de la Communication. Parcours Informatique

SCIENCES - 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 détail

INTRODUCTION AU DATA MINING

INTRODUCTION AU DATA MINING INTRODUCTION AU DATA MINING 6 séances de 3 heures mai-juin 2006 EPF - 4 ème année - Option Ingénierie d Affaires et de Projets Bertrand LIAUDET TP DE DATA MINING Le TP et le projet consisteront à mettre

Plus en détail

Base de données. Objectifs du cours 2014-05-20 COURS 01 INTRODUCTION AUX BASES DE DONNÉES

Base de données. Objectifs du cours 2014-05-20 COURS 01 INTRODUCTION AUX BASES DE DONNÉES 1 Base de données COURS 01 INTRODUCTION AUX BASES DE DONNÉES Objectifs du cours 2 Introduction aux bases de données relationnelles (BDR). Trois volets seront couverts : la modélisation; le langage d exploitation;

Plus en détail

Electricité et Informatique (DEL)

Electricité et Informatique (DEL) RS430.100.15. 1/5 La description de module définit les conditions cadres du déroulement de l enseignement des matières du module. Filière(s) Microtechniques (MIC) Orientation - Public Plein temps Unités

Plus en détail

Les quatre opérations sur les nombres entiers Statistiques et probabilités I. Code Unités Devoirs Code Unités Devoirs

Les quatre opérations sur les nombres entiers Statistiques et probabilités I. Code Unités Devoirs Code Unités Devoirs 1 re secondaire 2 e secondaire Les quatre opérations sur les nombres entiers Statistiques et probabilités I MAT-1005-2 2 3 MAT-2008-2 2 3 (+, -, x, ) dans l ensemble des entiers Z. Ce premier cours portant

Plus en détail

TERMES DE REFERENCE DU MODULE DE FORMATION

TERMES DE REFERENCE DU MODULE DE FORMATION Ministère de l Enseignement Supérieur et de la Recherche Scientifique TERMES DE REFERENCE DU MODULE DE FORMATION De l élaboration d une proposition de recherche à la diffusion des résultats Du 31 août

Plus en détail

P R O G R A M M E E T I N S T R U C T I O N S O F F I C I E L L E S

P R O G R A M M E E T I N S T R U C T I O N S O F F I C I E L L E S P R O G R A M M E E T I N S T R U C T I O N S O F F I C I E L L E S MP deuxième années PREAMBULE Sommaire I. Contexte de la réforme de l informatique en C.P.G.E II. Objectifs de la formation III. Moyens

Plus en détail

Annexe 4 Programmes des classes préparatoires aux Grandes Ecoles

Annexe 4 Programmes des classes préparatoires aux Grandes Ecoles Annexe 4 Programmes des classes préparatoires aux Grandes Ecoles Filière : scientifique Voie : Technologie et biologie (TB) Discipline : Informatique Première et seconde années Programme d informatique

Plus en détail

Maquette pédagogique 2012-2013 spécialité Sciences de la Terre

Maquette pédagogique 2012-2013 spécialité Sciences de la Terre Maquette pédagogique 2012-2013 spécialité Sciences de la Terre Sciences de la Terre Premier semestre du cycle d ingénieur (S5) Il commence par la période d intégration que suivent tous les élèves de Polytech

Plus en détail

Problèmes et TICE au lycée

Problèmes et TICE au lycée DGEE 5 mai 2015 Inspection pédagogique régionale de mathématiques Sommaire du stage Introduction Avec quels logiciels Quelques exemples... Sommaire du stage Introduction Avec quels logiciels Quelques exemples...

Plus en détail

5 Méthodes algorithmiques

5 Méthodes algorithmiques Cours 5 5 Méthodes algorithmiques Le calcul effectif des lois a posteriori peut s avérer extrêmement difficile. En particulier, la prédictive nécessite des calculs d intégrales parfois multiples qui peuvent

Plus en détail

Système. Introduction aux systèmes informatiques

Système. Introduction aux systèmes informatiques Introduction aux systèmes informatiques Système Un système est une collection organisée d'objets qui interagissent pour former un tout Objets = composants du système Des interconnexions (liens) entre les

Plus en détail

Table des matières. I Mise à niveau 11. Préface

Table 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 détail

Algorithmique. De la seconde à la terminale

Algorithmique. De la seconde à la terminale Algorithmique De la seconde à la terminale Le calendrier Rentrée 2009 : o En seconde : nouveau programme pour tous Rentrée 2010 : o En première : aménagements en ES et S Rentrée 2011 : o En première :

Plus en détail

Chapitre 2 : Méthode de Monte-Carlo avec tirages indépendants, pour le calcul approché d une intégrale.

