Complex Systems Ingeneering & Human Systems
Programme Ingénierie des Systèmes Complexes et des Système Humains
FORMATIONS LICENCE ET MASTERS
================
Les programmes de nos trois formation initiales et nos deux formations exécutives:
LICENCE SCIENCE DES DONNEES (LSD)
MASTER SCIENCE DES DONNEES ET AIDE A LA DECISION (SDAD)
MASTER MODELISATION HYBRIDE AVANCEE ET CALCUL SCIENTIFIQUE (MHACS)
PRESENTATION
Dans
un contexte évolutif et de mutations profondes des environnements,
l'attente des entreprises en matière de formation et RDI (Recherche
Développement et Innovation) est de plus en plus patente. Les défis du
21ème siècle sont nombreux et impliquent de plus en plus des solutions
complexes:
• Assurer la sécurité et la qualité alimentaire
•
Concilier la croissance inévitable de la demande d'énergie dans le
monde entier avec des coûts environnementaux acceptables
• Assurer l’approvisionnement en eau
• Faire face aux changements globaux et climatiques
• Prendre en charge les risques quotidiens naturels, industriels, énergétiques et miniers
• Faire face aux crises financières
Par ailleurs, le Maroc est de plus en plus engagé dans un large programme
d'investissements pour les grands projets d'infrastructures (Tanger
Med, TGV, Pipeline OCP, prospection pétrolière, gaz, schistes
bitumineux, ressources naturelles, mines, etc.). Ceci
nécessite beaucoup de recul scientifique et
technologique, afin
d’aborder une grande complexité, liée à diverses thématiques combinant
données, modèles, simulateurs, nouvelles technologies, savoir-faire et
expertise.
Ce
programme a pour mission de développer des formations pour mener des
actions de recherche scientifique, d’innovation technologique, de
valorisation et de formation dans les domaines des sciences et des
technologies ; et développement de technologies de pointe; notamment
dans des domaines thématiques divers et variés en exploitant données,
modèles et opérations industrielles via une intégration maitrisée avec
les nouvelles technologies de l’information.
Nous vous proposoons dans ce progamme une licence et quatre Masters.
Toutes les informations sont disponibles ci-dessous.
La Licence Sciences des Données
C’est une Licence Hautement qualifiée avec des intervenants de très haut niveau national et international.
Ce que nous proposons c’est uniquement l’Inscription au 1er semestre
(S1) de la première année (L1) pour un étudiant désirant s’engager pour
les 3 années de Licence et donc les 6 semestres correspondants.
Cette formation est destinée prioritairement à des bacheliers type
sciences math ou sciences physiques ou équivalent ayant eu une mention
au Bac.
Les frais d’inscription sont de 65 000 Dirhams, toutefois, et en
particulier pour cette première inscription, si vous avez un bon
dossier et que votre situation sociale s’y prête vous avez de grande
chance que la totalité ou une partie des frais d’inscription soit
prise en charge.
Les deux Masters:
Master SDAD (Science des Données et Aide à la Décision)
Master MHACS (Modélisation Hybride Avancée et Calcul Scientifique)
Ce sont des formations Hautement qualifiées avec des intervenants de très haut niveau national et international.
Les frais d’inscription sont de 75 000 Dirhams, toutefois, et en
particulier pour cette première inscription, si vous avez un bon
dossier et que votre situation sociale s’y prête vous avez de grande
chance que la totalité ou une partie des frais d’inscription soit
prise en charge.
======
Nous vous invitons donc à nous envoyer à
fayssal.benkhaldoun@um6p.ma
Un dossier contenant en particulier votre CV et lettre de motivation,
plus vos notes des 3 dernières années de scolarité, plus les autres
pièces précisées par ailleurs.
======
LICENCE SCIENCE DES DONNEES
اجازة علم البيانات
أهداف التكوين
تحليل البيانات في منظور متعدد التخصصات يربط بين المجالات الصناعية
وعلوم الحياة والبيانات والإحصاءات وعلوم الكمبيوتر (قواعد البيانات
المنظمة وغير المنظمة ، والبرمجة ، والتعلم الآلي ، وما إلى ذلك).
تتمثل الأهداف الرئيسية لهذا التكوين في تزويد الطالب بمعرفة أساسية بهذه المجالات العلمية وممارسة لعلوم البيانات.
نتائج التكوين
يمكن
لحاملي هذه الدرجة دمج التكوين لشهادة الماستر في علوم البيانات كما تتاح
لهم الفرصة لدمج الدوائر المهنية المهتمة بالإحصاءات وعلوم البيانات
————
BACHELOR - DATA SCIENCE
TRAINING AIMS
The analysis of the data is currently in a multidisciplinary
perspective associating industrial domains, life sciences, data,
statistics and computer science (structured and unstructured databases,
programming, machine learning, etc.).
The main objectives of this training are to provide the student with a
basic knowledge of these scientific fields and a practice of data
sciences.
