- Formations
- Sciences, Technologies, Santé
- Master
- Master Mention Mathématiques et applications
Master Mention Mathématiques et applications
Niveau d'étude visé
BAC +5
ECTS
120 crédits
Durée
2 ans
Composante
Collège Sciences et Technologies pour l’Energie et l’Environnement (STEE)
Présentation
Le master de mathématiques et applications délivre une formation de pointe dans les domaines de compétences du laboratoire de mathématiques et de leurs applications de Pau, en particulier dans les thématiques suivantes :
Parcours MMS : analyse des équations aux dérivées partielles (EDP), analyse numérique des EDP, simulation, calcul scientifique haute performance, modélisation mathématique, probabilités, mathématiques fondamentales.
Parcours MSID : statistique, analyse de données, bases et entrepôts de données, probabilités appliquées, processus stochastiques, simulation de Monte-Carlo, applications industrielles.
Parcours MIBD — Intelligence artificielle : apprentissage automatique (Machine Learning), apprentissage profond (Deep Learning), fouille de données (Data Mining & Text Mining) – Algorithmique parallèle et distribuée : calcul intensif (High-performance Computing), outils de programmation parallèles et distribuées (GPU Computing), problématique du déploiement.
Les trois spécialités accueillent les étudiants du CMI mathématiques et ingénierie.
Master 1 : 50 étudiants
Capacité d'accueil
Compétences
Usages avancés et spécialisés des outils numériques
Mettre en œuvre une communication spécialisée pour le transfert de connaissances
Appui à la transformation en contexte professionnel
Développement et intégration de savoirs hautement spécialisés
Communication spécialisée pour le transfert de connaissances
Tableau des compétences
Semestre | Semestre 1 | Semestre 2 | Semestre 3 | Semestre 4 | Semestre 1 | Semestre 2 | Semestre 3 | Semestre 4 | Semestre 1 | Semestre 2 | Semestre 3 | Semestre 4 | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
Unité d'Enseignement | Analyse Fonctionnelle : Analyse Hilbertienne S1 | Analyse des EDP S1 | Analyse numérique : Différences finies S1 | Calcul scientifique Python S1 | Préparation projet professionnel | Anglais M1 S1 | Optimisation S1 | Math pour la Mécanique S1 | Géométrie différentielle S1 | Probabilité statistique | Analyse Fonctionnelle Espaces de Banach S2 | Analyse EDP 2 : Fourier problèmes aux limites S2 | Analyse numérique 2 Eléments finis S2 | TER S2 | Anglais M1 S2 | Calcul scientifique 2 : C++ _ S2 | Complément analyse numérique S2 | Algèbre | Distance cadre DD | Intro aux data sciences | Stage (comptant pour le S3) | Analyse des EDP 3 S3 | Analyse Numérique EDP 3 Eléments finis S3 | Volume finis systèmes hyperboliques S3 | Calcul Scientifique S3 | Calcul haute performance | Simulations Réservoir S3 | Codes Industriels S3 | Maillages et Applications S3 | EDP stochastiques S3 | Problèmes inverses S3 | Analyse asymptotique S3 | Analyse numérique et mathèmatiques des problèmes hyperboliques S3 | Analyse avancée S3 | Mathematical Engineering of deep learning | Anglais M2 | French for foreigner semestre impair | Projet intégrateur | Bilan des travaux en Entreprise ou laboratoire S4 | Probabilités et statistiques S7 | Méthodes Numériques et Informatique S7 | Entrepôts de données | Compétences transversales I S7 | Probabilités et processus | Méthodes statistiques de base S8 | Introduction aux datasciences S8 | Compétences transversales II S8 | Modèles et méthodes pour l’industrie S9 | Techniques en datasciences S9 | Compétences transversales III S9 | Projet intégrateur | Bilan des travaux en Entreprise | Calcul parallèle | Statistique Inférentielle S7 | Logiciels statistiques | Visual analytics | Analyse matricielle et optimisation S7 | Python | Anglais M1 S1 | Entrepôts de données | Cloud | NOSQL | Modèles linéaires – notions de base S8 | Analyse de données | Machine Learning - intro | Apprentissage profond - notion de base | Frameworks pour l'IA et le BIG DATA | Programmation orientée Agents | Interopérabilité des Données et des Connaissances | Anglais M1 S2 | Machine learning - notion avancées S9 | Text mining | Fondements des systèmes Multi-Agents | Datamining S9 | Apprentissage profond - notion avancées | GPGPU | Anglais | Projet intégrateur 1 | Calcul haute performance | Projet intégrateur 2 | stage de fin d'étude | |
Usages avancés et spécialisés des outils numériques | Identifier les usages numériques et les impacts de leur évolution sur le ou les domaines concernés par la mention | 4 - Expert | 4 - Expert | x | x | x | x | x | x | 4 - Expert | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Se servir de façon autonome des outils numériques avancés pour un ou plusieurs métiers ou secteurs de recherche du domaine | 4 - Expert | 4 - Expert | x | x | x | x | x | x | 4 - Expert | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Mettre en œuvre une communication spécialisée pour le transfert de connaissances | Identify, select and critically analyse a variety of specialist resources to document a topic and synthesise this data for use | x | x | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Appui à la transformation en contexte professionnel | Gérer des contextes professionnels ou d'études complexes, imprévisibles et qui nécessitent des approches stratégiques nouvelles | x | x | x | x | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Prendre des responsabilités pour contribuer aux savoirs et aux pratiques professionnelles et/ou pour réviser la performance stratégique d'une équipe | x | x | x | x | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Conduire un projet (conception, pilotage, coordination d'équipe, mise en œuvre et gestion, évaluation, diffusion) pouvant mobiliser des compétences pluridisciplinaires dans un cadre collaboratif | x | x | x | x | x | x | x | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Analyser ses actions en situation professionnelle, s'autoévaluer pour améliorer sa pratique dans le cadre d'une démarche qualité | x | x | x | x | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Respecter les principes d'éthique, de déontologie et de responsabilité environnementale | 3 - Maitrise | x | x | x | x | x | x | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Analyser et modéliser du point de vue informatique un problème dans toute son étendue et dans des champs d'applications variés en lien avec les usagers | x | x | x | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Maîtriser les grands enjeux de la sécurité des systèmes informatiques et de la protection des données, analyser un système du point de vue de la sécurité et mettre en œuvre des solutions sécurisées | x | x | x | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Prendre en compte les enjeux industriels, économiques et professionnels : compétitivité et productivité, innovation, propriété intellectuelle et industrielle, respect des procédures qualité, sécurité | x | x | x | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Développement et intégration de savoirs hautement spécialisés | Mobiliser des savoirs hautement spécialisés, dont certains sont à l'avant-garde du savoir dans un domaine de travail ou d'études, comme base d'une pensée originale | 3 - Maitrise | x | x | x | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Développer une conscience critique des savoirs dans un domaine et/ou à l'interface de plusieurs domaines | 3 - Maitrise | x | x | x | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Résoudre des problèmes pour développer de nouveaux savoirs et de nouvelles procédures et intégrer les savoirs de différents domaines | 3 - Maitrise | x | x | x | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Apporter des contributions novatrices dans le cadre d'échanges de haut niveau, et dans des contextes internationaux | 3 - Maitrise | x | x | x | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Conduire une analyse réflexive et distanciée prenant en compte les enjeux, les problématiques et la complexité d'une demande ou d'une situation afin de proposer des solutions adaptées et/ou innovantes en respect des évolutions de la règlementation | 3 - Maitrise | x | x | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Maîtriser plusieurs paradigmes de modélisation et de programmation et être capable de s'adapter à de nouveaux langages | x | x | x | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Proposer une architecture matérielle et logicielle permettant d'intégrer les données du problème et le résoudre | x | x | x | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Connaître et mettre en œuvre les principes de gestion des bases de données structurées ou non | x | x | x | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Développer des applications informatiques sur des infrastructures variées (machines parallèles, environnement distribué, programmation Web…) | x | x | x | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Mettre en relation une catégorie de problèmes avec les algorithmes de résolution, en évaluer la pertinence : limites d'utilisation et efficacité | x | x | x | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Déployer des applications informatiques, gérer les phases de test et les évolutions | x | x | x | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Développer des interfaces homme-machines à destination des usagers | x | x | x | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Conduire une analyse réflexive et distanciée prenant en compte les enjeux, les problématiques et la complexité d'une demande ou d'une situation afin de proposer des solutions adaptées et/ou innovantes en respect des évolutions de la réglementation | x | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Communication spécialisée pour le transfert de connaissances | Identify, select and critically analyse a variety of specialist resources to document a topic and synthesise this data for use | x | x | x | x | x | x | x | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Communiquer à des fins de formation ou de transfert de connaissances, par oral et par écrit, en français et dans au moins une langue étrangère | x | x | x | x | x | x | x |
Organisation
Ouvert en alternance
Type de contrat | Contrat de professionnalisation, Contrat d'apprentissage |
---|
Programme
Sélectionnez un programme
Parcours Mathématiques, modélisation et simulation
Le parcours Mathématiques, Modélisation et Simulation (MMS) du master de mathématiques et applications a pour but de délivrer une formation de pointe en analyse appliquée, analyse numérique et calcul scientifique, mais aussi en mathématiques fondamentales.
Le M2 Mathématiques, Modélisation et Simulation est aussi ouvert au programme international, vous trouverez plus d'information sur le site en anglais.
