MAS | Master Mathématiques Appliquées, Statistique |
DS | | Parcours Data Science |
AN1DS | | | Année 1 (DS) |
SEM1DS | | | | Semestre 1 (DS) |
S1DSOPT | | | | | Options (S1, DS) |
S53MA1A1 | | | | | | Données catégorielles : exploration, modélisation |
S53MA1A2 | | | | | | Théorie et pratique du sondage |
S53AN1M1 | | | | | Anglais (S1) |
S53MA1C1 | | | | | Statistique |
S53MA1C2 | | | | | Logiciel R |
S53MA1C3 | | | | | Représentations et approximation de données structurées |
S53MA1M3 | | | | | Statistique multivariée et SAS |
S53MA1M3A | | | | | | Statistique exploratoire |
S53MA1M3B | | | | | | Modèles linéaires |
S53PN1M3C | | | | | | Logiciel SAS |
S53PP1M1 | | | | | Professionnalisation 1 |
IMSA | | Parcours IMSA |
AN1IMSA | | | Année 1 (IMSA) |
SEM1IMSA | | | | Semestre 1 (IMSA) |
S1IMSAOPT | | | | | Options (S1, IMSA) |
S53MA1A1 | | | | | | Données catégorielles : exploration, modélisation |
S53MA1A2 | | | | | | Théorie et pratique du sondage |
S53AN1M1 | | | | | Anglais (S1) |
S53MA1C1 | | | | | Statistique |
S53MA1C2 | | | | | Logiciel R |
S53MA1M3 | | | | | Statistique multivariée et SAS |
S53MA1M3A | | | | | | Statistique exploratoire |
S53MA1M3B | | | | | | Modèles linéaires |
S53PN1M3C | | | | | | Logiciel SAS |
S53PP1M1 | | | | | Professionnalisation 1 |
S53PR1B1 | | | | | Statistique actuarielle |
MASS | | Parcours MASS |
AN1MASS | | | Année 1 (MASS) |
SEM1MASS | | | | Semestre 1 (MASS) |
S53AL1C1 | | | | | Technique d'enquêtes |
S53AN1M1 | | | | | Anglais (S1) |
S53MA1A1 | | | | | Données catégorielles : exploration, modélisation |
S53MA1A2 | | | | | Théorie et pratique du sondage |
S53MA1A4 | | | | | Estimation et test en SHS |
S53MA1M3 | | | | | Statistique multivariée et SAS |
S53MA1M3A | | | | | | Statistique exploratoire |
S53MA1M3B | | | | | | Modèles linéaires |
S53PN1M3C | | | | | | Logiciel SAS |
S53PP1M1 | | | | | Professionnalisation 1 |
S53PR1A1 | | | | | Méthodologie de recherche en sciences sociales |
S53PR1A1A | | | | | | Démarche d'analyse quantitative en SHS |
S53PR1A1B | | | | | | Analyse démographique I |
S53MA1M3 | Statistique multivariée et SAS | Semestre 1 | 8 | ECTS | |||||||||
Heures | Cours | 0 | TD | 0 | TP | 0 | |||||||
Enseignant | 0 | ||||||||||||
Objectifs | voir : ECUE Statistique exploratoire, modèles linéaires et SAS | ||||||||||||
Contenus | 0 | ||||||||||||
0 | |||||||||||||
0 | |||||||||||||
0 | |||||||||||||
0 | |||||||||||||
0 | |||||||||||||
0 | |||||||||||||
0 | |||||||||||||
0 | |||||||||||||
Compétences | 0 | ||||||||||||
0 | |||||||||||||
0 | |||||||||||||
0 | |||||||||||||
0 | |||||||||||||
0 | |||||||||||||
0 | |||||||||||||
0 | |||||||||||||
0 | |||||||||||||
0 | |||||||||||||
0 | |||||||||||||
0 |
S53MA1M3A | Statistique exploratoire | Semestre 1 | ECUE | ||||||||||
Heures | Cours | 12 | TD | 0 | TP | 18 | |||||||
Enseignant | T. Willer | ||||||||||||
Objectifs | Objectif: Donner aux étudiants des outils de Statistique exploratoire de données quantitatives sur le plan pratique et théorique : Pratique des principales techniques d'Analyse des Données avec l'utilisation du logiciel SAS et compréhension des fondements mathématiques. Contenu: Corrélation linéaire, Analyse en Composantes Principales, Classification hiérarchique et non hiérarchique Références bibliographiques : - Gilbert Saporta, Probabilités, Analyse des données et Statistique, (Technip 2006) - J.P. Nakache, J. Confais, Statistique Explicative Appliquée, Technip, 2003 (Partie 2) - Lebart, Piron, Morineau (2006). Statistique exploratoire multidimensionelle. 4ème edition. Dunod |
||||||||||||
Contenus | Statistique univariée et bivariée pour des données quantitatives | ||||||||||||
Analyse en composantes principales | |||||||||||||
Classification non supervisée | |||||||||||||
0 | |||||||||||||
0 | |||||||||||||