OUTCOME OF TRAINING
Holders of this Bachelor degree can either integrate master courses in
data sciences or have the opportunity to integrate professional circles
interested in statistics and data sciences.
————
- LICENCE – SCIENCES DES DONNÉES
OBJECTIFS DE LA FORMATION
L’analyse des données se place actuellement dans une perspective
pluridisciplinaire associant les domaines industriels, des sciences de
vie, des données, des statistiques et de l’informatique (bases de
données structurées et non structurées, programmation, machine
Learning, etc.).
Les objectifs principaux de cette formation sont de fournir à
l’étudiant d’une part une connaissance de base de ces domaines
scientifiques et d’autre part une pratique des sciences des données.
DEBOUCHES DE LA FORMATION
Les titulaires de cette licence peuvent à la fois intégrer des
formations master en sciences de données comme ils ont la possibilité
d’intégrer les milieux professionnels intéressés par les statistiques
et les sciences de données (Banques, Assurances, Grands groupes de
commerce en ligne, etc.)
———
Programme LSD:
1er semestre |
3ème semestre |
5ème semestre |
M1: Algorithmique 1 |
M15: Bases de données 2
|
M27: Processus stochastiques
|
M2: Algèbre 1 |
M16: Analyse de données
|
M28: Domaine d’application 1 : Econométrie |
M3: Analyse 1 |
M17: Analyse numérique
|
M29: Inférence statistique |
M4: Probabilités |
M18: Système d’exploitation |
M30: Data mining |
M5: Informatique 1
|
M19: Programmation C/C++ |
M31: Programmation orientée objets |
M6: Statistiques |
M20: Gestion des entreprises
|
M32: Epistémologie |
M7: Langue et terminologie |
|
|
|
|
|
2ème semestre |
4ème semestre |
6ème semestre |
M8: Algorithmique 2 |
M21: Architecture des ordinateurs |
M33: Intelligence Artificielle |
M9: Algèbre 2 |
M22: Approximation et filtrage des données |
M34: Optimisation |
M10: Analyse 2 |
M23: Réseaux informatique
|
M35: Domaine d’application 2 : Applications industrielles |
M11: Bases de données 1 |
M24: Recherche opérationnelle |
M36: Stage en milieu professionnel |
M12: Introduction à l'Analyse multicritères
|
M25: Technologie du Web
|
M37: Stage en milieu professionnel |
M13: Informatique 2, Programmation Python
|
M26: Gestion De Projet |
M38: Stage en milieu professionnel |
M14: Langue et technique de communication
|
|
|
|
|
|
RETOUR
PROGRAMME DE LA PREMIERE ANNEE (S1-S2)
SEMESTRE 1
M1: Algorithmique 1:
Introduction: Notion d'algorithme. Notion de Complexité. Langage de description d'algorithmes
Codage et structures de contrôle: Définitions. Types de base. Structure de contrôle. Fonctions
Tableaux: Définition. Primitives. Quelques exemples d'algorithmes. Matrices
Tri non récursif: Tri sélection. Tri insertion et tri à bulle. Fusion de tableaux triés. Tri par dénombrement
LSD
M2: Algèbre 1:
Polynômes
: Fonction polynôme, Division euclidienne, Propriétés arithmétiques,
Algorithme d’Euclide, Polynômes irréductibles, Racines, Formule de
Taylor, Décomposition dans R[X] et C[X].
Fractions Rationnelles : Définitions et
propriétés algébriques, Décomposition en éléments simples, Recherche
des parties polaires
Espaces vectoriels et Applications
linéaires : Structure d’espace vectoriel - Sous-espaces vectoriels -
Sous- espace engendré par une partie - Applications linéaires - Image
et noyau d’une application linéaire - Opérations sur les
applications linéaires - Structure d’espace vectoriel de LK (E ; F) -
Composition des applications linéaires - Le groupe linéaire (GL(E) ; o)
- Indépendance linéaire.
Espace vectoriels de dimension finie : Définition d’un espace vectoriel de dimension finie. Bases.
Espace vectoriel engendré par une suite finie. Existence de bases.
Dimension d’un espace vectoriel de dimension finie et Le théorème de la
dimension.
Rang d’une suite finie de vecteurs. Espace vectoriel de dimension finie
donnée. Sous-espaces d’un espace vectoriel de dimension finie.
Applications linéaires d’un K-e.v. de dimension finie. Application du
théorème noyau-image.
LSD
M3: Analyse 1
Fonctions d’une variable
réelle : Intervalles, majorant-minorant, Bornes, Limite,
continuité, dérivabilité, Représentation graphique;
Formule de Taylor et de Mc-Laurin; Fonctions usuelles. Développements limités: Définition et propriétés;
Opération sur les DL; Calcul des limites;
Développement asymptotique et branches infinies.