Analyse Fonctionnelle : Analyse Hilbertienne S1
4 créditsAnalyse des EDP S1
6 créditsAnalyse numérique : Différences finies S1
4 créditsCalcul scientifique Python S1
4 créditsPréparation projet professionnel
2 créditsAnglais M1 S1
2 créditsAu choix : 2 parmi 4
Optimisation S1
4 créditsMath pour la Mécanique S1
4 créditsGéométrie différentielle S1
4 créditsProbabilité statistique
4 créditsProbabilités S7
4 crédits
Analyse Fonctionnelle Espaces de Banach S2
4 créditsAnalyse EDP 2 : Fourier problèmes aux limites S2
4 créditsAnalyse numérique 2 Eléments finis S2
6 créditsTER S2
6 créditsAnglais M1 S2
2 créditsAu choix : 2 parmi 5
Calcul scientifique 2 : C++ _ S2
4 créditsComplément analyse numérique S2
4 créditsAlgèbre
4 créditsDistance cadre DD
4 créditsIntro aux data sciences
4 créditsMachine learning
2 créditsApprentissage profond - notions de base
2 crédits
Facultatif
Analyse des EDP 3 S3
6 créditsAnalyse Numérique EDP 3 Eléments finis S3
6 créditsAu choix : 2 parmi 12
Volume finis systèmes hyperboliques S3
4 créditsCalcul Scientifique S3
4 créditsCalcul haute performance
4 créditsSimulations Réservoir S3
4 créditsCodes Industriels S3
4 créditsMaillages et Applications S3
4 créditsEDP stochastiques S3
4 créditsProblèmes inverses S3
4 créditsAnalyse asymptotique S3
4 créditsAnalyse numérique et mathèmatiques des problèmes hyperboliques S3
4 créditsAnalyse avancée S3
4 créditsMathematical Engineering of deep learning
4 crédits
Au choix : 1 parmi 2
Anglais M2
2 créditsFrench for foreigner semestre impair
2 crédits
Projet intégrateur
10 créditsBilan des travaux en Entreprise ou laboratoire S4
20 crédits
Parcours Méthodes stochastiques et informatiques pour la décision
Sur deux années, le parcours Méthodes Stochastiques et Informatiques pour la Décision (MSID) du master de mathématiques et applications offre une formation de pointe en analyse statistique, informatique décisionnelle et modélisation stochastique, ainsi que dans les outils informatiques associés. Le parcours offre la possibilité de se spécialiser dans le domaine de la qualité et de la sûreté de fonctionnement en milieu industriel, ou dans la fouille de données (data mining) et l’analyse de risque. Ce type de compétences mène à des métiers du type ingénieur ou chargé d’études en statistique ou informatique décisionnelle (tous secteurs d’activité), en passant par des spécialistes en contrôle de la qualité ou des ingénieurs en sûreté de fonctionnement.
Le parcours MSID offre aussi une orientation recherche qui peut déboucher sur une thèse et mener à des emplois d'ingénieurs en recherche et développement dans l'industrie ou à des emplois d'enseignants-chercheurs ou de chercheurs en milieu académique. En dehors de son contenu scientifique, la formation permet aussi à l’étudiant de se familiariser avec le monde de l’entreprise, entre autres par l’intermédiaire d’un stage de 24 semaines et d’un cours de gestion de projets. Les étudiants sont aussi formés en anglais.
Le contenu des études peut comprendre :
- des enseignements théoriques et pratiques dans les domaines de la statistique et de la science des données
- de l’apprentissage par projet
- un stage optionnel entre le M1 et le M2
- en M2, une expérience longue durée en entreprise à travers l’alternance ou un stage de fin d’études
- des enseignements complémentaires et transverses : langue vivante, gestion de projets, etc.
- des unités d’enseignements complémentaires et facultatifs : sport, culture, etc.
Le M2 est aussi un master international, vous trouverez plus d'information sur la page web en anglais.
Probabilités et statistiques S7
14 créditsProbabilités S7
4 créditsStatistique Inférentielle S7
6 créditsLogiciels statistiques R S7
2 créditsLogiciels statistiques SAS S7
2 crédits
Méthodes Numériques et Informatique S7
12 créditsAnalyse matricielle et optimisation S7
4 créditsPython S7
4 crédits
Entrepôts de données
4 créditsCompétences transversales I S7
4 créditsPréparation projet professionnel
2 créditsAnglais M1 S1
2 crédits
Probabilités et processus
10 créditsChaînes et processus de Markov S8
6 créditsMéthodes de Monte Carlo S8
4 crédits
Méthodes statistiques de base S8
8 créditsModèles linéaires – notions de base S8
2 créditsModèles linéaires – notions avancées S8
4 créditsAnalyse de données S8
2 crédits
Introduction aux datasciences S8
4 créditsMachine learning
2 créditsApprentissage profond - notions de base
2 créditsFrameworks IA Big Data
4 crédits
Compétences transversales II S8
4 créditsGestion de projet
2 créditsAnglais M1 S2
2 crédits
Modèles et méthodes pour l’industrie S9
18 créditsFiabilité prévisionnelle S9
4 créditsAnalyse de durées de survie S9
4 créditsPlans d’expérience S9
4 créditsMaîtrise statistique des procédés S9
2 créditsOutils pour la sûreté de fonctionnement S9
4 crédits
Techniques en datasciences S9
10 créditsDatamining S9
2 créditsMachine learning - notion avancées S9
2 créditsText mining
4 créditsApprentissage profond - notions avancées
2 crédits
Compétences transversales III S9
2 créditsAnglais M2
2 crédits
Projet intégrateur
10 créditsBilan des travaux en Entreprise
20 crédits
Parcours Mathématiques et informatique pour le Big Data
Le caractère ubiquitaire de l’informatique et des données numériques dans les sociétés modernes fait que la production, l’analyse et le traitement de l’information sont aujourd’hui au cœur du développement économique et concernent tous les secteurs de l’industrie et des services : commerce, santé, sécurité, énergie, transports, aménagement du territoire, etc. Disposer d’outils performants pour produire, extraire, traiter, analyser et présenter les données est désormais une clé pour de nombreux secteurs d'activité.
Considérer l’ensemble de l’information circulant sur l’internet comme une immense base de données dynamiques au service des processus d'aide intelligente à la prise de décision a donné naissance au phénomène Big Data. Il se caractérise par des données de très grande taille (Volume), peu structurées, multi-variables, multidimensionnelles (Variété) et de nature dynamique voire furtive (Vélocité) de par l’impossibilité quelquefois de les stocker, ne serait-ce que provisoirement. Ces caractéristiques posent de nouveaux problèmes, les processus de traitements classiques ne supportant souvent pas le passage à l’échelle ou n’étant pas adaptées à ce type de données.
Calcul parallèle
3 créditsStatistique Inférentielle S7
6 créditsStatistique Inférentielle S7
6 crédits
Logiciels statistiques
2 créditsLogiciels statistiques R S7
2 crédits
Visual analytics
4 créditsAnalyse matricielle et optimisation S7
4 créditsPython
3 créditsAnglais M1 S1
2 créditsEntrepôts de données
4 crédits
Cloud
2 créditsNOSQL
2 créditsModèles linéaires – notions de base S8
2 créditsModèles linéaires – notions de base S8
2 créditsDéveloppement web avancé
4 crédits
Analyse de données
2 créditsAnalyse de données S8
2 crédits
Machine Learning - intro
2 créditsMachine learning
2 crédits
Apprentissage profond - notion de base
2 créditsFrameworks pour l'IA et le BIG DATA
4 créditsFrameworks IA Big Data
4 crédits
Programmation orientée Agents
4 créditsInteropérabilité des Données et des Connaissances
4 créditsAnglais M1 S2
2 crédits
Machine learning - notion avancées S9
2 créditsText mining
4 créditsFondements des systèmes Multi-Agents
4 créditsDatamining S9
2 créditsApprentissage profond - notion avancées
2 créditsApprentissage profond
2 crédits
GPGPU
4 créditsAnglais
2 créditsProjet intégrateur 1
6 créditsAu choix : 2 parmi 2
Calcul haute performance
4 créditsProjet intégrateur 2
6 crédits
stage de fin d'étude
30 crédits
Analyse Fonctionnelle : Analyse Hilbertienne S1
ECTS
4 crédits
Composante
Collège Sciences et Technologies pour l’Energie et l’Environnement (STEE)
Heures d'enseignement
Analyse Fonctionnelle : Analyse Hilbertienne S1, Analyse Fonctionnelle : Analyse Hilbertienne S1
Mettre en place les outils d’analyse hilbertienne pour l’analyse des EDP, se familiariser avec la théorie des opérateurs
Analyse des EDP S1
ECTS
6 crédits
Composante
Collège Sciences et Technologies pour l’Energie et l’Environnement (STEE)
Heures d'enseignement
Analyse des EDP S1 CM, Analyse des EDP S1 TD
Analyse numérique : Différences finies S1
ECTS
4 crédits
Composante
Collège Sciences et Technologies pour l’Energie et l’Environnement (STEE)
Heures d'enseignement
Analyse numérique : Différences finies S1 CM, Analyse numérique : Différences finies S1 TD
Premier cours d’analyse numérique portant sur les différences finies en stationnaire, objectif savoir écrire et étudier un schéma aux différences finies en régime stationnaire
Calcul scientifique Python S1
ECTS
4 crédits
Composante
Collège Sciences et Technologies pour l’Energie et l’Environnement (STEE)
Heures d'enseignement
Calcul scientifique Python S1 CM, Calcul scientifique Python S1 TP
Préparation projet professionnel
ECTS
2 crédits
Composante
Collège Sciences et Technologies pour l’Energie et l’Environnement (STEE)
Heures d'enseignement
Préparation projet professionnel CM, Préparation projet professionnel TD
Préparer son projet professionnel et découvrir les métiers après le master "Mathématiques et Application".