0 | |||||||||||||
0 | |||||||||||||
0 | |||||||||||||
0 | |||||||||||||
Compétences | 12 - Analyser des données protéiformes au moyen d’outils d’exploration ou de fouille de données. | ||||||||||||
13 - Expliquer un phénomène à partir de données protéiformes au moyen d’une méthodologie mathématique ou statistique. | |||||||||||||
16 - Rendre lisibles des données protéiformes sous forme graphique à l’aide d’un logiciel. | |||||||||||||
20 - Produire ou accéder à un jeu de données en relation avec la définition d’une problématique. | |||||||||||||
24 - Utiliser un logiciel pour mettre en œuvre une méthodologie scientifique. | |||||||||||||
26 - Interpréter objectivement les résultats d’une analyse statistique en relation avec son contexte. | |||||||||||||
51 - Organiser et conduire les étapes d’un processus de traitement de données. | |||||||||||||
52 - Utiliser des langages de programmation ou des logiciels scientifiques dédiés pour conduire une étude statistique. | |||||||||||||
75 - Mettre en lisibilité des données complexes en utilisant des logiciels spécifiques. | |||||||||||||
85 - Manipuler, visualiser et explorer un jeu de données. | |||||||||||||
0 | |||||||||||||
0 |
S53MA1M3B | Modèles linéaires | Semestre 1 | ECUE | ||||||||||
Heures | Cours | 15 | TD | 9 | TP | 6 | |||||||
Enseignant | Castell Fabienne | ||||||||||||
Objectifs | Ce cours donne aux étudiants des connaissances théoriques et pratiques nécessaires à la modélisation statistique des données multidimensionnelles dans le cadre du modèle de régression linéaire et d'analyse de variance. | ||||||||||||
Contenus | Modèle de régression linéaire multivariée | ||||||||||||
Multicolinéarité et sélection de variables | |||||||||||||
Modèle d'analyse de variance | |||||||||||||
0 | |||||||||||||
0 | |||||||||||||
0 | |||||||||||||
0 | |||||||||||||
0 | |||||||||||||
0 | |||||||||||||
Compétences | 13 - Expliquer un phénomène à partir de données protéiformes au moyen d’une méthodologie mathématique ou statistique. | ||||||||||||
14 - Prédire un phénomène à partir de données au moyen d’une méthodologie mathématique, statistique ou informatique. | |||||||||||||
22 - Estimer les paramètres d’un modèle pour l’ajuster à un jeu de données. | |||||||||||||
23 - Savoir conduire un test statistique pour valider une hypothèse proposée ou prendre une décision. | |||||||||||||
24 - Utiliser un logiciel pour mettre en œuvre une méthodologie scientifique. | |||||||||||||
25 - Vérifier l’adéquation du modèle aux données pour en identifier les limites. | |||||||||||||
0 | |||||||||||||
0 | |||||||||||||
0 | |||||||||||||
0 | |||||||||||||
0 | |||||||||||||
0 |
S53PN1M3C | Logiciel SAS | Semestre 1 | ECUE | ||||||||||
Heures | Cours | 5 | TD | 0 | TP | 15 | |||||||
Enseignant | Pascale Rouaud, Sylvain Adaoust | ||||||||||||
Objectifs | Objectif : Au sortir du cours l'étudiant devra être capable de lire des données se présentant simplement dans un fichier et d'effectuer des traitements élémentaires sur ces données (statistiques de base, représentation graphique des données). Ces compétences permettront à l'étudiant de réaliser au mieux les travaux sous SAS proposés dans d'autres cours. |
||||||||||||
Contenus | Architecture du logiciel SAS, lecture des données dans un fichier | ||||||||||||
Création et modification de variables, manipulation de tableaux SAS | |||||||||||||
Procédures générant des statistiques de base, représentation graphique des données | |||||||||||||
Introduction aux variables et programmes macro | |||||||||||||
0 | |||||||||||||
0 | |||||||||||||
0 | |||||||||||||
0 | |||||||||||||
0 | |||||||||||||
Compétences | 12 - Analyser des données protéiformes au moyen d’outils d’exploration ou de fouille de données. | ||||||||||||