Calcul Intégral. Définition et propriétés; Linéarité, additivité;
Primitives et intégrales indéfinies;
Formule de changement de variable; Intégrales des fractions rationnelles.
Intégration par parties, intégrales généralisées.
LSD
M4: Probabilité
Dénombrement: Principes additifs (avec les partitions) et multiplicatifs avec les arbres). P-listes avec répétition (pn), p-listes sans répétition (Anp), permutations (n !). Parties de P éléments pris parmi n : combinaisons (Cnp)
Notion de probabilité: Univers, ensemble des événements, l’application p et l’équiprobabilité. Espérance, Variance et Écart-type. Fonction de répartition. Probabilité conditionnelle et événements indépendants. Loi forte des grands nombres et théorème de la limite centrale
Loi de probabilités discrètes: Loi de Bernoulli. Loi Binomiale. Loi hypergéométrique. Loi de Poisson. Approximation par la loi de Poisson
Loi de probabilités continue: Variables aléatoires continues. Fonction de densité et de répartition. Moments et moment centrés d’ordre K. Loi Normale. Utilisation de la table de la loi normale. Approximation des lois binomiale, loi hypergéométrique et loi de Poisson par la loi normale. La loi de Chi-deux. La loi de Student. La loi de Fisher-Snédecor
L’ajustement linéaire: Le critère des moindres carrés. Variance et covariance
LSD
M3: Informatique 1
Informatique : Donner une vue d’ensemble de l’informatique. Historique. Concepts et techniques.
Ordinateur : Comprendre le rôle des composants de l’ordinateur.
Introduction. Matériels d’entrée. Matériels de sortie. Matériels de stockage. Matériels de réseau.
Langages de programmation : Comprendre les principes de conception des
langages de programmation, et les transformations de programmes qui
sont réalisées par les compilateurs ou les interprètes. Langage
interprété. Langage Compilé. Langage orientée objet.
Réseau et Internet : Principes de fonctionnement des réseaux.
Organisation en couches. Principaux protocoles. Fonctionnement
d’Internet.
Codage de l’information : Les Principales Bases. Base Décimale. Base
Binaire. Base Octale. Base Hexadécimale. Changement de base. Opérations
mathématiques en binaire
LSD
M6: Statistiques
Variables, données statistiques,
tableaux, effectifs: Définition fondamentales. Variables
qualitatives nominales. Variables quantitatives discrètes. Variables
quantitatives continues
Statistique descriptive univariée: Paramètre de position. Paramètre de
dispersion. Moments. Paramètres de forme. Paramètre d’aplatissement
(Kurtosis). Changement d’origine et d’unité. Moyennes et variance dans
des groupes. Diagramme en tiges et feuilles. La boite a moustaches
Statistique descriptive bivariée: Série statistique bivariée. Deux variables quantitatives. Deux variables qualitatives
Théorie des indices, mesures d’inégalité: Nombres indices. Définition. Mesure de l’inégalité
LSD
M7: Langue et terminologie
Objectifs généraux: Développer les compétences langagières des étudiants afin de : Faciliter leur intégration à l’université,
Lutter contre l’insécurité linguistique qu’ils ressentent en S1,
ce qui entraine l’abandon, le décrochage et l’échec, Favoriser la réussite de leurs études.
Objectifs spécifiques: Appréhender les particularités pragmatiques, discursives et linguistiques de la langue de spécialité ; Acquérir les savoir-faire communicatifs, linguistiques, discursifs et universitaires ; Comprendre les points essentiels des documents du domaine de spécialité ; Comprendre des instructions et des consignes ; Développer de bonnes habitudes de l’écoute active ; Communiquer de manière cohérente; Acquérir des stratégies pour la production orale et écrite ; Acquérir
des compétences interculturelles pour comparer et discuter
des aspects scientifiques, culturels, juridiques ou sociaux.
LSD
SEMESTRE 2
M8: Algorithmique 2:
Analyse d'un problème.
Représentation et structures de données : enregistrement et fichiers
Liaisons entre les structures de données et les algorithmes.
Complexité d'un algorithme. Résolutions exactes et heuristiques.
Fonctions et procédures. La récursivité. La complexité. Preuves d’algorithmes.
LSD
M9: Algèbre 2:
1.
Applications linéaires : Définition – Cas particuliers (isomorphisme,
endomorphisme, automorphisme) – Forme linéaire et dual d’un espace
vectoriel - Noyau et image - Théorème du rang et applications.
2. Matrices : Notion de
matrice - Opérations sur les matrices (addition, multiplication par un
scalaire, produit, transposée) - Matrices particulières (carrées,
triangulaires, diagonales, inversibles) - Matrice associée à une
famille de vecteurs - Matrice associée à une application linéaire -
Matrice de passage - Changement de base et coordonnées d’un vecteur -
Rang d’une matrice.