- Préparation à la recherche d'alternance ou de stage
- Outils numériques et réseautage.
- Découverte des entreprises
- Connaissance du métier.
Anglais M1 S1
ECTS
2 crédits
Composante
Collège Sciences et Technologies pour l’Energie et l’Environnement (STEE)
Heures d'enseignement
Anglais CM, Anglais TD
Préparation à la certification en anglais, Test of English for International Communication (TOEIC).
Le TOEIC mesure les compétences de compréhension écrite et orale pour les niveaux débutant à avancé et détermine si une personne peut communiquer en anglais efficacement et avec aisance dans un contexte professionnel.
Optimisation S1
ECTS
4 crédits
Composante
Collège Sciences et Technologies pour l’Energie et l’Environnement (STEE)
Heures d'enseignement
Optimisation S1 CM, Optimisation S1 TD, Optimisation S1 TP
Maitriser le vocabulaire d’un problème d’optimisation, savoir résoudre une classe de prob- lèmes d’optimisation et savoir le résoudre numériquement.
Math pour la Mécanique S1
ECTS
4 crédits
Composante
Collège Sciences et Technologies pour l’Energie et l’Environnement (STEE)
Heures d'enseignement
Math pour la Mécanique S1 CM, Math pour la Mécanique S1 TD
Savoir mettre en équation et résoudre numériquement quelques problèmes provenant de la mécanique.
Géométrie différentielle S1
ECTS
4 crédits
Composante
Collège Sciences et Technologies pour l’Energie et l’Environnement (STEE)
Heures d'enseignement
Géométrie différentielle S1 CM, Géométrie différentielle S1 TD
Probabilité statistique
ECTS
4 crédits
Composante
Collège Sciences et Technologies pour l’Energie et l’Environnement (STEE)
Probabilités S7
ECTS
4 crédits
Composante
Collège Sciences et Technologies pour l’Energie et l’Environnement (STEE)
Heures d'enseignement
Probabilités S7 CM, Probabilités S7 TD
renforcer les connaissances en probabilités pour la modélisation
- Rappels d’intégration (tribu, mesure) et de probabilités (loi d’un vecteur aléatoire, tribu engendrée par un vecteur aléatoire)
- Vecteurs gaussiens
- Lois et espérances conditionnelles
Analyse Fonctionnelle Espaces de Banach S2
ECTS
4 crédits
Composante
Collège Sciences et Technologies pour l’Energie et l’Environnement (STEE)
Heures d'enseignement
Analyse Fonctionnelle Espaces de Banach CM, Analyse Fonctionnelle Espaces de Banach TD
Analyse EDP 2 : Fourier problèmes aux limites S2
ECTS
4 crédits
Composante
Collège Sciences et Technologies pour l’Energie et l’Environnement (STEE)
Heures d'enseignement
Analyse EDP 2 : Fourier problèmes aux limites CM, Analyse EDP 2 : Fourier problèmes aux limites TD
Analyse numérique 2 Eléments finis S2
ECTS
6 crédits
Composante
Collège Sciences et Technologies pour l’Energie et l’Environnement (STEE)
Heures d'enseignement
Analyse numérique 2 Eléments finis CM, Analyse numérique 2 Eléments finis TD, Analyse numérique 2 Eléments finis TP
TER S2
ECTS
6 crédits
Composante
Collège Sciences et Technologies pour l’Energie et l’Environnement (STEE)
Heures d'enseignement
Nouvelles heures d'enseignement
Anglais M1 S2
ECTS
2 crédits
Composante
Collège Sciences et Technologies pour l’Energie et l’Environnement (STEE)
Heures d'enseignement
Anglais M1 S2, Anglais M1 S2
Préparation à la certification en anglais, Test of English for International Communication (TOEIC).
Le TOEIC mesure les compétences de compréhension écrite et orale pour les niveaux débutant à avancé et détermine si une personne peut communiquer en anglais efficacement et avec aisance dans un contexte professionnel.
Calcul scientifique 2 : C++ _ S2
ECTS
4 crédits
Composante
Collège Sciences et Technologies pour l’Energie et l’Environnement (STEE)
Heures d'enseignement
Calcul scientifique 2 CM, Calcul scientifique 2 TP
Premier cours d’analyse numérique portant sur les différences finies en stationnaire.
Complément analyse numérique S2
ECTS
4 crédits
Composante
Collège Sciences et Technologies pour l’Energie et l’Environnement (STEE)
Heures d'enseignement
Complément analyse numérique S2 CM, Complément analyse numérique S2 TD
Premier cours d’analyse numérique portant sur les différences finies en stationnaire
Algèbre
ECTS
4 crédits
Composante
Collège Sciences et Technologies pour l’Energie et l’Environnement (STEE)
Heures d'enseignement
Algèbre , Algèbre
Compléter la formation en algèbre en vue du concours de l’agrégation ou d’une poursuite d’études en M2 mathématiques
Distance cadre DD
ECTS
4 crédits
Composante
Collège Sciences et Technologies pour l’Energie et l’Environnement (STEE)
Intro aux data sciences
ECTS
4 crédits
Composante
Collège Sciences et Technologies pour l’Energie et l’Environnement (STEE)
Machine learning
ECTS
2 crédits
Composante
Collège Sciences et Technologies pour l’Energie et l’Environnement (STEE)
Heures d'enseignement
Machine learning, Machine learning TD
Aborder la prédiction et l’apprentissage automatique qui sont les tâches les plus courantes effectuées par les data scientists et les data analysts.
- Présentation des activités clés de l’apprentissage automatique
- Méthodes d’apprentissage supervisé: régression et classification binaire
- Approches et algorithmes pour l’apprentissage supervisé
- Apprentissage itératif basé sur l’optimisation
- Généralisation, régularisation et Validation
Apprentissage profond - notions de base
ECTS
2 crédits
Composante
Collège Sciences et Technologies pour l’Energie et l’Environnement (STEE)
Heures d'enseignement
Apprentissage profond CM, Apprentissage profond TD
Acquérir les bases des Réseaux de Neurones pour le traitement et l’analyse de grands volumes de données. Description :
- Notions d’apprentissage profond supervisé;
- Comprendre les algorithmes sous-jacents les méthodes d’apprentissage profond;
- Structurer et préparer les données sous une forme appropriée;
- Implémenter un perceptron ;
- Comprendre l’action des hyperparamètres de base
Stage (comptant pour le S3)
Composante
Collège Sciences et Technologies pour l’Energie et l’Environnement (STEE)
Analyse des EDP 3 S3
ECTS
6 crédits
Composante
Collège Sciences et Technologies pour l’Energie et l’Environnement (STEE)
Heures d'enseignement
Analyse des EDP 3 S3 CM, Analyse des EDP 3 S3 TD
-
Fonctions harmoniques, principes du maximum
-
Résolution de problèmes elliptiques linéaires, régularité elliptiques, principes du maximum fort
-
Problèmes elliptiques non linéaires (résolution avec différentes méthodes)
-
Équation de la chaleur linéaire, régularité des solutions, problèmes non linéaires
Analyse Numérique EDP 3 Eléments finis S3
ECTS
6 crédits
Composante
Collège Sciences et Technologies pour l’Energie et l’Environnement (STEE)
Heures d'enseignement
Analyse Numérique EDP 3 Eléments finis S3 CM, Analyse Numérique EDP 3 Eléments finis S3 TD
Present the theory of different Finite Element methods : conforming, nonconforming and mixed FE.
- Sobolev spaces and trace theorems
- Variational formulations and approximations
- Finite element spaces
- Saddle-point problems
Volume finis systèmes hyperboliques S3
ECTS
4 crédits
Composante
Collège Sciences et Technologies pour l’Energie et l’Environnement (STEE)
Heures d'enseignement
Volume finis systèmes hyperboliques S3 CM, Volume finis systèmes hyperboliques S3
- Introduction : exemples de systèmes hyperboliques, problèmes bien et mal posés, méthode des caractéristiques.
- Volumes finis en 1D pour le linéaire : schéma décentré pour une équation de transport (stabilité L2 (von Neumann), stabilité L∞), condition CFL, résolution du problème de Riemann pour un système.
- Volumes finis en multi-D pour le linéaire : schéma numérique, condition CFL, stabilité L2 et hyperbolicité, système symétrisable (+exemples), entropie.
- Lois de conservation scalaire : solution faible, condition de Rankine-Hugoniot, onde de choc, onde de détente, entropie et unicité, théorème de Krushkov.