Chapitre 2 : Méthode de Monte-Carlo avec tirages indépendants, pour le calcul approché d une intégrale. Aix Marseille Université. Algorithmes Stochastiques. M MIS. Fabienne Castell... Chapitre : Méthode de Monte-Carlo avec tirages indépendants, pour le calcul approché d une intégrale. Le but de ce chapitre

Plus en détail

PROJET DE SPÉCIALITÉ DU MASTER DE MATHÉMATIQUES. MODÉLISATION MATHÉMATIQUE & ANALYSE STATISTIQUE

PROJET DE SPÉCIALITÉ DU MASTER DE MATHÉMATIQUES. MODÉLISATION MATHÉMATIQUE & ANALYSE STATISTIQUE PROJET DE SPÉCIALITÉ DU MASTER DE MATHÉMATIQUES. MODÉLISATION MATHÉMATIQUE & ANALYSE STATISTIQUE Porteurs du projet Marc Arnaudon, professeur des universités, responsable des relations avec les entreprises.

Plus en détail

Note de cadrage du PEPI MACS Mathématiques Appliquées & Calcul Scientifique

Note de cadrage du PEPI MACS Mathématiques Appliquées & Calcul Scientifique Note de cadrage du PEPI MACS Mathématiques Appliquées & Calcul Scientifique Périmètre Le périmètre du PEPI concerne les méthodes et outils utilisés pour le traitement informatisé des données scientifiques.

Plus en détail

ENSEIRB-MATMECA PG-113 2014. TP6: Optimisation au sens des moindres carrés

ENSEIRB-MATMECA PG-113 2014. TP6: Optimisation au sens des moindres carrés ENSEIRB-MATMECA PG-113 014 TP6: Optimisation au sens des moindres carrés Le but de ce TP est d implémenter une technique de recalage d images qui utilise une méthode vue en cours d analyse numérique :

Plus en détail

0- Le langage C++ 1- Du langage C au langage C++ 2- Quelques éléments sur le langage. 3- Organisation du cours

0- Le langage C++ 1- Du langage C au langage C++ 2- Quelques éléments sur le langage. 3- Organisation du cours 0- Le langage C++ 1- Du langage C au langage C++ 2- Quelques éléments sur le langage 3- Organisation du cours Le présent cours constitue une introduction pour situer le langage C++, beaucoup des concepts

Plus en détail

OPTIMISATION DE LA TARIFICATION DES RÉSEAUX MOBILES

OPTIMISATION DE LA TARIFICATION DES RÉSEAUX MOBILES OPTIMISATION DE LA TARIFICATION DES RÉSEAUX MOBILES ST50 - Projet de fin d études Matthieu Leromain - Génie Informatique Systèmes temps Réel, Embarqués et informatique Mobile - REM 1 Suiveur en entreprise

Plus en détail

Résolution d équations non linéaires

Résolution d équations non linéaires Analyse Numérique Résolution d équations non linéaires Said EL HAJJI et Touria GHEMIRES Université Mohammed V - Agdal. Faculté des Sciences Département de Mathématiques. Laboratoire de Mathématiques, Informatique

Plus en détail

Mot de président : Licences Bac +3

Mot de président : Licences Bac +3 Mot de président : La formation joue un rôle capital dans la vie de chaque personne, visant à lui permettre et indépendamment de son statut, d acquérir et d actualiser des connaissances et des compétences

Plus en détail

5255 Av. Decelles, suite 2030 Montréal (Québec) H3T 2B1 T: 514.592.9301 F: 514.340.6850 info@apstat.com www.apstat.com

5255 Av. Decelles, suite 2030 Montréal (Québec) H3T 2B1 T: 514.592.9301 F: 514.340.6850 info@apstat.com www.apstat.com Application des réseaux de neurones au plan de répartition des risques 5255 Av. Decelles, suite 2030 Montréal (Québec) H3T 2B1 T: 514.592.9301 F: 514.340.6850 info@apstat.com www.apstat.com Copyright c

Plus en détail

Apprentissage statistique Stratégie du Data-Mining

Apprentissage statistique Stratégie du Data-Mining Apprentissage statistique Stratégie du Data-Mining Hélène Milhem Institut de Mathématiques de Toulouse, INSA Toulouse, France IUP SID, 2011-2012 H. Milhem (IMT, INSA Toulouse) Apprentissage statistique

Plus en détail

Le programme de mathématiques Classes de première STI2D STL

Le programme de mathématiques Classes de première STI2D STL Journée de l inspection 15 avril 2011 - Lycée F. BUISSON 18 avril 2011 - Lycée J. ALGOUD 21 avril 2011 - Lycée L. ARMAND Le programme de mathématiques Classes de première STI2D STL Déroulement de la journée

Plus en détail

INTRODUCTION À POO. Baccalauréat S Informatique et Sciences du Numérique. 4.3 : Langages de programmation : POO