16 - Rendre lisibles des données protéiformes sous forme graphique à l’aide d’un logiciel. | |||||||||||||
17 - Utiliser un logiciel pour stocker, manipuler et mettre en forme des données protéiformes. | |||||||||||||
53 - Préparer, manipuler et explorer des données au travers de bases de données et de logiciels scientifiques dédiés. | |||||||||||||
75 - Mettre en lisibilité des données complexes en utilisant des logiciels spécifiques. | |||||||||||||
85 - Manipuler, visualiser et explorer un jeu de données. | |||||||||||||
0 | |||||||||||||
0 | |||||||||||||
0 | |||||||||||||
0 | |||||||||||||
0 | |||||||||||||
0 |
S53PR1A1 | Méthodologie de recherche en sciences sociales | Semestre 1 | 6 | ECTS | |||||||||
Heures | Cours | 0 | TD | 0 | TP | 0 | |||||||
Enseignant | 0 | ||||||||||||
Objectifs | voir : ECUE Démarche d’analyse quantitative en SHS et analyse démographique I | ||||||||||||
Contenus | 0 | ||||||||||||
0 | |||||||||||||
0 | |||||||||||||
0 | |||||||||||||
0 | |||||||||||||
0 | |||||||||||||
0 | |||||||||||||
0 | |||||||||||||
0 | |||||||||||||
Compétences | 0 | ||||||||||||
0 | |||||||||||||
0 | |||||||||||||
0 | |||||||||||||
0 | |||||||||||||
0 | |||||||||||||
0 | |||||||||||||
0 | |||||||||||||
0 | |||||||||||||
0 | |||||||||||||
0 | |||||||||||||
0 |
S53PR1A1A | Démarche d'analyse quantitative en SHS | Semestre 1 | ECUE | ||||||||||
Heures | Cours | 0 | TD | 0 | TP | 0 | Pédagogie active | ||||||
Enseignant | Gastineau Bénédicte | ||||||||||||
Objectifs | Cet enseignement a pour objectif d’initier les étudiants à la conception et à la mise en œuvre d’un projet d’analyse quantitative en sciences sociales, en abordant les étapes du travail qui précèdent et suivent l’analyse de données elle-même. Les étudiants seront amenés réfléchir à l’élaboration d’une problématique, aux choix des sources et des méthodes les plus pertinentes pour y répondre, et à la manière de présenter leurs résultats. | ||||||||||||
Contenus | 1. Les différentes étapes d’un projet de recherche. Les méthodes de recherche : quelles sources, quelles analyses pour répondre à quelle problématique ? | ||||||||||||
2. Elaborer une problématique à partir de la littérature. Différents types d’écrits comprenant des analyses quantitatives et analyses qualitatives. | |||||||||||||
3. Gérer sa bibliographie. Initiation au logiciel Zotero | |||||||||||||
4. Présenter ses résultats. Textes, tableaux et graphiques : que présenter, sous quelle forme, comment les lier, les interpréter, les utiliser. | |||||||||||||
0 | |||||||||||||
0 | |||||||||||||
0 | |||||||||||||
0 | |||||||||||||
0 | |||||||||||||
Compétences | 11 - Traduire une problématique sous la forme d’un modèle adapté pour mettre en place une méthodologie mathématique ou statistique. | ||||||||||||
31 - Comprendre et analyser les informations essentielles d’un article à teneur scientifique, d’un document technique ou d’un rapport en français ou en anglais, | |||||||||||||
10 - Poser une problématique dans un contexte professionnel en mobilisant des connaissances pluridisciplinaires. | |||||||||||||
26 - Interpréter objectivement les résultats d’une analyse statistique en relation avec son contexte. | |||||||||||||
0 | |||||||||||||
0 | |||||||||||||
0 | |||||||||||||
0 | |||||||||||||
0 | |||||||||||||
0 | |||||||||||||
0 | |||||||||||||
0 |
S53PR1A1B | Analyse démographique I | Semestre 1 | ECUE | ||||||||||
Heures | Cours | 15 | TD | 15 | TP | 0 | |||||||
Enseignant | Gastineau Bénédicte | ||||||||||||
Objectifs | Cet enseignement est une initiation à l’analyse démographique, qui permet d’affiner la connaissance des structures des populations, de leurs mouvements. Ces cours visent à donner aux étudiants les bases de calcul des principaux indicateurs démographiques, éléments essentiels de la statistique sociale, et à les inviter à réfléchir sur l'utilisation et l'interprétation de ces indicateurs. | ||||||||||||