- Volumes finis pour les lois de conservation scalaires : exemples de flux numériques, BV et L∞ stabilité, CFL, schéma et flux monotones
Calcul Scientifique S3
ECTS
4 crédits
Composante
Collège Sciences et Technologies pour l’Energie et l’Environnement (STEE)
Heures d'enseignement
Calcul Scientifique S3 CM, Calcul Scientifique S3 TD
-
We present the concepts of a Voronoi diagram and of a Delaunay triangulation
-
We shall present several recent results about their optimality from an approximation point of view
-
Finite Element Methods on general meshes
-
Some advanced applications
Calcul haute performance
ECTS
4 crédits
Composante
Collège Sciences et Technologies pour l’Energie et l’Environnement (STEE)
Heures d'enseignement
Calcul haute performance CM, Calcul haute performance TP
-
Introduction : discover the architecture of a supercomputer and what is High Performance Computing
-
Efficient sequential programming
-
Introduction to compiled langages (C)
-
Improve Python programs using C functions and Python tools
-
Parallel programming :
-
Using a supercomputer
-
Distributed memory parllelism : MPI in Python
-
Introduction and practice of simple Domain Decomposition Methods
-
Shared memory parallelism : OpenMP and Python tools
Simulations Réservoir S3
ECTS
4 crédits
Composante
Collège Sciences et Technologies pour l’Energie et l’Environnement (STEE)
Heures d'enseignement
Simulations Réservoir S3 CM, Simulations Réservoir S3 TD
Les thèmes suivants seront développés :
-
Ecoulement et transport en milieux
-
Ecoulements multiphasiques en milieux poreux
-
Modélisation des réservoirs
-
Homogénéisation, éléments finis et volumes
-
Modélisation et simulation numérique d’écoulements diphasiques en milieux
Codes Industriels S3
ECTS
4 crédits
Composante
Collège Sciences et Technologies pour l’Energie et l’Environnement (STEE)
Heures d'enseignement
Codes Industriels S3 CM, Codes Industriels S3 TP
Le cours se décompose en 3 temps
- Modélisation physique et mathématique : présentation de quelques EDP présentes dans les codes industriels
- Simulation numérique avec le logiciel FLUENT
- Simulation numérique avec le code industriel
Rq : « Nous sommes la seule formation académique, à ce jour, à dispenser un cours avec le logiciel d’aérodynamique elsA, propriété conjointe d’Airbus, Safran et de l’ONERA.»
Maillages et Applications S3
ECTS
4 crédits
Composante
Collège Sciences et Technologies pour l’Energie et l’Environnement (STEE)
Heures d'enseignement
Maillages et Applications S3 CM, Maillages et Applications S3 TD
Les triangulations de Delaunay et les diagrammes de Voronoï sont devenus des outils de base pour de nombreuses applications allant de : Généra- tion et amélioration de maillages en simplexes pour la méthode des éléments finis. Triangulation de domaines de données spécialement pour les données éparpillées. Ces deux décompositions de domaines sont aussi des structures de données permettant de résoudre de nombreux prob- lèmes : robotique, biologie, planification de trajectoires, reconnaissance de formes, informatique graphique, génération de maillages, . . .
Dans ce cours, on décrira donc la triangulation de Delaunay comme dual du diagramme de Voronoï ainsi que leurs principales propriétés mathé- matiques et leurs principales applications pratiques. On présentera également des travaux récents sur les propriétés optimales des triangulations de Delaunay et des diagrammes de Voronoi d’ensemble fini de points de l’espace Rn. La question d’optimisation de maillages sera également abordée
EDP stochastiques S3
ECTS
4 crédits
Composante
Collège Sciences et Technologies pour l’Energie et l’Environnement (STEE)
Heures d'enseignement
EDP stochastiques S3 CM, EDP stochastiques S3 TD
- Probabilités avancées : Espace probabilisé, variables aléatoires, processus, filtrations, mouvement brownien,
- Calcul de Itô : intégrale de Itô (construction et propriétés), formule de Itô
- Équations différentielles stochastiques en dimension finie : exemples, existence et unicité.
II.
- Étude des équations d’évolution avec des opérateurs monotones : méthode de discrétisation en
- Étude des équations stochastiques avec des opérateurs
Problèmes inverses S3
ECTS
4 crédits
Composante
Collège Sciences et Technologies pour l’Energie et l’Environnement (STEE)
Heures d'enseignement
Problèmes inverses S3 CM, Problèmes inverses S3 TD
- Introduction : problème direct, problème inverse, problème bien posé au sens de Hadamard, . . .
- Question d’existence de solution de problèmes inverses : continuation unique, inégalités de Carleman, . . .
- Régularisation des problèmes inverses numériques : Tykhonov, projection, . . . .
- Méthodes de gradient accéléré : Nesterov, . . .
- Applications : problème de complétion de données et de détection d’obstacles
Analyse asymptotique S3
ECTS
4 crédits
Composante
Collège Sciences et Technologies pour l’Energie et l’Environnement (STEE)
Heures d'enseignement
Analyse asymptotique S3, Analyse asymptotique S3
Ce cours s’intéresse à l’analyse asymptotique de problèmes elliptiques avec petits paramètres. Il se divise en deux parties :
1. Introduction aux méthodes de développements asymptotiques en 1D : développements réguliers, développements singuliers, développements
à double échelle, développements raccordés. Intérêt pédagogique: distinguer développements usuels et développements singuliers (développements
à double échelle, développements raccordés). Mise en oeuvre numérique sur des exemples simples. Modélisation asymptotique pour
l’électromagnétisme numérique : étude de problèmes de couche limite ou de couche simple
2. Méthodes BKW en dimension quelconque, problèmes de couches limites issus de la mécanique des fluides
Analyse numérique et mathèmatiques des problèmes hyperboliques S3
ECTS
4 crédits
Composante
Collège Sciences et Technologies pour l’Energie et l’Environnement (STEE)
Heures d'enseignement
Analyse numérique et mathèmatiques des problèmes hyperboliques S3 CM, Analyse numérique et mathèmatiques des problèmes hyperboliques S3 TD
- Le théorème de Hille-Yosida (maximalité et monotonie dans les espace de Hilbert)
- Présentation des schémas de discrétisation par éléments finis des problèmes temporels par flux de Riemann Implémentation de ces méthodes
Analyse avancée S3
ECTS
4 crédits
Composante
Collège Sciences et Technologies pour l’Energie et l’Environnement (STEE)
Heures d'enseignement
Analyse avancée S3, Analyse avancée S3
- Fonctions harmoniques, principes du maximum
- Résolution de problèmes elliptiques linéaires, régularité elliptiques, principes du maximum fort
- Problèmes elliptiques non linéaires (résolution avec différentes méthodes)
- Équation de la chaleur linéaire, régularité des solutions, problèmes non linéaires
Mathematical Engineering of deep learning
ECTS
4 crédits
Composante
Collège Sciences et Technologies pour l’Energie et l’Environnement (STEE)
Anglais M2
ECTS
2 crédits
Composante
Collège Sciences et Technologies pour l’Energie et l’Environnement (STEE)
Heures d'enseignement
Anglais M2 MMS/MSID CM, Anglais M2 MMS/MSID TD
-
Elaboration d'un diaporama servant de support à une présentation scientifique.
-
Apprentissage de vocabulaire de spécialité.
-
Elaboration d’un CV
-
Entretien d’embauche
French for foreigner semestre impair
ECTS
2 crédits
Composante
Collège Sciences et Technologies pour l’Energie et l’Environnement (STEE)
Heures d'enseignement
French for foreigner semestre impair
Projet intégrateur
ECTS
10 crédits
Composante
Collège Sciences et Technologies pour l’Energie et l’Environnement (STEE)
Bilan des travaux en Entreprise ou laboratoire S4
ECTS
20 crédits
Composante
Collège Sciences et Technologies pour l’Energie et l’Environnement (STEE)
Probabilités et statistiques S7
ECTS
14 crédits
Composante
Collège Sciences et Technologies pour l’Energie et l’Environnement (STEE)
Probabilités S7
ECTS
4 crédits
Composante
Collège Sciences et Technologies pour l’Energie et l’Environnement (STEE)
Heures d'enseignement
Probabilités S7 CM, Probabilités S7 TD
renforcer les connaissances en probabilités pour la modélisation
- Rappels d’intégration (tribu, mesure) et de probabilités (loi d’un vecteur aléatoire, tribu engendrée par un vecteur aléatoire)
- Vecteurs gaussiens
- Lois et espérances conditionnelles
Statistique Inférentielle S7
ECTS
6 crédits
Composante
Collège Sciences et Technologies pour l’Energie et l’Environnement (STEE)
Heures d'enseignement
Statistique Inférentielle S7 CM, Statistique Inférentielle S7 TD
Formation aux notions fondamentales de statistique inférentielle.
- Statistique : propriétés souhaitées, exhaustivité, familles exponentielles, information de Fisher et borne de Cramer-Rao.
- Méthodes d’estimation : méthodes des moments, maximum de vraisemblance, déviance, moindres carrés.
- Tests statistiques : rapport de vraisemblance, théorie de Neymann-Pearson.
- Panorama des tests
- Mise en œuvre avec R.
Logiciels statistiques R S7
ECTS
2 crédits
Composante
Collège Sciences et Technologies pour l’Energie et l’Environnement (STEE)
Heures d'enseignement
Logiciels statistiques R S7 CM, Logiciels statistiques R S7 TD
Former les étudiants au langage R pour l’analyse statistique.