3. Déterminants : Permutations et signatures - Déterminant d’une matrice carrée. Développement de Laplace
- propriétés des déterminants – Manipulation de lignes et de colonnes et cas d’inchangeabilité du déterminant
– Algorithme du pivot de Gauss – Calcul de
l’inverse d’une matrice – Indépendance linéaire de n vecteurs dans un
e.v. de dimension n - Calcul du rang – Déterminant d’un endomorphisme -
Formes multilinéaires alternées.
4. Systèmes linéaires : Définition - Interprétation matricielle d’un système linéaire - Rang d’un système linéaire
- Systèmes homogènes - Systèmes de Cramer - Systèmes linéaires quelconques et condition de compatibilité
- Méthode du pivot de Gauss.
5. Réduction des matrices : Polynôme
caractéristique - Valeurs propres et vecteurs propres – Théorème de
Cayley-Hamilton et applications (calcul de l’inverse) - Sous-espaces
propres – Matrices semblables – Matrice diagonalisable –
Méthode de diagonalisation d’une matrice
– Diagonalisation d’un endomorphisme –
Applications : calcul de la puissance d’une matrice, suites
récurrentes, Systèmes d’équations différentielles linéaires.
LSD
M10: Analyse 2
Equations différentielles:
Equations différentielles du premier ordre : Equations linéaires du premier ordre.
Exemples d’étude d’équations différentielles non linéaires du premier ordre.
Equations différentielles
linéaires du second ordre : Equations
linéaires du second ordre à coefficients
constants.
Exemples d’équations à coefficients non constants.
Courbes paramétrées et courbes polaires
Fonctions vectorielles à variable réelle. Limite, dérivée d'une fonction vectorielle.
Constructions des courbes planes. Courbes définies en coordonnées polaires. Repère mobile Tangente en un point.
Concavité et branches infinies, Construction des courbes polaires.
LSD
M11: Bases de données 1
Introduction aux Bases de Données
Fonctionnalités d’un SGBD Architecture logique d'un SGBD Modèles de données
Le concept d’indépendance données/programmes
Le modèle relationnel de données Définition formelle Caractéristiques des relations Contraintes d'intégrité
Les langages relationnels. L'algèbre relationnelle. Les langages prédicatifs (nuplet et domaine). Le langage SQL
Le langage de définition des données. Le langage de manipulation des données
Le langage d'interrogation des données. Compléments sur intégrité, vues et droits
Dépendances fonctionnelles et normalisation
Dépendance fonctionnelle sur une relation (DF). Propriétés des dépendances fonctionnelles.
Décomposition binaire d'une relation. Normalisation des relations (formes normales)
Etude d’un SGBD typique
LSD
M12: Introduction à l'Ananlyse Multicritères
1. Introduction et Motivation
2. Définitions: Action. Critère. Poids
3. Concepts de base d'un problème multicritère
4. Les méthodes d'optimisation multicritère
La théorie de l'utilité multi-attribut. Les méthodes de surclassement
Les méthodes interactives. Méthodes multicritères d'agrégation.
Les méthodes Métaheuristiques.
Les méthodes non Pareto. Les méthodes Pareto. Les méthodes hybrides
LSD
M13: Informatique 2
Types de programmes
Introduction. Fonctions. Classes et héritage
Programmation avancée
Programmation orienté objet
Complexité
Optimisation de code et vectorisation
LSD
M14: Langue et technique de communication
Partie 1 : Anglais scientifique
Grammaire et vocabulaire scientifique.
Lecture de textes scientifiques
anglais et discution de différents sujets en utilisant le vocabulaire
utilisé dans le jargon scientifique.
Partie 2 : Techniques de communication
Communication et développement personnel : L’écoute active, le questionnement et la reformulation
Développement de l’assertivité. Gestion du temps et des priorités
Conduite de réunions et animation de groupes. Atelier CV
LSD
RETOUR
PROGRAMME DE LA DEUXIEME ANNEE (S3-S4)
SEMESTRE 3
M15: Bases de données 2
Organisation interne et structure physique d’une base de données
Stockage - Indexation
Normalisation de schémas de bases de données
Traitement et optimisation des requêtes relationnelles
Systèmes transactionnels - contrôle de concurrence - reprise sur pannes.
Modèle orienté-objet et relationnel-objet
Application aux bases de données spatiales et spatio-temporelles
Bases de données réparties
datawarehouse
Données semi-structurées et Web sémantique
LSD
M16: Analyse de données
Introduction à l’analyse de données et ses méthodes
Analyse en composantes principales
Analyse factorielle des correspondances
Analyse Factorielle des Correspondances Multiple
Analyse discriminante
Analyse de la variance
LSD
M17: Analyse Numérique
Introduction à l’analyse numérique
Calcul aux virgules-flottantes
Systèmes d’équations linéaires
Interpolation
Intégration numérique
Equations différentielles ordinaires
Equations non-linéaires
Optimisation
Méthode des moindres carrés
Génération des nombres aléatoires et Monte-Carlo
Introduction
Les caractéristiques des systèmes Unix et Linux
Arborescence et système de fichiers
Noyau et processus
Différentes couches d’un Système d’Exploitation
Notion de processus
Notion de communication entre les processus.