Contenus | 1. Introduction à la démographie : Structure et mouvement de la population, pyramides des âges et schémas de transition démographique. Les phénomènes démographiques. Les Principes des techniques d’analyse | ||||||||||||
2. Observations rétrospectives, longitudinales. Le diagramme de lexis. | |||||||||||||
3. Initiation à l’analyse de la fécondité : Taux, indice synthétique, descendance atteinte et finale. Les composantes proches de la fécondité. Mesures d’utilisation de la contraception | |||||||||||||
4. Initiation à l’analyse de la mortalité : Taux, quotients, tables, espérance de vie. Causes de décès. Mortalité différentielle. | |||||||||||||
0 | |||||||||||||
0 | |||||||||||||
0 | |||||||||||||
0 | |||||||||||||
0 | |||||||||||||
Compétences | 10 - Poser une problématique dans un contexte professionnel en mobilisant des connaissances pluridisciplinaires. | ||||||||||||
26 - Interpréter objectivement les résultats d’une analyse statistique en relation avec son contexte. | |||||||||||||
27 - Restituer honnêtement ses résultats en les comparant à la littérature existante. | |||||||||||||
31 - Comprendre et analyser les informations essentielles d’un article à teneur scientifique, d’un document technique ou d’un rapport en français ou en anglais, | |||||||||||||
35 - Légender et commenter correctement une figure, un schéma ou un tableau. | |||||||||||||
0 | |||||||||||||
0 | |||||||||||||
0 | |||||||||||||
0 | |||||||||||||
0 | |||||||||||||
0 | |||||||||||||
0 |
S53MA1A1 | Données catégorielles : exploration, modélisation | Semestre 1 | 3 | ECTS | |||||||||
Heures | Cours | 0 | TD | 0 | TP | 0 | Pédagogie active | ||||||
Enseignant | Roubaud Marie-Christine | ||||||||||||
Objectifs | Lors de cet enseignement les étudiants apprendront les différentes étapes de la modélisation de données catégorielles : prétraitement, exploration, modélisation et à savoir les mettre en œuvre à l'aide du logiciel SAS. | ||||||||||||
Contenus | Prétraitement, Données manquantes | ||||||||||||
Analyse des correspondances simples | |||||||||||||
Analyse des correspondances multiples | |||||||||||||
Régression logistique binaire | |||||||||||||
0 | |||||||||||||
0 | |||||||||||||
0 | |||||||||||||
0 | |||||||||||||
0 | |||||||||||||
Compétences | 71 - Concevoir et mettre en œuvre des méthodes adaptées de recueil, traitement et analyse de données quantitatives, catégorielles et textuelles en utilisant des logiciels statistiques. | ||||||||||||
85 - Manipuler, visualiser et explorer un jeu de données. | |||||||||||||
21 - Concevoir un modèle approprié pour répondre à une problématique. | |||||||||||||
22 - Estimer les paramètres d’un modèle pour l’ajuster à un jeu de données. | |||||||||||||
26 - Interpréter objectivement les résultats d’une analyse statistique en relation avec son contexte. | |||||||||||||
51 - Organiser et conduire les étapes d’un processus de traitement de données. | |||||||||||||
0 | |||||||||||||
0 | |||||||||||||
0 | |||||||||||||
0 | |||||||||||||
0 | |||||||||||||
0 |
S53MA1A2 | Théorie et pratique du sondage | Semestre 1 | 3 | ECTS | |||||||||
Heures | Cours | 12 | TD | 12 | TP | 6 | |||||||
Enseignant | AUTIN Florent | ||||||||||||
Objectifs | Le cours sera une introduction aux sondages. Outre le vocabulaire lié à la thématique, cet enseignement présentera les plans de sondages simples et complexes les plus utilisés en pratique par les organismes de sondages. | ||||||||||||
Contenus | Introduction aux Sondages | ||||||||||||
Sondage Aléatoire Simple | |||||||||||||
Sondage par Stratification | |||||||||||||
Sondage par Grappes | |||||||||||||
0 | |||||||||||||
0 | |||||||||||||
0 | |||||||||||||
0 | |||||||||||||
0 | |||||||||||||
