Renforcement des trois compétences : compréhension orale, expression orale et expression écrite à partir de documents et vidéos.
|
|
- Marc Martineau
- il y a 8 ans
- Total affichages :
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.
UNIVERSITE 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 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 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 détailAlgèbre 40 Analyse 26 14 Stat. 1 - IES : Probabilités discrètes et calcul intégral 29,5 6 Stat. 2 - IES : Probabilités générales 54 8 UE1-02 M-E-IS
1er semestre UE1-01 E Algèbre 40 Analyse 26 14 Stat. 1 - IES : Probabilités discrètes et calcul intégral 29,5 6 Stat. 2 - IES : Probabilités générales 54 8 UE1-02 M-E-IS Introduction au système SAS 25,5
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 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 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 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 détailHealth Monitoring pour la Maintenance Prévisionnelle, Modélisation de la Dégradation
Health Monitoring pour la Maintenance Prévisionnelle, Modélisation de la Dégradation Laurent Denis STATXPERT Journée technologique "Solutions de maintenance prévisionnelle adaptées à la production" FIGEAC,
Plus en détailTechniques du Data Mining pour la prédiction de faillite des entreprises et la gestion du risque de crédit
Techniques du Data Mining pour la prédiction de faillite des entreprises et la gestion du risque de crédit Adil Belhouari HEC - Montréal - Journées de l Optimisation 2005-09 Mai 2005 PLAN DE LA PRÉSENTATION
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 détailGENIE STATISTIQUE GESTION DES RISQUES ET INGENIERIE FINANCIERE MARKETING QUANTITATIF ET REVENUE MANAGEMENT
Remarque : Tous les cours sont en français, sauf contre-indication. Pour des traductions anglaises des titres, des descriptifs, et plus de renseignements, consultez l intégralité du Programme des enseignements
Plus en détailFilière MMIS. Modélisation Mathématique, Images et Simulation. Responsables : Stefanie Hahmann, Valérie Perrier, Zoltan Szigeti
Filière MMIS Modélisation Mathématique, Images et Simulation Responsables : Stefanie Hahmann, Valérie Perrier, Zoltan Szigeti Valerie.Perrier@imag.fr Modélisation mathématique, Images et simulation (MMIS)
Plus en détailFormation continue. Ensae-Ensai Formation Continue (Cepe)
CertifiCat de data scientist Formation continue Ensae-Ensai Formation Continue (Cepe) CertifiCat de data scientist La demande de data scientists est croissante mais peu de formations existent. Ce certificat
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 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 détailLa 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 détailUNIVERSITÉ 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 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 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 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 détailMATHÉMATIQUES ET APPLICATIONS
MASTER 2 ème ANNÉE MATHÉMATIQUES ET APPLICATIONS Parcours Mathématiques du Risque et Actuariat ANNÉE UNIVERSITAIRE 2015 2016 1 PRESENTATION Le Master 2 Mathématiques du Risque et Actuariat a pour objectif
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 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 détailApprentissage Automatique
Apprentissage Automatique Introduction-I jean-francois.bonastre@univ-avignon.fr www.lia.univ-avignon.fr Définition? (Wikipedia) L'apprentissage automatique (machine-learning en anglais) est un des champs
Plus en détailMaster Modélisation Aléatoire Paris VII, Cours Méthodes de Monte Carlo en nance et C++, TP n 2.