- Création et manipulation d’objets
- Gestion des entrées/sorties
- Fonctions
- Éléments de programmation
- Graphiques
- Rapports avec Rmarkdown
- Applications avec Shiny
Logiciels statistiques SAS S7
ECTS
2 crédits
Composante
Collège Sciences et Technologies pour l’Energie et l’Environnement (STEE)
Heures d'enseignement
Logiciels statistiques SAS S7 CM, Logiciels statistiques SAS S7 TD
Former les étudiants au logiciel SAS pour l'analyse statistique :
- Structure de base d’un programme SAS ;
- Procédures graphiques ;
- Procédures probabilistes ;
- Procédures statistiques ;
- Langage
Méthodes Numériques et Informatique S7
ECTS
12 crédits
Composante
Collège Sciences et Technologies pour l’Energie et l’Environnement (STEE)
Analyse matricielle et optimisation S7
ECTS
4 crédits
Composante
Collège Sciences et Technologies pour l’Energie et l’Environnement (STEE)
Heures d'enseignement
Analyse matricielle et optimisation CM, Analyse matricielle et optimisation TD
Développer des compétences de base en analyse numérique et optimisation. L'accent sera mis sur les algorithmes dont certains seront mis en œuvre dans l'EC Python.
Description :
- Rappels et compléments d’algèbre linéaire : propriétés des matrices symétriques définies positives, décomposition en valeurs singulières, quotient de Rayleigh,
- Rappels de calcul différentiel, propriétés des fonctions et ensembles convexes
- Factorisation QR. Application à la résolution des problèmes surdéterminer, à la résolution de problèmes de moindres carrés linéaires et à la décomposition orthogonale aux valeurs propres (POD).
- Optimisation différentiable convexe sans contrainte. Méthodes numériques usuelles (de type gradient et Newton).
- Introduction à l'optimisation avec Méthodes lagrangiennes et de pénalisation, résolution des équations KKT.
Python S7
ECTS
4 crédits
Composante
Collège Sciences et Technologies pour l’Energie et l’Environnement (STEE)
Heures d'enseignement
Python S7 CM, Python S7 TD
Etre en capacité d’implémenter en Python des algorithmes complexes
- Notions de base du langage Python y compris l’utilisation des classes
- Implémentation d’algorithmes vus dans l’EC Analyse Matricielle et optimisation
Entrepôts de données
ECTS
4 crédits
Composante
Collège Sciences et Technologies pour l’Energie et l’Environnement (STEE)
Heures d'enseignement
Entrepôts de données CM, Entrepôts de données TD
Présenter les notions permettant de construire un entrepôt de données à partir de données contenues dans les bases de production d’une entreprise.
- Notions relatives aux entrepôts de données : l’aide à la prise de décision, les limites des bases de données de production, les besoins des décideurs ;
- Les étapes de mise en place d’un entrepôt de données : extraction, transformation et chargement des données ;
- Méthodologie de construction d’un entrepôt de données ;
- Modèle multidimensionnel et de la notion de cubes de données ;
- Application à travers l’utilisation d’un logiciel spécialisé comme WarehouseBuilder d’Oracle.
Compétences transversales I S7
ECTS
4 crédits
Composante
Collège Sciences et Technologies pour l’Energie et l’Environnement (STEE)
Préparation projet professionnel
ECTS
2 crédits
Composante
Collège Sciences et Technologies pour l’Energie et l’Environnement (STEE)
Heures d'enseignement
Préparation projet professionnel CM, Préparation projet professionnel TD
Préparer son projet professionnel et découvrir les métiers après le master "Mathématiques et Application".
- Préparation à la recherche d'alternance ou de stage
- Outils numériques et réseautage.
- Découverte des entreprises
- Connaissance du métier.
Anglais M1 S1
ECTS
2 crédits
Composante
Collège Sciences et Technologies pour l’Energie et l’Environnement (STEE)
Heures d'enseignement
Anglais CM, Anglais TD
Préparation à la certification en anglais, Test of English for International Communication (TOEIC).
Le TOEIC mesure les compétences de compréhension écrite et orale pour les niveaux débutant à avancé et détermine si une personne peut communiquer en anglais efficacement et avec aisance dans un contexte professionnel.
Probabilités et processus
ECTS
10 crédits
Composante
Collège Sciences et Technologies pour l’Energie et l’Environnement (STEE)
Chaînes et processus de Markov S8
ECTS
6 crédits
Composante
Collège Sciences et Technologies pour l’Energie et l’Environnement (STEE)
Heures d'enseignement
Chaînes et processus de Markov CM, Chaînes et processus de Markov TD
Etude des processus markoviens à temps discret et continu sur un espace discret :
- Chaînes de Markov
- Processus de Poisson
- Processus de Markov
- Applications
Méthodes de Monte Carlo S8
ECTS
4 crédits
Composante
Collège Sciences et Technologies pour l’Energie et l’Environnement (STEE)
Heures d'enseignement
Méthodes de Monte Carlo S8 CM, Méthodes de Monte Carlo S8 TD
Savoir mettre en œuvre des méthodes de Monte-Carlo pour la résolution de problèmes numériques com- plexes (intégration numérique, optimisation).
- Simulation de variables aléatoires : méthode par inversion et méthode d’acceptation-rejet.
- Intégration numérique : introduction, principe général, techniques de réduction de la variance (échantillonnage d’importance, variables communes, variables de contrôle, variables antithétiques, stratification).
- Optimisation stochastique : rappels et compléments sur les chaînes de Markov, méthodes de Monte Carlo par chaînes de Markov (simulation par chaînes de Markov, marche aléatoire sur un graphe, algorithme de etropolis- Hasting, mesure de Gibbs, recuit simulé).
Méthodes statistiques de base S8
ECTS
8 crédits
Composante
Collège Sciences et Technologies pour l’Energie et l’Environnement (STEE)
Modèles linéaires – notions de base S8
ECTS
2 crédits
Composante
Collège Sciences et Technologies pour l’Energie et l’Environnement (STEE)
Heures d'enseignement
Modèles linéaires – notions de base S8 CM, Modèles linéaires – notions de base S8 TD
Comprendre la problématique de la modélisation linéaire dans un cadre statistique.
- Cas particulier du modèle linéaire simple : écriture du modèle, estimation au sens des moindres carrés, estimation du maximum de vraisemblance, propriétés des estimateurs, qualité de l’ajustement, construction d’intervalles de confiance, réalisation de tests d’hypothèses.
- Modèle linéaire pour variables quantitatives,
Modèles linéaires – notions avancées S8
ECTS
4 crédits
Composante
Collège Sciences et Technologies pour l’Energie et l’Environnement (STEE)
Heures d'enseignement
Modèles linéaires – notions avancées CM, Modèles linéaires – notions avancées TD
Maîtriser l’utilisation des modèles linéaires dans un cadre statistique.
- Modèle linéaire pour variables quantitatives
- Modèle linéaire gaussien pour variables quantitatives
- Analyse des résidus et validation du modèle.
- Modèle linéaire pour variables qualitatives
Analyse de données S8
ECTS
2 crédits
Composante
Collège Sciences et Technologies pour l’Energie et l’Environnement (STEE)
Heures d'enseignement
Analyse de données S8 CM, Analyse de données S8 TD
- former les étudiants à l’utilisation des méthodes d’analyse factorielle en apprentissage statistique non supervisé et supervisé. Maîtriser les bases mathématiques des méthodes d?analyse factorielle
- être capable d’utiliser des logiciels statistiques pour la mise en œuvre de ces méthodes
- être en mesure d’interpréter les résultats du traitement pour l’analyse des données en vue de la prise de décision.
- Méthodes mathématiques pour l’analyse des données.
- Analyse en composantes principales (ACP).
- Décomposition en valeur singulière (SVD) pour l’ACP
- Partial Least Square version régression et version analyse canonique
- Analyse discriminante via Partial Least Square
Introduction aux datasciences S8
ECTS
4 crédits
Composante
Collège Sciences et Technologies pour l’Energie et l’Environnement (STEE)
Machine learning
ECTS
2 crédits
Composante
Collège Sciences et Technologies pour l’Energie et l’Environnement (STEE)
Heures d'enseignement
Machine learning, Machine learning TD
Aborder la prédiction et l’apprentissage automatique qui sont les tâches les plus courantes effectuées par les data scientists et les data analysts.
- Présentation des activités clés de l’apprentissage automatique
- Méthodes d’apprentissage supervisé: régression et classification binaire
- Approches et algorithmes pour l’apprentissage supervisé
- Apprentissage itératif basé sur l’optimisation
- Généralisation, régularisation et Validation
Apprentissage profond - notions de base
ECTS
2 crédits
Composante
Collège Sciences et Technologies pour l’Energie et l’Environnement (STEE)
Heures d'enseignement
Apprentissage profond CM, Apprentissage profond TD
Acquérir les bases des Réseaux de Neurones pour le traitement et l’analyse de grands volumes de données. Description :
- Notions d’apprentissage profond supervisé;
- Comprendre les algorithmes sous-jacents les méthodes d’apprentissage profond;
- Structurer et préparer les données sous une forme appropriée;
- Implémenter un perceptron ;
- Comprendre l’action des hyperparamètres de base
Frameworks IA Big Data
ECTS
4 crédits
Composante
Collège Sciences et Technologies pour l’Energie et l’Environnement (STEE)
Heures d'enseignement
Frameworks IA Big Data CM, Frameworks IA Big Data TP
Présenter une approche et des outils pour le développement de projets IA et Big Data:
- Structuration de la donnée dans des environnements hétérogènes : différentes familles de bases de données de type NoSQL, Relationnelles et Colonnes ;
- Apprentissage des architectures Big Data : un exemple de plateforme opérationnelle avec une présentation des avantages et des inconvénients - Les étudiants sont sollicités pour évaluer différents scénarios ;
- Séances de Travaux en équipe et/ou seul pour apprendre le framework Spark dans un usage lié à des cas concrets issus d’expertises professionnelles ;
- Développement de modèles d’IA basés sur des cas réels de mise en situation (E-commerce, Industrie 4.0, Géosciences...) ;
- Exemple d’étude de cas : la démonstration de la prédiction de l’indice de végétalisation sur les années à venir à partir de l’historique d’images satellitaires. L’objectif est de montrer aux étudiants comment dans l’agriculture par exemple on peut imaginer la répartition des zones agricoles
Compétences transversales II S8
ECTS
4 crédits
Composante
Collège Sciences et Technologies pour l’Energie et l’Environnement (STEE)
Gestion de projet
ECTS
2 crédits
Composante
Collège Sciences et Technologies pour l’Energie et l’Environnement (STEE)
Heures d'enseignement
Gestion de projet CM
Apprendre à manager un projet
- Partie théorique : concepts et outils du management de
- Partie pratique : construction d’un plan de management de projet avec une mise en situation et travail en équipe.