Compétences | 21 - Concevoir un modèle approprié pour répondre à une problématique. | ||||||||||||
26 - Interpréter objectivement les résultats d’une analyse statistique en relation avec son contexte. | |||||||||||||
24 - Utiliser un logiciel pour mettre en œuvre une méthodologie scientifique. | |||||||||||||
0 | |||||||||||||
0 | |||||||||||||
0 | |||||||||||||
0 | |||||||||||||
0 | |||||||||||||
0 | |||||||||||||
0 | |||||||||||||
0 | |||||||||||||
0 |
S53MA1A4 | Estimation et test en SHS | Semestre 1 | 2 | ECTS | |||||||||
Heures | Cours | 10 | TD | 10 | TP | 0 | |||||||
Enseignant | T. Willer | ||||||||||||
Objectifs | Objectif: Un premier objectif est de familiariser les étudiants avec différents types de données en sciences humaines et sociales : données quantitatives, qualitatives, temporelles, spatiales, textuelles, exemple particulier des enquêtes de démographie et de santé. Ensuite on présentera brièvement des outils usuels de statistique descriptive adaptés aux données à étudier. Puis une part importante sera consacrée à l’utilisation de la statistique inférentielle, en se restreignant à l’étude de données quantitatives univariées : on utilisera des modèles probabilistes pour étudier les données, on présentera les principales méthodes d’estimation et de tests pour ces modèles, et on mettra en pratique ces méthodes sur des exemples simples de jeux de données à l’aide d’un logiciel statistique. Contenu: -exemples de données et de problèmes statistiques en SHS -quelques outils de statistique descriptive univariés et bivariés -Notion de modélisation statistque -Rappels de probabilité : concepts usuels, exemples de lois en particulier loi normale multivariée et lois dérivées (Khi2 , Student ,Fisher), vecteurs aléatoires, indépendance, convergences, -Principales méthodes d’estimation paramétriques, biais, risque quadratique, consistance -Tests statistique d’hypothèses simples (Neyman Pearson) puis composites, pvaleurs -Implémentation des méthodes sur des exemples jouets sous le logiciel R, Références bibliographiques : -Gilbert Saporta, Probabilités, Analyse des données et Statistique, (Technip 2011) -Bernard Ycart et al., site web SMEL "statistiques médicales en ligne" http://mistis.inrialpes.fr/software/SMEL/ |
||||||||||||
Contenus | Statistique descriptive univariée en SHS | ||||||||||||
Outils probabilistes | |||||||||||||
Estimation et tests appliquées à des données SHS | |||||||||||||
0 | |||||||||||||
0 | |||||||||||||
0 | |||||||||||||
0 | |||||||||||||
0 | |||||||||||||
0 | |||||||||||||
Compétences | 23 - Savoir conduire un test statistique pour valider une hypothèse proposée ou prendre une décision. | ||||||||||||
82 - Programmer des méthodes numériques dans un langage informatique afin de les appliquer à des données. | |||||||||||||
16 - Rendre lisibles des données protéiformes sous forme graphique à l’aide d’un logiciel. | |||||||||||||
0 | |||||||||||||
0 | |||||||||||||
0 | |||||||||||||
0 | |||||||||||||
0 | |||||||||||||
0 | |||||||||||||
0 | |||||||||||||
0 | |||||||||||||
0 |
S53PR1B1 | Statistique actuarielle | Semestre 1 | 4 | ECTS | |||||||||
Heures | Cours | 12 | TD | 24 | TP | 0 | |||||||
Enseignant | Mohamed BOUTAHAR | ||||||||||||
Objectifs | Ce cours a pour but d'introduire les notions de statistique indispensable aux calculs et aux modèles de base en actuariat | ||||||||||||
Contenus | L'actuariat | ||||||||||||
Les techniques actuarielles | |||||||||||||
Outils statistiques | |||||||||||||
Modélisation statistique | |||||||||||||
0 | |||||||||||||
0 | |||||||||||||
0 | |||||||||||||
0 | |||||||||||||
0 | |||||||||||||
Compétences | 32 - Rédiger en français clair un rapport précis et concis en l’articulant autour d’une problématique et en développant une argumentation scientifique rigoureuse. | ||||||||||||