Master Modélisation Aléatoire Paris VII, Cours Méthodes de Monte Carlo en nance et C++, TP n 2. Techniques de correction pour les options barrières 25 janvier 2007 Exercice à rendre individuellement lors
Plus en détail2015 // 2016. des formations. programme. Retrouvez toutes ces informations sur enseirb-matmeca.bordeaux-inp.fr
programme des formations Filière Électronique...2 Filière Informatique...3 Filière Mathématique et Mécanique...4 Filière Télécommunications...5 Filière Réseaux et Systèmes d Information...6 Filière Systèmes
Plus en détailANNEXES. Evaluation de la formation à Polytech Lille Département GIS. Enseignements les plus utiles. Enseignements à renforcer
ANNEXES Evaluation de la formation à Polytech Lille Département GIS Enseignements les plus utiles Enseignements à renforcer Enseignements à intégrer Commentaires Généraux Accompagnement Professionnel Enseignements
Plus en détailde calibration Master 2: Calibration de modèles: présentation et simulation d
Master 2: Calibration de modèles: présentation et simulation de quelques problèmes de calibration Plan de la présentation 1. Présentation de quelques modèles à calibrer 1a. Reconstruction d une courbe
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 détailDUT. Informatique, orientation Imagerie Numérique. Domaine : Sciences, Technologies, Santé. Mention : Informatique
DUT Informatique, orientation Imagerie Numérique Domaine : Sciences, Technologies, Santé Mention : Informatique Organisation : Institut Universitaire de Technologie Lieu de formation : Le Puy en Velay
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 détailVers plus de responsabilités
Présentation du MSE Fouad.Rahali@heig-vd.ch Vers plus de responsabilités 21.01.10 1 Bachelors et masters HES professionnalisant + de responsabilités Master HES-SO Bachelor HES-SO Compétences techniques
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 détailMATHÉMATIQUES ET APPLICATIONS
MASTER 2 ème ANNÉE MATHÉMATIQUES ET APPLICATIONS Parcours Finance Computationnelle ANNÉE UNIVERSITAIRE 2015 2016 1 PRESENTATION Le master Finance Computationnelle spécialise les étudiants sur l ingénierie
Plus en détail$SSOLFDWLRQGXNULJHDJHSRXUOD FDOLEUDWLRQPRWHXU
$SSOLFDWLRQGXNULJHDJHSRXUOD FDOLEUDWLRQPRWHXU Fabien FIGUERES fabien.figueres@mpsa.com 0RWVFOpV : Krigeage, plans d expériences space-filling, points de validations, calibration moteur. 5pVXPp Dans le
Plus en détailISFA INSTITUT DE SCIENCE FINANCIÈRE ET D ASSURANCES GRANDE ÉCOLE D ACTUARIAT ET DE GESTION DES RISQUES
ISFA INSTITUT DE SCIENCE FINANCIÈRE ET D ASSURANCES GRANDE ÉCOLE D ACTUARIAT ET DE GESTION DES RISQUES L ISFA et ses formations Focus sur S2IFA INSTITUT DE SCIENCE FINANCIÈRE ET D ASSURANCES L ISFA, CRÉÉ
Plus en détailSemestre 2 Spécialité «Analyse in silico des complexes macromolécules biologiques-médicaments»
Master In silico Drug Design Semestre 2 Spécialité «Analyse in silico des complexes macromolécules biologiques-médicaments» 30NU01IS INITIATION A LA PROGRAMMATION (6 ECTS) Responsables : D. MESTIVIER,
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 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 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 détailINTRODUCTION 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 détailBaccalauréat ES/L Amérique du Sud 21 novembre 2013
Baccalauréat ES/L Amérique du Sud 21 novembre 2013 A. P. M. E. P. EXERCICE 1 Commun à tous les candidats 5 points Une entreprise informatique produit et vend des clés USB. La vente de ces clés est réalisée
Plus en détail1. Développement embarqué. André KPOZEHOUE DOMAINES DE COMPETENCES CONNAISSANCES TECHNIQUES
André KPOZEHOUE 11 Rue Georges Teissier, 42000 Saint-Etienne. Téléphone : 06 34 95 30 57 / 09 53 11 29 77 e-mail : kpoand@yahoo.fr Identifiant Skype : kpozehoue Mobilité géographique : France entière Disponibilité
Plus en détailIntérêt du découpage en sous-bandes pour l analyse spectrale
Intérêt du découpage en sous-bandes pour l analyse spectrale David BONACCI Institut National Polytechnique de Toulouse (INP) École Nationale Supérieure d Électrotechnique, d Électronique, d Informatique,
Plus en détailChapitre 6 Apprentissage des réseaux de neurones et régularisation
Chapitre 6 : Apprentissage des réseaux de neurones et régularisation 77 Chapitre 6 Apprentissage des réseaux de neurones et régularisation Après une introduction rapide aux réseaux de neurones et à la
Plus en détailchargement d amplitude variable à partir de mesures Application à l approche fiabiliste de la tolérance aux dommages Modélisation stochastique d un d
Laboratoire de Mécanique et Ingénieriesnieries EA 3867 - FR TIMS / CNRS 2856 ER MPS Modélisation stochastique d un d chargement d amplitude variable à partir de mesures Application à l approche fiabiliste
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 détailSoutenance de stage Laboratoire des Signaux et Systèmes
Soutenance de stage Laboratoire des Signaux et Systèmes Bornes inférieures bayésiennes de l'erreur quadratique moyenne. Application à la localisation de points de rupture. M2R ATSI Université Paris-Sud
Plus en détailNote 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 détailPourquoi l apprentissage?