Anglais M1 S2
ECTS
2 crédits
Composante
Collège Sciences et Technologies pour l’Energie et l’Environnement (STEE)
Heures d'enseignement
Anglais M1 S2, Anglais M1 S2
Préparation à la certification en anglais, Test of English for International Communication (TOEIC).
Le TOEIC mesure les compétences de compréhension écrite et orale pour les niveaux débutant à avancé et détermine si une personne peut communiquer en anglais efficacement et avec aisance dans un contexte professionnel.
Modèles et méthodes pour l’industrie S9
ECTS
18 crédits
Composante
Collège Sciences et Technologies pour l’Energie et l’Environnement (STEE)
Fiabilité prévisionnelle S9
ECTS
4 crédits
Composante
Collège Sciences et Technologies pour l’Energie et l’Environnement (STEE)
Heures d'enseignement
Fiabilité prévisionnelle CM, Fiabilité prévisionnelle TD
Présenter les notions de base de la fiabilité prévisionnelle, ainsi que des modèles et outils probabilistes utiles dans ce contexte.
- Notions de base en fiabilité : disponibilité, durée de vie résiduelle, ordres stochastiques, vieillissement
- Modélisation de structures complexes : fonction de structure, système cohérent, calculs de fiabilité et de disponibilité.
- Systèmes markoviens
- Systèmes régénératifs ; application à l’étude de politiques de maintenance préventive.
Analyse de durées de survie S9
ECTS
4 crédits
Composante
Collège Sciences et Technologies pour l’Energie et l’Environnement (STEE)
Heures d'enseignement
Analyse de durées de survie CM, Analyse de durées de survie TD
Savoir analyser des données censurées et/ou tronquées
- Introduction : grandeurs spécifiques des durées de vie, durées censurées, durées tronquées
- Modèles paramétriques : lois classiques en durées de vie, estimation pour les modèles de base, modèle de vie accélérée
- Méthodes non-paramétriques : estimateurs de Nelson-Aalen et Kaplan-Meier, test de comparaison de courbes de survie
- Modèles semi-paramétriques : modèle de Cox
Plans d’expérience S9
ECTS
4 crédits
Composante
Collège Sciences et Technologies pour l’Energie et l’Environnement (STEE)
Heures d'enseignement
Plans d’expérience CM, Plans d’expérience TD
Acquérir les techniques classiques de planification des expériences.
- Introduction à la planification expérimentale
- Outils mathématiques pour les plans d’expérience
- Plans factoriels complets pour modèles d’ordre 1
- Fractions régulières pour modèles d’ordre 1
- Optimalité des plans d’expérience
- Plans d’expérience pour modèles à effets d’interaction
- Plans d’expérience pour surfaces de réponse
- Plans d’expérience en blocs
- Plans d’expérience pour mélanges
- Plans d’expérience factoriels complets pour facteurs qualitatifs
- Plans d’expérience orthogonaux pour facteurs qualitatifs
Maîtrise statistique des procédés S9
ECTS
2 crédits
Composante
Collège Sciences et Technologies pour l’Energie et l’Environnement (STEE)
Heures d'enseignement
Maîtrise statistique des procédés CM, Maîtrise statistique des procédés TD
Connaître, comprendre et utiliser les outils classiques pour le contrôle de la qualité.
- Outils mathématiques pour la MSP
- Aptitude d’un processus
- Cartes de contrôle aux mesures
- Cartes de contrôle aux attributs
- Cartes de contrôle pour petits déréglages
- Introduction aux cartes de contrôle multivariées
Outils pour la sûreté de fonctionnement S9
ECTS
4 crédits
Composante
Collège Sciences et Technologies pour l’Energie et l’Environnement (STEE)
Heures d'enseignement
Outils pour la sûreté de fonctionnement CM, Outils pour la sûreté de fonctionnement TD
Découvrir la sûreté de fonctionnement à travers des cas industriels et apprentissage d?un logiciel spécial- isé.
Description :
- Notions de RAMS
- Présentation de cas industriels
- Modélisation par des réseaux de Petri
- Etudes de cas et pratique sur le logiciel GRIF
Techniques en datasciences S9
ECTS
10 crédits
Composante
Collège Sciences et Technologies pour l’Energie et l’Environnement (STEE)
Datamining S9
ECTS
2 crédits
Composante
Collège Sciences et Technologies pour l’Energie et l’Environnement (STEE)
Heures d'enseignement
Datamining S9 CM, Datamining S9 TD
mettre en œuvre de manière complémentaire, à l’aide de logiciels informatiques, les méthodes statistiques de traitement et d’analyse de données et à en interpréter les résultats ; de la capacité à structurer et à présenter sous une forme appropriée pour la prise de décision les résultats du traitement et de l’analyse des données, mettant en évidence les informations sous-jacentes et pertinentes.
- Règles d’association
- Méthode du plus proche voisin
- Approches de k-means, k-medoïds et hiérarchiques
- Arbres de décision
- Forêts aléatoires
- Technique ensembliste pour l’analyse prédictive
Machine learning - notion avancées S9
ECTS
2 crédits
Composante
Collège Sciences et Technologies pour l’Energie et l’Environnement (STEE)
Heures d'enseignement
Machine learning - notion avancées S9, Machine learning - notion avancées S9
Les grandes masses de données (Big Data) sont un domaine en pleine croissance et les compétences dans ce domaine sont parmi les plus demandées aujourd’hui. Le gros problème, c’est que les données sont volumineuses - la taille, la complexité et la diversité des ensembles de données augmentent chaque jour.
- Présentation de la problématique des grandes masses de données et certaines des approches statistiques et mathématiques permettant de les analyser;
- Présentation de certaines des approches statistiques et mathématiques permettant de les analyser ;
- Méthodes basées sur l’apprentissage machine pour l’analyse de grands ensembles de données et pour l’extraction d’informations
Text mining
ECTS
4 crédits
Composante
Collège Sciences et Technologies pour l’Energie et l’Environnement (STEE)
Heures d'enseignement
Text mining, Text mining
Sous une forme écrite ou vocale, le texte élaboré en langue naturel reste le seul véhicule fiable pour la transmission d’information entre humains, en particulier pour communiquer des concepts abstraits. Le recours à des solutions algorithmiques efficaces devient crucial si l’objectif est son utilisation massive en tant que donnée. Il s’agit donc d’un cours d’algorithmique, mais dont l’objet est focalisé sur la manipulation du texte.
- Automates, Motifs et Langages réguliers ;
- Méthodes de recherche de régularités locales ;
- Analyseurs lexicaux, syntaxiques et sémantiques ;
- Approches symboliques vs. approches numériques.
Apprentissage profond - notions avancées
ECTS
2 crédits
Composante
Collège Sciences et Technologies pour l’Energie et l’Environnement (STEE)
Heures d'enseignement
Apprentissage profond - notions avancées CM, Apprentissage profond- notions avancées TD
Maitriser les différents modèles de réseaux de neurones pour de l’apprentissage supervisé et les adaptés au contexte d’une problématique donnée. Description :
- Notions d’apprentissage profond supervisé;
- Différentes topologies pour les modèles à convolution, exemple les auto-encodeurs;
- Différentes topologies pour les modèles récurrents, exemple le LSTM;
- Exemples de modèles hybrides ;
- Le principe du Transfert Learning
Compétences transversales III S9
ECTS
2 crédits
Composante
Collège Sciences et Technologies pour l’Energie et l’Environnement (STEE)
Anglais M2
ECTS
2 crédits
Composante
Collège Sciences et Technologies pour l’Energie et l’Environnement (STEE)
Heures d'enseignement
Anglais M2 MMS/MSID CM, Anglais M2 MMS/MSID TD
-
Elaboration d'un diaporama servant de support à une présentation scientifique.
-
Apprentissage de vocabulaire de spécialité.