13 - Expliquer un phénomène à partir de données protéiformes au moyen d’une méthodologie mathématique ou statistique. | |||||||||||||
90 - Maîtriser les outils statistiques pour décrire, modéliser et prévoir les risques associés aux données d’assurances : modélisation de la fréquence des sinistres, modélisation de l’ampleur des sinistres. | |||||||||||||
95 - Maîtriser l’environnement juridique de l'assurance pour veiller au respect des normes actuarielles. | |||||||||||||
93 - Comprendre, établir, connaître et mettre en œuvre les formules de calcul en assurances de personnes: table de mortalité, commutations, notion de réassurance. | |||||||||||||
94 - Modéliser les risques de portefeuilles de crédit pour l’appliquer à la mesure des risques de portefeuilles de crédit et pour évaluer les dérivés de crédit portant sur plusieurs noms. | |||||||||||||
83 - Construire un modèle statistique et l’ajuster à des données pour comprendre ou prédire un phénomène complexe. | |||||||||||||
0 | |||||||||||||
0 | |||||||||||||
0 | |||||||||||||
0 | |||||||||||||
0 |
S53AL1C1 | Technique d'enquêtes | Semestre 1 | 3 | ECTS | |||||||||
Heures | Cours | 15 | TD | 15 | TP | 0 | |||||||
Enseignant | S. Carpentier-Postel | ||||||||||||
Objectifs | Objectif
: cette UE vise à apprendre aux étudiants à connaitre et mettre en
œuvre la chaîne de production d’une enquête en sciences sociales. Contenu : • Panorama des différents types d’enquêtes • Contextualisation thématique et géographique à partir de bases de données existantes • Définition et sélection de la population • Élaboration d’un questionnaire (y compris sur internet) / d’une grille d’entretien • Saisie, codage, recodage • Traitements descriptifs Références bilbiographiques: - Berthier Nicole. Les techniques d'enquête en sciences sociales : méthodes et exercices corrigés / 4e éd.–Paris : A. Colin, 2010.–350 p. - De Singly F. (1992), L’enquête et ses méthodes, Nathan, Collection 128, Paris.’ensemble de la collection. - Depelteau, F. 2000. La démarche d’une recherche en sciences humaines: de la question de départ à la communication des résultats, Bruxelles, de boeck |
||||||||||||
Contenus | Introduction : panorama des différents types d'enquêtes | ||||||||||||
• Contextualisation thématique et géographique à partir de bases de données existantes | |||||||||||||
• Définition et sélection de la population | |||||||||||||
• Élaboration d’un questionnaire (y compris sur internet) | |||||||||||||
Elaboration d'une grille d'entretien | |||||||||||||
Saisie, codagee, recodage | |||||||||||||
Traitements descriptifs | |||||||||||||
0 | |||||||||||||
0 | |||||||||||||
Compétences | 15 - Comprendre les modalités de recueil ou d’acquisition de données protéiformes en mobilisant des connaissances pluridisciplinaires pour proposer une méthodologie adaptée. | ||||||||||||
17 - Utiliser un logiciel pour stocker, manipuler et mettre en forme des données protéiformes. | |||||||||||||
20 - Produire ou accéder à un jeu de données en relation avec la définition d’une problématique. | |||||||||||||
26 - Interpréter objectivement les résultats d’une analyse statistique en relation avec son contexte. | |||||||||||||
32 - Rédiger en français clair un rapport précis et concis en l’articulant autour d’une problématique et en développant une argumentation scientifique rigoureuse. | |||||||||||||
33 - Présenter oralement une méthodologie et des résultats d’analyse en adaptant son discours au public visé et en faisant preuve de rigueur scientifique, de nuance et d’esprit de synthèse. | |||||||||||||
34 - Utiliser les outils modernes de communication (PowerPoint, Prezi,…) de façon pertinente, en tant que support à la parole et de façon non redondante à cette dernière. | |||||||||||||