Pourquoi l apprentissage? Les SE sont basés sur la possibilité d extraire la connaissance d un expert sous forme de règles. Dépend fortement de la capacité à extraire et formaliser ces connaissances. Apprentissage
Plus en détailL'intelligence d'affaires: la statistique dans nos vies de consommateurs
L'intelligence d'affaires: la statistique dans nos vies de consommateurs Jean-François Plante, HEC Montréal Marc Fredette, HEC Montréal Congrès de l ACFAS, Université Laval, 6 mai 2013 Intelligence d affaires
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 détailProjet de traitement d'image - SI 381 reconstitution 3D d'intérieur à partir de photographies
Projet de traitement d'image - SI 381 reconstitution 3D d'intérieur à partir de photographies Régis Boulet Charlie Demené Alexis Guyot Balthazar Neveu Guillaume Tartavel Sommaire Sommaire... 1 Structure
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 détailTP1 Méthodes de Monte Carlo et techniques de réduction de variance, application au pricing d options
Université de Lorraine Modélisation Stochastique Master 2 IMOI 2014-2015 TP1 Méthodes de Monte Carlo et techniques de réduction de variance, application au pricing d options 1 Les options Le but de ce
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 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 détailMASTER SIS PRO : logique et sécurité DÉTECTION D INTRUSIONS. Odile PAPINI, LSIS. Université de Toulon et du Var. papini@univ-tln.
MASTER SIS PRO : logique et sécurité DÉTECTION D INTRUSIONS Odile PAPINI, LSIS. Université de Toulon et du Var. papini@univ-tln.fr Plan Introduction Généralités sur les systèmes de détection d intrusion
Plus en détailChristophe CANDILLIER Cours de DataMining mars 2004 Page 1
Christophe CANDILLIER Cours de DataMining mars 2004 age 1 1. Introduction 2. rocessus du DataMining 3. Analyse des données en DataMining 4. Analyse en Ligne OLA 5. Logiciels 6. Bibliographie Christophe
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 détailEtude des propriétés empiriques du lasso par simulations
Etude des propriétés empiriques du lasso par simulations L objectif de ce TP est d étudier les propriétés empiriques du LASSO et de ses variantes à partir de données simulées. Un deuxième objectif est
Plus en détailLes équations différentielles
Les équations différentielles Equations différentielles du premier ordre avec second membre Ce cours porte exclusivement sur la résolution des équations différentielles du premier ordre avec second membre
Plus en détailAnalyse de grandes bases de données en santé
.. Analyse de grandes bases de données en santé Alain Duhamel Michaël Genin Mohamed Lemdani EA 2694 / CERIM Master 2 Recherche Biologie et Santé Journée Thématique Fouille de Données Plan. 1 Problématique.