INTRODUCTION À POO. Baccalauréat S Informatique et Sciences du Numérique. 4.3 : Langages de programmation : POO INTRODUCTION À POO Baccalauréat S Informatique et Sciences du Numérique 4.3 : Langages de programmation : POO Référentiel de formation Objectifs A la fin de la séquence, l'élève doit être capable o de

Plus en détail

RAPPORT SUR L ETUDE DES DONNEES FINANCIERES ET STATISTIQUES A L AIDE DU LOGICIEL SCILAB

RAPPORT SUR L ETUDE DES DONNEES FINANCIERES ET STATISTIQUES A L AIDE DU LOGICIEL SCILAB RAPPORT SUR L ETUDE DES DONNEES FINANCIERES ET STATISTIQUES A L AIDE DU LOGICIEL SCILAB PAR : MAROOF ASIM DAN BENTOLILA WISSAM ESSID GROUPE 1 LM206 Lundi 10H45 INTRODUCTION : ( Ce rapport est un compte

Plus en détail

MANAGEMENT DES SYSTEMES D INFORMATION ET DE PRODUCTION MSIP

MANAGEMENT DES SYSTEMES D INFORMATION ET DE PRODUCTION MSIP MANAGEMENT DES SYSTEMES D INFORMATION ET DE PRODUCTION MSIP METHODES & CONCEPTS POUR UNE INGENIERIE INNOVANTE Ecole Nationale Supérieure des Mines de Rabat Département INFORMATIQUE www.enim.ac.ma MANAGEMENT

Plus en détail

L approche Bases de données

L approche Bases de données L approche Bases de données Cours: BD. Avancées Année: 2005/2006 Par: Dr B. Belattar (Univ. Batna Algérie) I- : Mise à niveau 1 Cours: BDD. Année: 2013/2014 Ens. S. MEDILEH (Univ. El-Oued) L approche Base

Plus en détail

- Mobiliser les résultats sur le second degré dans le cadre de la résolution d un problème.

- Mobiliser les résultats sur le second degré dans le cadre de la résolution d un problème. Mathématiques - classe de 1ère des séries STI2D et STL. 1. Analyse On dote les élèves d outils mathématiques permettant de traiter des problèmes relevant de la modélisation de phénomènes continus ou discrets.

Plus en détail

Modélisation aléatoire en fiabilité des logiciels

Modélisation 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 détail

Une protection antivirus pour des applications destinées aux dispositifs médicaux

Une protection antivirus pour des applications destinées aux dispositifs médicaux Une protection antivirus pour des applications destinées aux dispositifs médicaux ID de nexus est idéale pour les environnements cliniques où la qualité et la sécurité des patients sont essentielles. Les

Plus en détail

I. OBJECTIFS II. DEBOUCHES

I. OBJECTIFS II. DEBOUCHES I. OBJECTIFS Au Cameroun, comme partout, il existe un grand besoin de personnels capables de maîtriser l ensemble des fonctions de l entreprise (production, finance,-comptabilité, administration, commercialisation.

Plus en détail

MASTER (LMD) PARCOURS ARCHITECTURE & INGÉNIERIE DU LOGICIEL & DU WEB

MASTER (LMD) PARCOURS ARCHITECTURE & INGÉNIERIE DU LOGICIEL & DU WEB MASTER (LMD) PARCOURS ARCHITECTURE & INGÉNIERIE DU LOGICIEL & DU WEB RÉSUMÉ DE LA FORMATION Type de diplôme : Master (LMD) Domaine ministériel : Sciences, Technologies, Santé Mention : INFORMATIQUE Spécialité

Plus en détail

Modélisation aléatoire en fiabilité des logiciels

Modélisation 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 détail

Résumé du document «Programmes des classes préparatoires aux Grandes Écoles ; Discipline : Informatique ; Première et seconde années - 2013»

Résumé du document «Programmes des classes préparatoires aux Grandes Écoles ; Discipline : Informatique ; Première et seconde années - 2013» Résumé du document «Programmes des classes préparatoires aux Grandes Écoles ; Discipline : Informatique ; Première et seconde années - 2013» I Objectifs Niveau fondamental : «on se fixe pour objectif la

Plus en détail

Expériences de physique et trafic routier (Distance de freinage)

Expériences de physique et trafic routier (Distance de freinage) Expériences de physique et trafic routier (Distance de freinage) Objectif: Bien que la plupart des programmes d'études n'incluent pas la vitesse comme sujet spécifique d'étude pour le degré secondaire,

Plus en détail

NOTE SUR LA MODELISATION DU RISQUE D INFLATION

NOTE SUR LA MODELISATION DU RISQUE D INFLATION NOTE SUR LA MODELISATION DU RISQUE D INFLATION 1/ RESUME DE L ANALYSE Cette étude a pour objectif de modéliser l écart entre deux indices d inflation afin d appréhender le risque à très long terme qui

Plus en détail

Projet de cryptographie. Algorithme de cryptage de type Bluetooth

Projet de cryptographie. Algorithme de cryptage de type Bluetooth Projet de cryptographie Algorithme de cryptage de type Bluetooth Le but de ce projet est de créer une application qui crypte et décrypte des fichiers en utilisant le principe de cryptage du Bluetooth.