41 - Expliciter une idée de départ, identifier les objectifs, les contraintes, les moyens et les risques. | |||||||||||||
51 - Organiser et conduire les étapes d’un processus de traitement de données. | |||||||||||||
70 - Maîtriser les différentes étapes de la méthodologie de recherche pour mener et coordonner des études en population (questions, concepts, mesures, analyse, interprétation). | |||||||||||||
72 - Concevoir et gérer une base de données d’enquêtes. | |||||||||||||
0 |
S53MA1C1 | Statistique | Semestre 1 | 8 | ECTS | |||||||||
Heures | Cours | 32 | TD | 32 | TP | 16 | |||||||
Enseignant | Pudlo | ||||||||||||
Objectifs | L’objectif de ce cours est de conforter les étudiants sur le calcul des probabilités, et d’assurer les bases de la statistique inférentielle, essentiellement paramétrique. | ||||||||||||
Contenus | Variables et vecteurs aléatoires (Lois , lois conditionnelles, indépendance). | ||||||||||||
Espérance et matrice de covariance | |||||||||||||
Convergence de variables aléatoires (loi des grands nombres et théorème central limite) | |||||||||||||
Introduction à l'inférence statistique | |||||||||||||
Vraisemblance | |||||||||||||
0 | |||||||||||||
0 | |||||||||||||
0 | |||||||||||||
0 | |||||||||||||
Compétences | 14 - Prédire un phénomène à partir de données au moyen d’une méthodologie mathématique, statistique ou informatique. | ||||||||||||
21 - Concevoir un modèle approprié pour répondre à une problématique. | |||||||||||||
22 - Estimer les paramètres d’un modèle pour l’ajuster à un jeu de données. | |||||||||||||
24 - Utiliser un logiciel pour mettre en œuvre une méthodologie scientifique. | |||||||||||||
0 | |||||||||||||
0 | |||||||||||||
0 | |||||||||||||
0 | |||||||||||||
0 | |||||||||||||
0 | |||||||||||||
0 | |||||||||||||
0 |
S53MA1C2 | Logiciel R | Semestre 1 | 2 | ECTS | |||||||||
Heures | Cours | 6 | TD | 0 | TP | 14 | |||||||
Enseignant | Pierre Pudlo | ||||||||||||
Objectifs | L'objectif de ce cours est de présenter le logiciel / langage de programmation R et de donner quelques bases afin de pouvoir l'utiliser pour mettre en œuvre une méthode de mathématique appliquée ou de statistique, ainsi que produire des graphiques. | ||||||||||||
Contenus | Calcul vectoriel et manipulation de données | ||||||||||||
Les bonnes pratiques | |||||||||||||
Bases de programmation en R | |||||||||||||
Représentation graphiques et visulations de données | |||||||||||||
0 | |||||||||||||
0 | |||||||||||||
0 | |||||||||||||
0 | |||||||||||||
0 | |||||||||||||
Compétences | 24 - Utiliser un logiciel pour mettre en œuvre une méthodologie scientifique. | ||||||||||||
52 - Utiliser des langages de programmation ou des logiciels scientifiques dédiés pour conduire une étude statistique. | |||||||||||||
55 - Identifier les ressources (services, données, logiciels,...) au sein d’une entreprise pour conduire une étude statistique. | |||||||||||||
82 - Programmer des méthodes numériques dans un langage informatique afin de les appliquer à des données. | |||||||||||||
0 | |||||||||||||
0 | |||||||||||||
0 | |||||||||||||
0 | |||||||||||||
0 | |||||||||||||
0 | |||||||||||||
0 | |||||||||||||
0 |
S53MA1C3 | Représentations et approximation de données structurées | Semestre 1 | 4 | ECTS | |||||||||
Heures | Cours | 15 | TD | 18 | TP | 6 | |||||||
Enseignant | Kai SCHNEIDER | ||||||||||||
Objectifs | Connaître la représentation et l'approximation de données structurées en science de données. Après une classification de données cette UE présente les concepts fondamentaux, tels que la représentation temporelle et fréquentielle, les outils d'analyse (Fourier, ondelettes, multirésolution, SVD, matching pursuit,...) et ensuite la compression et le debruitage de données. Des nombreuses applications (signaux, images et champs vectoriels) donnent une illustration de la puissance de différents outils. | ||||||||||||