LSD
M18: Système d’exploitation
Introduction
Les caractéristiques des systèmes Unix et Linux, Arborescence et
système de fichiers, Noyau et processus, Différentes couches d’un
Système d’Exploitation, Notion de processus, Notion de communication
entre les processus.
Une session
Comment démarrer une session ? Quelques commandes, , La documentation, Étude de cas pour Travaux Dirigés (TD)
Les fichiers et les répertoires
NIVEAU BAC+3 68/129, L'arborescence des fichiers, Les chemins, La
syntaxe d'une ligne de commande, Les commandes de gestion de fichiers,
Lire les attributs d'un fichier, la commande ls, Copier, détruire,
renommer un fichier, Visualiser un fichier, la commande cat, La
commande file, Les commandes de gestion de répertoires, Copie et
suppression d'arborescence, La commande find, Étude de cas pour Travaux
Dirigés (TD), Exercices pour Travaux Pratiques (TP)
Le Shell
Les jokers, La protection des caractères spéciaux, La redirection des
entrées/sorties standards, les tubes, La redirection des erreurs,
L'historique des commandes (mode vi), Les alias, L'environnement, Le
fichier .profile, Réaliser un script élémentaire, Étude de cas pour
Travaux Dirigés (TD), Exercices pour Travaux Pratiques (TP)
Les droits
Connaître les droits, Modifier les droits, Droits sur les répertoires,
Droits par défaut, Gestion des groupes, Étude de cas pour Travaux
Dirigés (TD), Exercices pour Travaux Pratiques (TP)
L'impression
L'impression, le principe, L'impression, les commandes, Étude de cas
pour Travaux Dirigés (TD), Exercices pour Travaux Pratiques (TP)
Les filtres
Présentation des filtres, La commande grep, La commande cut, La
commande sed, La commande sort, Les commandes more et pg, Présentation
des expressions régulières et mise en oeuvre, Étude de cas pour Travaux
Dirigés (TD), Exercices pour Travaux Pratiques (TP)
La sauvegarde
La commande tar, La commande cpio, Étude de cas pour Travaux Dirigés (TD), Exercices pour Travaux Pratiques (TP)
Les outils de communication
La communication en direct, les commandes write et talk, NIVEAU BAC+3
69/129, Le courrier électronique, la commande mail, Étude de cas pour
Travaux Dirigés (TD), Exercices pour, Travaux Pratiques (TP)
Les liens
Les liens, les commandes, Les liens symboliques, Étude de cas pour Travaux Dirigés (TD), Exercices pour Travaux Pratiques (TP)
La gestion des processus
Présentation des commandes de gestion des processus, La commande kill,
La commande ps, La gestion des travaux, Étude de cas pour Travaux
Dirigés (TD), Exercices pour Travaux Pratiques (TP)
L'éditeur vi
Les commandes indispensables, Les modes de vi, Le couper/coller, Le
paramétrage de vi, Étude de cas pour Travaux Dirigés (TD), Exercices
pour Travaux Pratiques (TP)
La programmation shell
Les variables, Expressions arithmétiques, Evaluation de commandes,
Structures de contrôle, Opérateurs de comparaison, Étude de cas pour
Travaux Dirigés (TD), Exercices pour Travaux, Pratiques (TP)
LSD
M19: Programmation C/C++
Débuter en C++
Présenter les évolutions syntaxiques du langage C++ par rapport au langage C
Programmation Orienté Objet
Présenter les concepts Orienté Objet (Classe, Objet, instanciation, Encapsulation, Héritage, le
polymorphisme,…)
C++ avancée
présenter les notions suivantes :
1. La surcharge des fonctions et des opérateurs
2. Les modèles (template) de classes et des fonctions
La gestion des exceptions
LSD
M20: Gestion des entreprises
1. Comptabilité :
Comptabilité générale
Comptabilité analytique
2. Gestion de projets :
Management des projets complexes
Techniques du suivi des projets
Analyse financière des projets
3. Gestion fiscale des entreprises :
Environnement juridique des entreprises
Audit fiscal
LSD
SEMESTRE 4
M21: Architecture des ordinateurs
- Notions d’architecture générale des ordinateurs
- Rappel sur la programmation d’un microprocesseur.
- Architecture et programmation d’un microprocesseur :
- Notion sur le pipeline
- Sous-programmes (passage de paramètres, récursivité)
- Driver d’interruption, réentrance, relocalisation 53 /108
- Entrées/sorties :
- E/S Parallèle, Série, Timer
- Notions sur les standards d’E/S (PCI, USB, FireWire)
- DMA
- Hiérarchie d’interruptions
- Scrutation versus interruptions
- Gestionnaire avancé d’interruptions, priorités, ...