Plus en détail

3 ème FONCTIONS. Pratiquer une démarche scientifique et technologique. Capacités

3 ème FONCTIONS. Pratiquer une démarche scientifique et technologique. Capacités 3 ème Les exercices de ce chapitre permettent de travailler des compétences scientifiques du socle commun. Pratiquer une démarche scientifique et technologique Capacités Rechercher, extraire et organiser

Plus en détail

Evaluation de performance en Sûreté de Fonctionnement

Evaluation de performance en Sûreté de Fonctionnement Groupe SdF Midi-Pyrénées Toulouse 5 juin 2015 Evaluation de performance en Sûreté de Fonctionnement - Andre.cabarbaye Plan Introduction Types de performances Finalité des analyses Attentes du donneur d

Plus en détail

SY09 Rapport TP4 : Analyse discriminante, régression logistique

SY09 Rapport TP4 : Analyse discriminante, régression logistique UNIVERSITÉ DE TECHNOLOGIE DE COMPIÈGNE SY09 Rapport TP4 : Analyse discriminante, régression logistique CUNI Frédéric 15 juin 2015 Objectifs du TP : Le but de ce TP est l application de l analyse discriminante

Plus en détail

Centre d Excellence Africain en Sciences Mathématiques et Applications (CEA -SMA)-

Centre d Excellence Africain en Sciences Mathématiques et Applications (CEA -SMA)- Plan Centre d Excellence Africain en Sciences Mathématiques et Applications (CEA -SMA)- Bénin May 12, 2015 Plan Plan 1 Introduction et rappels 2 Programmes offerts en liaisons avec le CEA et les accords

Plus en détail

MASTER (LMD) STATISTIQUE DES SCIENCES DE LA VIE ET DE LA SANTE

MASTER (LMD) STATISTIQUE DES SCIENCES DE LA VIE ET DE LA SANTE MASTER (LMD) STATISTIQUE DES SCIENCES DE LA VIE ET DE LA SANTE RÉSUMÉ DE LA FORMATION Type de diplôme : Master (LMD) Domaine ministériel : Sciences, Technologies, Santé Mention : MATHEMATIQUES, BIOSTATISTIQUE

Plus en détail

PROGRAMME DETAILLE. Parcours en première année en apprentissage. Travail personnel. 4 24 12 24 CC + ET réseaux

PROGRAMME 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 détail

LST Informatique Après le S2

LST Informatique Après le S2 LST Après le S2 C.Blanc, C. Pannier Le 29 avril 2004 Semestre 2 Semestre 3-4 Licence MIAGE Licence S&T IUT Licence Pro SIL MASTER MIAGE BAC +5 MASTER BAC +5 Vie Active Diplomé BAC + 3 2 Semestre 2 Semestre

Plus en détail

Outlook avancé pour la gestion de projet

Outlook avancé pour la gestion de projet Pour simplifier la gestion et l exécution de multiples projets Introduction De plus en plus de gens ont à gérer des projets dans l exercice normal de leurs fonctions. Pour tenir compte de cette nouvelle

Plus en détail

DATA MINING 2 Réseaux de Neurones, Mélanges de classifieurs, SVM avancé

DATA MINING 2 Réseaux de Neurones, Mélanges de classifieurs, SVM avancé I. Réseau Artificiel de Neurones 1. Neurone 2. Type de réseaux Feedforward Couches successives Récurrents Boucles de rétroaction Exemples de choix pour la fonction : suivant une loi de probabilité Carte

Plus en détail

Ma Licence à l ESTIM

Ma Licence à l ESTIM Ministère de l Enseignement Supérieur et de la Recherche Scientifique L Ecole Supérieure des Technologies d Informatique et de Management Ma Licence à l ESTIM Livret des études Année universitaire 2010-2011

Plus en détail

SPÉCIALITÉ Energie Electrique et Développement Durable (E2D2) UE-2 : Conversion énergie. Intitulé Volume horaire ECTS Intervenants Mode d évaluation

SPÉCIALITÉ Energie Electrique et Développement Durable (E2D2) UE-2 : Conversion énergie. Intitulé Volume horaire ECTS Intervenants Mode d évaluation PROGRAMME PEDAGOGIQUE MASTER RECHERCHE 2 ème année (M2R) DOMAINE SCIENCES, TECHNOLOGIES, SANTE MENTION AUTOMATIQUE ET SYSTEMES ELECTRIQUES SPÉCIALITÉ Energie Electrique et Développement Durable (E2D2)

Plus en détail