-
Elaboration d’un CV
-
Entretien d’embauche
Projet intégrateur
ECTS
10 crédits
Composante
Collège Sciences et Technologies pour l’Energie et l’Environnement (STEE)
Bilan des travaux en Entreprise
ECTS
20 crédits
Composante
Collège Sciences et Technologies pour l’Energie et l’Environnement (STEE)
Calcul parallèle
ECTS
3 crédits
Composante
Collège Sciences et Technologies pour l’Energie et l’Environnement (STEE)
Statistique Inférentielle S7
ECTS
6 crédits
Composante
Collège Sciences et Technologies pour l’Energie et l’Environnement (STEE)
Statistique Inférentielle S7
ECTS
6 crédits
Composante
Collège Sciences et Technologies pour l’Energie et l’Environnement (STEE)
Heures d'enseignement
Statistique Inférentielle S7 CM, Statistique Inférentielle S7 TD
Formation aux notions fondamentales de statistique inférentielle.
- Statistique : propriétés souhaitées, exhaustivité, familles exponentielles, information de Fisher et borne de Cramer-Rao.
- Méthodes d’estimation : méthodes des moments, maximum de vraisemblance, déviance, moindres carrés.
- Tests statistiques : rapport de vraisemblance, théorie de Neymann-Pearson.
- Panorama des tests
- Mise en œuvre avec R.
Logiciels statistiques
ECTS
2 crédits
Composante
Collège Sciences et Technologies pour l’Energie et l’Environnement (STEE)
Logiciels statistiques R S7
ECTS
2 crédits
Composante
Collège Sciences et Technologies pour l’Energie et l’Environnement (STEE)
Heures d'enseignement
Logiciels statistiques R S7 CM, Logiciels statistiques R S7 TD
Former les étudiants au langage R pour l’analyse statistique.
- Création et manipulation d’objets
- Gestion des entrées/sorties
- Fonctions
- Éléments de programmation
- Graphiques
- Rapports avec Rmarkdown
- Applications avec Shiny
Visual analytics
ECTS
4 crédits
Composante
Collège Sciences et Technologies pour l’Energie et l’Environnement (STEE)
Analyse matricielle et optimisation S7
ECTS
4 crédits
Composante
Collège Sciences et Technologies pour l’Energie et l’Environnement (STEE)
Analyse matricielle et optimisation S7
ECTS
4 crédits
Composante
Collège Sciences et Technologies pour l’Energie et l’Environnement (STEE)
Heures d'enseignement
Analyse matricielle et optimisation CM, Analyse matricielle et optimisation TD
Développer des compétences de base en analyse numérique et optimisation. L'accent sera mis sur les algorithmes dont certains seront mis en œuvre dans l'EC Python.
Description :
- Rappels et compléments d’algèbre linéaire : propriétés des matrices symétriques définies positives, décomposition en valeurs singulières, quotient de Rayleigh,
- Rappels de calcul différentiel, propriétés des fonctions et ensembles convexes
- Factorisation QR. Application à la résolution des problèmes surdéterminer, à la résolution de problèmes de moindres carrés linéaires et à la décomposition orthogonale aux valeurs propres (POD).
- Optimisation différentiable convexe sans contrainte. Méthodes numériques usuelles (de type gradient et Newton).
- Introduction à l'optimisation avec Méthodes lagrangiennes et de pénalisation, résolution des équations KKT.
Python
ECTS
3 crédits
Composante
Collège Sciences et Technologies pour l’Energie et l’Environnement (STEE)
Anglais M1 S1
ECTS
2 crédits
Composante
Collège Sciences et Technologies pour l’Energie et l’Environnement (STEE)
Heures d'enseignement
Anglais CM, Anglais TD
Préparation à la certification en anglais, Test of English for International Communication (TOEIC).
Le TOEIC mesure les compétences de compréhension écrite et orale pour les niveaux débutant à avancé et détermine si une personne peut communiquer en anglais efficacement et avec aisance dans un contexte professionnel.
Entrepôts de données
ECTS
4 crédits
Composante
Collège Sciences et Technologies pour l’Energie et l’Environnement (STEE)
Heures d'enseignement
Entrepôts de données CM, Entrepôts de données TD
Présenter les notions permettant de construire un entrepôt de données à partir de données contenues dans les bases de production d’une entreprise.
- Notions relatives aux entrepôts de données : l’aide à la prise de décision, les limites des bases de données de production, les besoins des décideurs ;
- Les étapes de mise en place d’un entrepôt de données : extraction, transformation et chargement des données ;
- Méthodologie de construction d’un entrepôt de données ;
- Modèle multidimensionnel et de la notion de cubes de données ;
- Application à travers l’utilisation d’un logiciel spécialisé comme WarehouseBuilder d’Oracle.
Cloud
ECTS
2 crédits
Composante
Collège Sciences et Technologies pour l’Energie et l’Environnement (STEE)
Heures d'enseignement
Cloud, Cloud
Cet enseignement concerne les différents modèles Cloud, les différents types de virtualisation ainsi que l’utilisation d’un ensemble de plateformes Cloud.
NOSQL
ECTS
2 crédits
Composante
Collège Sciences et Technologies pour l’Energie et l’Environnement (STEE)
Modèles linéaires – notions de base S8
ECTS
2 crédits
Composante
Collège Sciences et Technologies pour l’Energie et l’Environnement (STEE)
Modèles linéaires – notions de base S8
ECTS
2 crédits
Composante
Collège Sciences et Technologies pour l’Energie et l’Environnement (STEE)
Heures d'enseignement
Modèles linéaires – notions de base S8 CM, Modèles linéaires – notions de base S8 TD
Comprendre la problématique de la modélisation linéaire dans un cadre statistique.
- Cas particulier du modèle linéaire simple : écriture du modèle, estimation au sens des moindres carrés, estimation du maximum de vraisemblance, propriétés des estimateurs, qualité de l’ajustement, construction d’intervalles de confiance, réalisation de tests d’hypothèses.
- Modèle linéaire pour variables quantitatives,
Développement web avancé
ECTS
4 crédits
Composante
Collège Sciences et Technologies pour l’Energie et l’Environnement (STEE)
Heures d'enseignement
Développement web avancé, Développement web avancé
Ce module s'intéresse aux architectures client/serveur N-tiers orientées Web en Java. Pour la partie serveur, les technologies de génération dynamique de contenu seront étudiées (Servlet/JSP, JSTL, JSF...). Côté client, on s'intéressera également à la génération dynamique de contenu avec des technologies comme AJAX ou les WebSockets. Enfin, le module contiendra une partie de gestion de données avec le mapping objet-relationnel (JPA) ainsi que la sérialisation en XML ou JSON (JAXB et JSON-B).
Analyse de données
ECTS
2 crédits
Composante
Collège Sciences et Technologies pour l’Energie et l’Environnement (STEE)
Analyse de données S8
ECTS
2 crédits
Composante
Collège Sciences et Technologies pour l’Energie et l’Environnement (STEE)
Heures d'enseignement
Analyse de données S8 CM, Analyse de données S8 TD
- former les étudiants à l’utilisation des méthodes d’analyse factorielle en apprentissage statistique non supervisé et supervisé. Maîtriser les bases mathématiques des méthodes d?analyse factorielle
- être capable d’utiliser des logiciels statistiques pour la mise en œuvre de ces méthodes
- être en mesure d’interpréter les résultats du traitement pour l’analyse des données en vue de la prise de décision.
- Méthodes mathématiques pour l’analyse des données.
- Analyse en composantes principales (ACP).
- Décomposition en valeur singulière (SVD) pour l’ACP
- Partial Least Square version régression et version analyse canonique
- Analyse discriminante via Partial Least Square
Machine Learning - intro
ECTS
2 crédits
Composante
Collège Sciences et Technologies pour l’Energie et l’Environnement (STEE)
Machine learning
ECTS
2 crédits
Composante
Collège Sciences et Technologies pour l’Energie et l’Environnement (STEE)
Heures d'enseignement
Machine learning, Machine learning TD
Aborder la prédiction et l’apprentissage automatique qui sont les tâches les plus courantes effectuées par les data scientists et les data analysts.
- Présentation des activités clés de l’apprentissage automatique
- Méthodes d’apprentissage supervisé: régression et classification binaire
- Approches et algorithmes pour l’apprentissage supervisé
- Apprentissage itératif basé sur l’optimisation
- Généralisation, régularisation et Validation
Apprentissage profond - notion de base
ECTS
2 crédits
Composante
Collège Sciences et Technologies pour l’Energie et l’Environnement (STEE)
Apprentissage profond - notions de base
ECTS
2 crédits
Composante
Collège Sciences et Technologies pour l’Energie et l’Environnement (STEE)
Heures d'enseignement
Apprentissage profond CM, Apprentissage profond TD
Acquérir les bases des Réseaux de Neurones pour le traitement et l’analyse de grands volumes de données. Description :
- Notions d’apprentissage profond supervisé;
- Comprendre les algorithmes sous-jacents les méthodes d’apprentissage profond;
- Structurer et préparer les données sous une forme appropriée;
- Implémenter un perceptron ;
- Comprendre l’action des hyperparamètres de base
Frameworks pour l'IA et le BIG DATA
ECTS
4 crédits
Composante
Collège Sciences et Technologies pour l’Energie et l’Environnement (STEE)
Frameworks IA Big Data
ECTS
4 crédits
Composante
Collège Sciences et Technologies pour l’Energie et l’Environnement (STEE)
Heures d'enseignement
Frameworks IA Big Data CM, Frameworks IA Big Data TP
Présenter une approche et des outils pour le développement de projets IA et Big Data:
- Structuration de la donnée dans des environnements hétérogènes : différentes familles de bases de données de type NoSQL, Relationnelles et Colonnes ;
- Apprentissage des architectures Big Data : un exemple de plateforme opérationnelle avec une présentation des avantages et des inconvénients - Les étudiants sont sollicités pour évaluer différents scénarios ;
- Séances de Travaux en équipe et/ou seul pour apprendre le framework Spark dans un usage lié à des cas concrets issus d’expertises professionnelles ;
- Développement de modèles d’IA basés sur des cas réels de mise en situation (E-commerce, Industrie 4.0, Géosciences...) ;
- Exemple d’étude de cas : la démonstration de la prédiction de l’indice de végétalisation sur les années à venir à partir de l’historique d’images satellitaires. L’objectif est de montrer aux étudiants comment dans l’agriculture par exemple on peut imaginer la répartition des zones agricoles
Programmation orientée Agents
ECTS
4 crédits
Composante
Collège Sciences et Technologies pour l’Energie et l’Environnement (STEE)
Heures d'enseignement
Programmation orientée Agents, Programmation orientée Agents, Programmation orientée Agents
Présenter aux étudiants le paradigme "agent". Cette UE est une introduction aux notions d’agent et de systèmes multi-agents par la pratique. Le programme s’appuie sur des exemples concrets qui permettent d’illustrer l’intérêt et les spécificités de ce paradigme pour la modélisation et la conception d’applications, notamment l’approche Individu-Centrée. En particulier, on s’intéresse aux techniques et aux algorithmes de résolution de certains problèmes qui relèvent du domaine de l’intelligence artificielle. C’est un préambule à un approfondissement de connaissances plus complètes et théoriques qui pourra s’effectuer en M2.