- Adressage des circuits Mémoires caches :
- Principes
- Politiques d’écriture, tampon d’écritures
- Introduction à l’optimisation de code
- Mémoire virtuelle :
- Rappels sur la segmentation et la pagination
- Support matériel pour la mémoire virtuelle et la protection
- L’illustration de ces notions est réalisée en TD, en TP et en projet sur un processeur
LSD
M22: Approximation et filtrage des données
Représentations de fonctions
Interpolation
Approximations de fonctions
Approximation au sens des moindres carrés
Dérivations et Intégrations numériques
Méthodes de Monte Carlo
Tri et Filtrage de données
Tri de données
Filtrage automatique
Filtrage avancé
LSD
M23: Réseaux informatique
Différents types de réseaux (voix/données, LAN/WAN,…)
Normalisation : Organismes, RFC, Avis …
Qualité de service : Débits, délais, taux d’erreur…
Architecture des réseaux
Topologie physique, logique
Modèles
Services, protocoles, encapsulation, adressage.
Exemples : OSI, TCP/IP…
Commutation (circuit, message, paquet) et routage.
Modes connectés et non connectés.
Couche physique, éléments de transmission
Détection et correction des erreurs
Contrôle de flux
Sécurité : Intégrité, authentification, confidentialité.
Standard IEEE pour les LAN.
Supports et câblages : mise en oeuvre et validation.
Méthodes d’accès probabilistes et déterministes.
Protocoles de la couche liaison pour les réseaux filaires et sans fil.
Technologies Ethernet, ...
Interconnexion au niveau 2, VLAN, …
Adressage, protocole IP, Interconnexion et routage.
LSD
M24: Recherche opérationnelle
Introduction
Résolution graphique des modèles à deux variables
Méthode du simplexe.
Problèmes irréguliers.
Analyse post-optimale.
Dualité.
Langage de programmation AMPL.
Initialisation en programmation linéaire en nombre
Exemples de modèle industriels
Éléments de la théorie des graphes
Problème du plus court chemin
Problème de flot
Problème de Transport
Application des graphes à la recherche
opérationnelle
LSD
M25: Technologie du Web
Langage HTML
• Généralités et structure d’un document HTML
• Listes, styles, images, liens et tableaux
• Les formulaires
• Les frames
• Utilisation des feuilles de styles
• Mise en pages avancée
Feuilles de style CSS
• Découvrir les principales propriétés du Css avec : les propriétés du texte, les alignements, les
bordures, les tailles, les marges intérieures et extérieures, les couleurs de fond, les images d'arrièreplan.
• Définir des classes au sein d'une page HTML
• Créer une feuille de style, standalon, externe
• Définir un style de type classe, balise html, id, pseudo-classe.
• Créer le lien entre le fichier de styles et les pages HTML.
Langage JavaScript
• Notions de base du langage JavaScript
• Programmation événementielle en JavaScript
• Les classes prédéfinies de JavaScript
• Traitements du DOM
• Les expressions régulières
• Gestion des cookies.
LSD
M26: Gestion De Projet
Présentation, historique : Connaître les origines des outils et les différentes méthodes utilisées en
planification
Recueillir et structurer les informations
Déterminer la liste des tâches. Définir l'organigramme des tâches. Définir les lots de travaux.
Déterminer les ressources associées aux tâches. Déterminer les antériorités des tâches
Réaliser le diagramme PERT
Établir les niveaux grâce à la matrice des antériorités. tracer le Pert
calcul des dates calcul des marges
Calculer les dates au plus tôt, au plus tard
Calculer les marges libres les marges totales déterminer le chemin critique
contrainte, chevauchement, attente entre 2 tâches, jalons
Intégrer les notions de chevauchement et d'attente entre deux tâches successives
calcul probabiliste
Déterminer les durées estimées.
Déterminer les probabilités de terminer un projet pour une date fixée
Diagramme de Gantt. Etablir le diagramme de Gantt à partir du PERT. Définir les besoins en
ressources à l'aide du diagramme de Gantt
Lissage des ressources
Réaliser le lissage ou le nivellement du diagramme de Gantt par rapport aux ressources
Suivi de projet
Comparer l'avancement réel avec celui planifié.
Choisir des solutions permettant de compenser les retards
Courbes d'avancement des coûts: CBTP, CBTE, CRTE
Déterminer l'avance ou le retard en valeur budgétaire en mesurant l'écart engendré à la date entre
l'effectué et le prévu.