Contenus | Eléments d’algèbre linéaire et analyse Hilbertienne en dimension finie : rappels sur les notions standard, applications linéaires (notamment Fourier en dimension finie), calcul matriciel, diagonalisation et SVD. Quelques idées sur le passage en dimension infinie (base hilbertienne). | ||||||||||||
Approximation, projection, décomposition : projection orthogonale et non orthogonale. Application de la SVD à l’approximation par réduction de dimension. | |||||||||||||
Bases et approximations par projection sur un sous-espace engendré par une sous-famille d’une base. Exemple de la DCT. Exemple : base de Haar, bases d’ondelettes discrètes. Exemple : matching pursuit et matching pursuit orthogonal. | |||||||||||||
Aspects calculatoires (problèmes de complexité et conditionnement sur des exemples vus précédemment). | |||||||||||||
0 | |||||||||||||
0 | |||||||||||||
0 | |||||||||||||
0 | |||||||||||||
0 | |||||||||||||
Compétences | 80 - Utiliser des outils mathématiques pour l’acquisition, la modélisation, la représentation et l’approximation de données d’origines et structures diverses (données temporelles ou spatiales, signaux, images, données massives…). | ||||||||||||
81 - Développer des méthodes numériques pour le traitement mathématique de données d’origines et structures diverses (données temporelles ou spatiales, signaux, images, données massives…). | |||||||||||||
82 - Programmer des méthodes numériques dans un langage informatique afin de les appliquer à des données. | |||||||||||||
0 | |||||||||||||
0 | |||||||||||||
0 | |||||||||||||
0 | |||||||||||||
0 | |||||||||||||
0 | |||||||||||||
0 | |||||||||||||
0 | |||||||||||||
0 |
S53AN1M1 | Anglais (S1) | Semestre 1 | 3 | ECTS | |||||||||
Heures | Cours | 0 | TD | 18 | TP | 0 | |||||||
Enseignant | Mckenna Champion | ||||||||||||
Objectifs | Travail sur les cinq compétences en langue - expression orale en interaction et en continu, compréhension des textes et des documents audio et écrits en lien avec le parcours. | ||||||||||||
Contenus | Travail sur les cinq compétences en langue - expression orale en interaction et en continu, compréhension des textes et des documents audio et écrits en lien avec le parcours. | ||||||||||||
0 | |||||||||||||
0 | |||||||||||||
0 | |||||||||||||
0 | |||||||||||||
0 | |||||||||||||
0 | |||||||||||||
0 | |||||||||||||
0 | |||||||||||||
Compétences | 37 - Communiquer à l’oral et à l’écrit en anglais au niveau B2. | ||||||||||||
79 - Savoir lire un article scientifique en anglais dans le domaine des sciences sociales pour constituer une bibliographie. | |||||||||||||
0 | |||||||||||||
0 | |||||||||||||
0 | |||||||||||||
0 | |||||||||||||
0 | |||||||||||||
0 | |||||||||||||
0 | |||||||||||||
0 | |||||||||||||
0 | |||||||||||||
0 |
S53PP1M1 | Professionnalisation 1 | Semestre 1 | 2 | ECTS | |||||||||
Heures | Cours | 5 | TD | 15 | TP | 0 | |||||||
Enseignant | 0 | ||||||||||||
Objectifs | 0 | ||||||||||||
Contenus | Méthodologie de la recherche de stage | ||||||||||||
Rédaction de CV et lettre de motivation | |||||||||||||
Préparation à l’entretien | |||||||||||||
Présentation des métiers | |||||||||||||
0 | |||||||||||||
0 | |||||||||||||
0 | |||||||||||||
0 | |||||||||||||
0 | |||||||||||||
Compétences | 63 - Rédiger un CV, une lettre de motivation et passer un entretien de recrutement. | ||||||||||||
61 - Identifier les secteurs d’emploi associés aux mathématiques appliquées et à la statistisque pour développer un projet professionnel. | |||||||||||||
60 - Connaître les métiers des mathématiques appliquées et de la statistique. |
|||||||||||||
0 | |||||||||||||
0 | |||||||||||||
0 | |||||||||||||
0 | |||||||||||||
0 | |||||||||||||
0 | |||||||||||||
0 | |||||||||||||
0 | |||||||||||||
0 |