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 détailObject Removal by Exemplar-Based Inpainting
Object Removal by Exemplar-Based Inpainting Kévin Polisano A partir d un article de A. Criminisi, P. Pérez & H. K. Toyama 14/02/2013 Kévin Polisano Object Removal by Exemplar-Based Inpainting 14/02/2013
Plus en détailMaster de Bioinformatique et Biologie des Systèmes Toulouse http://m2pbioinfo.biotoul.fr Responsable : Pr. Gwennaele Fichant
Master de Bioinformatique et Biologie des Systèmes Toulouse http://m2pbioinfo.biotoul.fr Responsable : Pr. Gwennaele Fichant Parcours: Master 1 : Bioinformatique et biologie des Systèmes dans le Master
Plus en détailExamen optimisation Centrale Marseille (2008) et SupGalilee (2008)
Examen optimisation Centrale Marseille (28) et SupGalilee (28) Olivier Latte, Jean-Michel Innocent, Isabelle Terrasse, Emmanuel Audusse, Francois Cuvelier duree 4 h Tout resultat enonce dans le texte peut
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 détailIntroduction au Data-Mining
Introduction au Data-Mining Alain Rakotomamonjy - Gilles Gasso. INSA Rouen -Département ASI Laboratoire PSI Introduction au Data-Mining p. 1/25 Data-Mining : Kèkecé? Traduction : Fouille de données. Terme
Plus en détailModèles à Événements Discrets. Réseaux de Petri Stochastiques
Modèles à Événements Discrets Réseaux de Petri Stochastiques Table des matières 1 Chaînes de Markov Définition formelle Idée générale Discrete Time Markov Chains Continuous Time Markov Chains Propriétés
Plus en détailProbabilités III Introduction à l évaluation d options
Probabilités III Introduction à l évaluation d options Jacques Printems Promotion 2012 2013 1 Modèle à temps discret 2 Introduction aux modèles en temps continu Limite du modèle binomial lorsque N + Un
Plus en détailLe modèle de Black et Scholes
Le modèle de Black et Scholes Alexandre Popier février 21 1 Introduction : exemple très simple de modèle financier On considère un marché avec une seule action cotée, sur une période donnée T. Dans un
Plus en détailSAS ENTERPRISE MINER POUR L'ACTUAIRE
SAS ENTERPRISE MINER POUR L'ACTUAIRE Conférence de l Association des Actuaires I.A.R.D. 07 JUIN 2013 Sylvain Tremblay Spécialiste en formation statistique SAS Canada AGENDA Survol d Enterprise Miner de
Plus en détailAnalyse stochastique de la CRM à ordre partiel dans le cadre des essais cliniques de phase I
Analyse stochastique de la CRM à ordre partiel dans le cadre des essais cliniques de phase I Roxane Duroux 1 Cadre de l étude Cette étude s inscrit dans le cadre de recherche de doses pour des essais cliniques
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 détailMATHS FINANCIERES. Mireille.Bossy@sophia.inria.fr. Projet OMEGA
MATHS FINANCIERES Mireille.Bossy@sophia.inria.fr Projet OMEGA Sophia Antipolis, septembre 2004 1. Introduction : la valorisation de contrats optionnels Options d achat et de vente : Call et Put Une option
Plus en détailDocument complémentaire au PPN du DUT Gestion logistique et transport
CPN GLT Document complémentaire au PPN du DUT Gestion logistique et transport Description des parcours de modules complémentaires destinés à la poursuite d étude S'appuyant sur l'arrêté du 3 août 2005,
Plus en détailMCMC et approximations en champ moyen pour les modèles de Markov
MCMC et approximations en champ moyen pour les modèles de Markov Gersende FORT LTCI CNRS - TELECOM ParisTech En collaboration avec Florence FORBES (Projet MISTIS, INRIA Rhône-Alpes). Basé sur l article:
Plus en détailProcessus aléatoires avec application en finance
Genève, le 16 juin 2007. Processus aléatoires avec application en finance La durée de l examen est de deux heures. N oubliez pas d indiquer votre nom et prénom sur chaque feuille. Toute documentation et
Plus en détailMANAGEMENT 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 détailRaisonnement probabiliste
Plan Raisonnement probabiliste IFT-17587 Concepts avancés pour systèmes intelligents Luc Lamontagne Réseaux bayésiens Inférence dans les réseaux bayésiens Inférence exacte Inférence approximative 1 2 Contexte
Plus en détailDan Istrate. Directeur de thèse : Eric Castelli Co-Directeur : Laurent Besacier
Détection et reconnaissance des sons pour la surveillance médicale Dan Istrate le 16 décembre 2003 Directeur de thèse : Eric Castelli Co-Directeur : Laurent Besacier Thèse mené dans le cadre d une collaboration
Plus en détailTexte Agrégation limitée par diffusion interne
Page n 1. Texte Agrégation limitée par diffusion interne 1 Le phénomène observé Un fût de déchets radioactifs est enterré secrètement dans le Cantal. Au bout de quelques années, il devient poreux et laisse
Plus en détailMachines virtuelles Cours 1 : Introduction
Machines virtuelles Cours 1 : Introduction Pierre Letouzey 1 pierre.letouzey@inria.fr PPS - Université Denis Diderot Paris 7 janvier 2012 1. Merci à Y. Régis-Gianas pour les transparents Qu est-ce qu une
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 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 détailIntroduction. I Étude rapide du réseau - Apprentissage. II Application à la reconnaissance des notes.