Logiciel de gestion de projets
Utiliser les Principales fonctionnalités d'un logiciel de gestion de projets
LSD
RETOUR
===================================================
MASTERS
ماستر علم البيانات
أهداف التكوين
إن
أهمية البيانات ، وفائدة معالجتها ، وتحليلها ، وبحثها ، واستخراج المعرفة
، راسخة في عالم من طوفان البيانات (البيانات الكبيرة). تتطلب إدارة هذه
الموضوعات المعقدة تدريبًا علميًا عالي المستوى في مجالات علوم البيانات
ودعم اتخاذ القرار من خلال منهج يبدأ بجمع البيانات وصنع القرارمع تخصص في
استخراج البيانات.
علم
البيانات هو نظام جديد يعتمد بشكل خاص على النمذجة الرياضية والإحصاء
والحوسبة والتصور. يهدف إلى تحويل كميات كبيرة من البيانات إلى المعرفة
ذات الصلة. يحمل هذا التحول من البيانات إلى المعرفة العديد من التحديات العلمية والتكنولوجية التي تتطلب مقاربة متعددة التخصصات.
يهدف الماستر علم البيانات ودعم القرار إلى
تدريب كبار التنفيذيين أو الباحثين في المستقبل في هذا المجال. ويهدف
لتدريب الطلاب على حل كامل للمشاكل التي تطرحها البيانات منذ اكتسابها حتى
القرار. كما أنها
مقدمة للبحوث التي توخي للطلاب مجموعة واسعة من المهارات
من خلال تدريبهم على تقنيات متقدمة من الذكاء الاصطناعي ، الخوارزميات ،
والتنقيب عن البيانات.
نتائج التكوين
سيكون
لدى خريجين المستقبل من الماستر فرصة الاتجاه نحو نشاط مهني أو تطوير بحث
في جميع القطاعات العامة أو الخاصة للنشاط الصناعي والاقتصادي مثل الطاقة
والنقل والصناعات الميكانيكية ، البيئة والمؤسسات الصناعية الوطنية أو
الصغيرة والمتوسطة الحجم عموما
————
MASTER - DATA SCIENCE
TRAINING AIMS
The importance of data, the utility of their processing, their analysis
and search, and the extraction of knowledge are well established in a
world of multiple data (Big Data). The management of these complex
themes requires a high-level scientific training in the fields of data
sciences, and decision support, through a curriculum that starts from
data acquisition and ends by decision-making, with a specialization in
Data Mining.
Data science is a new discipline that relies particularly on
mathematical modeling, statistics, computing and visualization. It aims
to transform large amounts of data into relevant knowledge. This shift
from data to knowledge, carries many scientific and technological
challenges that require an interdisciplinary approach.
The MASTER Data Science and Decision Support (DSDS) aims at training
future senior executives or researchers in this field. It proposes to
train the students to the complete resolution of the problems posed by
the data since its acquisition until the decision. It is also an
introduction to research that provides students with a broad spectrum
of skills by training them in advanced techniques of Artificial
Intelligence, Algorithmic and Data Mining.
OUTCOME OF TRAINING
Future graduates of the Master will therefore have the opportunity to
move towards a professional activity or research development in all
public or private sectors of industrial and economic activity such as
energy, transport, mechanical industries, the environment, and
generally small and medium-sized national or international industrial
enterprises.
————
MASTER – SCIENCES DES DONNÉES
OBJECTIFS DE LA FORMATION
L’importance des données, l’utilité de leur traitement, leur analyse et
leur fouille, ainsi que de l’extraction de la connaissance ne sont plus
à démontrer dans un monde de flots de données (Big Data). La prise en
charge de ces thématiques complexes requiert une formation scientifique
de haut niveau dans les domaines des Sciences des données, et de l’aide
à la décision, à travers un cursus qui part de l’acquisition des
données à la prise de décision via une spécialisation dans la fouille
des données (Data Mining).
La science des données est une nouvelle discipline qui s'appuie
particulièrement sur la modélisation mathématique, les statistiques,
l'informatique et la visualisation. Elle a pour objectif la
transformation de grandes masses de données en connaissances
pertinentes. Ce passage des données aux connaissances est porteur de
nombreux défis scientifiques et technologiques qui requièrent une
démarche interdisciplinaire.
Le MASTER Science des données et Aide à la Décision (SDAD), a pour
objectif de former des futurs cadres ou chercheurs de haut niveau dans
ce domaine. Il se propose de former les étudiants à la résolution
complète des problèmes posés par la donnée depuis son acquisition
jusqu’à la décision. C’est aussi une initiation à la recherche qui
permet de doter les étudiants d’un large spectre de compétences en les
formant aux techniques de pointe de l’intelligence artificielle, de
l’algorithmique et de l’exploration des données.
DEBOUCHES DE LA FORMATION
Les futurs diplômés du Master auront donc la possibilité de s’orienter
vers une activité professionnelle ou de recherche développement dans
tous les secteurs publics ou privés de l’activité industrielle et
économique tels que l’énergie, le transport, les industries mécaniques,
l’environnement et de manière générale les petites et moyennes
entreprises industrielles nationales ou internationales.