Description :
-
Notion d’agent et de système multi-agents
-
Modèles d’agents (réactif, délibératif, . . . ), approche Individu-Centrée
-
Résolution de problèmes : quelques bases de l’intelligence artificielle pour la résolution de problèmes - méthodes heuristiques et stratégie de résolution par exploration - application aux jeux, algorithmes A*, Minimax et AlphaBéta - méthode stigmergique- algorithmes de type colonie de fourmis
-
Mise en oeuvre sur une plateforme multi-agents.
Interopérabilité des Données et des Connaissances
ECTS
4 crédits
Composante
Collège Sciences et Technologies pour l’Energie et l’Environnement (STEE)
Heures d'enseignement
Interopérabilité des Données et des Connaissances, Interopérabilité des Données et des Connaissances
On entend par interopérabilité la capacité à rendre compatibles deux systèmes quelconques. L’interopérabilité nécessite que les informations nécessaires à sa mise en oeuvre soient disponibles sous la forme de standards ouverts.
Description :
-
Un format de données est dit ouvert si son mode de représentation a été rendu public par son auteur et qu’aucune entrave légale ne s’oppose à sa libre utilisation.
-
Par standard, on entend une spécification technique, suffisante pour en développer une implémentation complète, de préférence approuvée par un organisme de standardisation indépendant
Anglais M1 S2
ECTS
2 crédits
Composante
Collège Sciences et Technologies pour l’Energie et l’Environnement (STEE)
Heures d'enseignement
Anglais M1 S2, Anglais M1 S2
Préparation à la certification en anglais, Test of English for International Communication (TOEIC).
Le TOEIC mesure les compétences de compréhension écrite et orale pour les niveaux débutant à avancé et détermine si une personne peut communiquer en anglais efficacement et avec aisance dans un contexte professionnel.
Machine learning - notion avancées S9
ECTS
2 crédits
Composante
Collège Sciences et Technologies pour l’Energie et l’Environnement (STEE)
Heures d'enseignement
Machine learning - notion avancées S9, Machine learning - notion avancées S9
Les grandes masses de données (Big Data) sont un domaine en pleine croissance et les compétences dans ce domaine sont parmi les plus demandées aujourd’hui. Le gros problème, c’est que les données sont volumineuses - la taille, la complexité et la diversité des ensembles de données augmentent chaque jour.
- Présentation de la problématique des grandes masses de données et certaines des approches statistiques et mathématiques permettant de les analyser;
- Présentation de certaines des approches statistiques et mathématiques permettant de les analyser ;
- Méthodes basées sur l’apprentissage machine pour l’analyse de grands ensembles de données et pour l’extraction d’informations
Text mining
ECTS
4 crédits
Composante
Collège Sciences et Technologies pour l’Energie et l’Environnement (STEE)
Heures d'enseignement
Text mining, Text mining
Sous une forme écrite ou vocale, le texte élaboré en langue naturel reste le seul véhicule fiable pour la transmission d’information entre humains, en particulier pour communiquer des concepts abstraits. Le recours à des solutions algorithmiques efficaces devient crucial si l’objectif est son utilisation massive en tant que donnée. Il s’agit donc d’un cours d’algorithmique, mais dont l’objet est focalisé sur la manipulation du texte.
- Automates, Motifs et Langages réguliers ;
- Méthodes de recherche de régularités locales ;
- Analyseurs lexicaux, syntaxiques et sémantiques ;
- Approches symboliques vs. approches numériques.
Fondements des systèmes Multi-Agents
ECTS
4 crédits
Composante
Collège Sciences et Technologies pour l’Energie et l’Environnement (STEE)
Heures d'enseignement
Fondements des systèmes Multi-Agents, Fondements des systèmes Multi-Agents, Fondements des systèmes Multi-Agents
L’objectif de ce cours est de présenter les fondements des Systèmes Multi-Agents (SMA) dans lesquelles plusieurs agents interagissent. La richesse de ce nouveau paradigme provient de la flexibilité et de la variété des interactions et des organisations présentes dans de tels systèmes.
Les agents (entités logicielles) peuvent communiquer, coopérer, se coordonner, négocier les uns avec les autres, pour requérir ou fournir des services, tant pour poursuivre leurs propres buts que pour atteindre ensemble un but global.
Description :
- Rappels : définitions d’agent et de systèmes multi-agents
- Modèles et méthodes des organisations multi-agents (AGR, GAIA,...) ;
- Communication, Interaction et Planification ;
- Coordination par protocoles d’interaction ;
- Mise en oeuvre d’un cas d’étude.
Datamining S9
ECTS
2 crédits
Composante
Collège Sciences et Technologies pour l’Energie et l’Environnement (STEE)
Heures d'enseignement
Datamining S9 CM, Datamining S9 TD
mettre en œuvre de manière complémentaire, à l’aide de logiciels informatiques, les méthodes statistiques de traitement et d’analyse de données et à en interpréter les résultats ; de la capacité à structurer et à présenter sous une forme appropriée pour la prise de décision les résultats du traitement et de l’analyse des données, mettant en évidence les informations sous-jacentes et pertinentes.
- Règles d’association
- Méthode du plus proche voisin
- Approches de k-means, k-medoïds et hiérarchiques
- Arbres de décision
- Forêts aléatoires
- Technique ensembliste pour l’analyse prédictive
Apprentissage profond - notion avancées
ECTS
2 crédits
Composante
Collège Sciences et Technologies pour l’Energie et l’Environnement (STEE)
Apprentissage profond
ECTS
2 crédits
Composante
Collège Sciences et Technologies pour l’Energie et l’Environnement (STEE)
GPGPU
ECTS
4 crédits
Composante
Collège Sciences et Technologies pour l’Energie et l’Environnement (STEE)
Anglais
ECTS
2 crédits
Composante
Collège Sciences et Technologies pour l’Energie et l’Environnement (STEE)
Projet intégrateur 1
ECTS
6 crédits
Composante
Collège Sciences et Technologies pour l’Energie et l’Environnement (STEE)
Calcul haute performance
ECTS
4 crédits
Composante
Collège Sciences et Technologies pour l’Energie et l’Environnement (STEE)
Heures d'enseignement
Calcul haute performance CM, Calcul haute performance TP
-
Introduction : discover the architecture of a supercomputer and what is High Performance Computing
-
Efficient sequential programming
-
Introduction to compiled langages (C)
-
Improve Python programs using C functions and Python tools
-
Parallel programming :
-
Using a supercomputer
-
Distributed memory parllelism : MPI in Python
-
Introduction and practice of simple Domain Decomposition Methods
-
Shared memory parallelism : OpenMP and Python tools
Projet intégrateur 2
ECTS
6 crédits
Composante
Collège Sciences et Technologies pour l’Energie et l’Environnement (STEE)
Implantation et intégration
ECTS
2 crédits
Composante
Collège Sciences et Technologies pour l’Energie et l’Environnement (STEE)
Implémentation par tâches pour architectures hybrides
ECTS
2 crédits
Composante
Collège Sciences et Technologies pour l’Energie et l’Environnement (STEE)
stage de fin d'étude
ECTS
30 crédits
Composante
Collège Sciences et Technologies pour l’Energie et l’Environnement (STEE)
Admission
Droits d'inscription et tarification
Consultez les montants des droits d'inscription.
L'établissement applique une exonération partielle des droits différenciés pour tout étudiant extra communautaire relevant de la formation initiale s'inscrivant en master.
Capacité d'accueil
MMS: 20 en M1 et 20 en M2 maximum
MSID : 15 en M1 et 15+5 (parcours international) M2
MIBD : 15
Par Collège Sciences et Technologies pour l’Energie et l’Environnement (STEE)
-
Publié le 25/08/2022 | Modifié le 12/09/2023
- Téléchargements
- Ajouter à la sélection
Vous avez formations et cours sauvegardés
- Candidater