Introduction L'objectif de mon TIPE est la reconnaissance de sons ou de notes de musique à l'aide d'un réseau de neurones. Ce réseau doit être capable d'apprendre à distinguer les exemples présentés puis
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 détailMaster of Science in Engineering www.hes-so.ch/mse
Présentation du MSE Fouad.Rahali@heig-vd.ch Master of Science in Engineering www.hes-so.ch/mse 1 Bachelors et Masters HES professionnalisant + de responsabilités Master HES-SO Bachelor HES-SO Compétences
Plus en détailChaînes de Markov au lycée
Journées APMEP Metz Atelier P1-32 du dimanche 28 octobre 2012 Louis-Marie BONNEVAL Chaînes de Markov au lycée Andreï Markov (1856-1922) , série S Problème 1 Bonus et malus en assurance automobile Un contrat
Plus en détailUniversité Libre de Tunis
Ingénieur: Génie Informatique Code et Intitulé des Matières Enseignées Plan d'etudes : Semestre 1 S1-01 Algorithmique et Structures de Données 1 S1-02 Programmation C S1-03 Logiques Mathématiques S1-04
Plus en détailChapitre 3. Mesures stationnaires. et théorèmes de convergence
Chapitre 3 Mesures stationnaires et théorèmes de convergence Christiane Cocozza-Thivent, Université de Marne-la-Vallée p.1 I. Mesures stationnaires Christiane Cocozza-Thivent, Université de Marne-la-Vallée
Plus en détailSites web éducatifs et ressources en mathématiques
Sites web éducatifs et ressources en mathématiques Exercices en ligne pour le primaire Calcul mental élémentaire : http://www.csaffluents.qc.ca/wlamen/tables-sous.html Problèmes de soustraction/addition
Plus en détail10ème Congrès Français d'acoustique Lyon, 12-16 Avril 2010
10ème Congrès Français d'acoustique Lyon, 12-16 Avril 2010 Le compressed sensing pour l holographie acoustique de champ proche II: Mise en œuvre expérimentale. Antoine Peillot 1, Gilles Chardon 2, François
Plus en détailECTS CM TD TP. 1er semestre (S3)
Organisation du parcours M2 IRS en alternance De façon générale, les unités d enseignements (UE) sont toutes obligatoires avec des ECTS équivalents à 3 sauf le stage sur 27 ECTS et réparties sur deux semestres
Plus en détailL apprentissage automatique
L apprentissage automatique L apprentissage automatique L'apprentissage automatique fait référence au développement, à l analyse et à l implémentation de méthodes qui permettent à une machine d évoluer
Plus en détailMATHÉMATIQUES. 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 détailFaculté des Sciences Mathématiques, Physiques et Naturelles de Tunis
UNIVERSITE TUNIS EL MANAR Faculté des Sciences Mathématiques, Physiques et Naturelles de Tunis Campus Universitaire-2092-EL MANAR2 Tél: 71 872 600 Fax: 71 885 350 Site web: www.fst.rnu.tn Présentation
Plus en détail