CONDITIONS D’ACCÈS
Ce master est ouvert à tous les candidats titulaires d’une licence en
mathématique appliquées, informatique ou diplômes équivalents délivrés
par les établissements universitaires.
Programme SDAD:
1er semestre |
3ème semestre |
M1 : Ingénierie systèmes et complexité |
M13 : Bases de données Avancées |
M2 : Modélisation et simulation des systèmes |
M14 : Optimisation déterministe et Stochastique |
M3 : optimisation , RO, et analyse multicritères |
M15 : Analyse des données fonctionnelles |
M4 : Méthodes statistiques et analyse des données |
M16 : Séries chronologiques |
M5 : Algorithmique et programmation
|
M17 : Machine Learning |
M6: Communication et anglais professionnel |
M18 : Recherche, innovation, gestion de projets et business intelligence |
|
|
2ème semestre |
4ème semestre |
M7 : Théorie des graphes et programmation linéaire |
Initiation à la recherche et Mémoire de fin d’étude |
M8 : Environnement Data Scientist |
Initiation à la recherche et Mémoire de fin d’étude |
M9 : Data Mining & Data Warehouse |
nitiation à la recherche et Mémoire de fin d’étude |
M10 : Processus stochastiques |
Initiation à la recherche et Mémoire de fin d’étude |
M11 : Traitement de Signal et Métrologie |
Initiation à la recherche et Mémoire de fin d’étude |
M12 : Conférences métiers |
Initiation à la recherche et Mémoire de fin d’étude |
RETOUR
PROGRAMME DE LA PREMIERE ANNEE SDAD (S1-S2)
SEMESTRE 1
M1: Ingénierie systèmes et complexité
A. Cours et travaux dirigés :
Introduction à la complexité
Le paradigme de la complexité
Introduction aux systèmes complexes
Théorie du chaos
o Les systèmes empiriques
o Les systèmes formels
o Théorie du bord du chaos
Cas de systèmes et données complexes
o Systèmes des sciences physiques
Master et Master Spécialisé 18/81 2018
o Systèmes des sciences du vivant
o Systèmes artificiels (artéfacts)
o Propriétés des systèmes complexes adaptatifs
Ingénierie Système
o La démarche d’Ingénierie système
o Les standards ISO 15288
o Modélisation système
o Ingénierie des exigences (définition, traçabilité, vérification)
o Conception fonctionnelle et conception organique
o Gestion des configurations
o Processus de VVQ (Validation – Vérification – Qualification)
o Les outils pour la gestion collaborative des projets
La gestion des risques.
B. Travaux pratiques :
Manipulation d’un outil de modélisation système (Cappella, Papyrus)
Manipulation d’un outil de gestion des exigences (Polarion, Reqtify).
SDAD
M2: Modélisation et simulation des systèmes
1- Modélisation et simulation des systèmes continus
a. Introduction de la notion de système continu.
b. Construction de modèles d'équations différentielles des systèmes dynamiques.
c. Limitations et schémas numériques pour la simulation d'équations différentielles.
d. Validation et quantification des erreurs numériques,
e. Concepts de construction de modèles des systèmes dynamiques.
2- Modélisation des systèmes discrets :
a. Introduction aux systèmes discrets
b. Théorie des files d’attente
c. Outil de modélisation des systèmes discrets
d. Introduction à MATLAB/SIMULINK.
3- Approche holistique pour la modélisation
MODALITES D’ORGANISATION DES ACTIVITES PRATIQUES
Séminaires sur des études de cas de systèmes complexes liés à :
Cas 1 : L’énergie.
Cas 2 : L’eau et l’environnement.
Cas 3 : L’océan, les mines.
Cas 4 : Les finances.
Cas 5 : L’industrie.
Cas 6 : Les systèmes biologiques.
SDAD
M3: Optimisation , RO, et analyse multicritères
1. La Recherche Opérationnelle :
• Fondamentaux de l’optimisation
• Modélisation mathématique
• Programmation linéaire : algorithme de Simplex et résolution graphique
2. Optimisation Combinatoire :
• Programmation Dynamique
• Branch-and-Cut / génération de colonnes/ Branch-and-Price
• Introduction aux méta-heuristiques
• Définition d’un problème optimal.
3. Analyse multicritère :
o Algorithmes de l'analyse multicritère Ford ;
o Introduction aux méthodes PERT ; potentiels
o Dualité et relations d’exclusion
o Analyse de sensibilité
SDAD
M4: Méthodes statistiques et analyse des données
A. Cours et travaux dirigés :
Le cours consistera principalement en des conférences sur les concepts
et les applications de base. Il est divisé en deux parties : (1)
analyses statistiques univariées et multivariées, (2) les plans
d’expérience.
Partie 1:
Analyse Univariée
• Présentation et discussion de de la théorie de l’analyse univariée.
• Présentation des principes et des exemples pour faire une bonne analyse univariée.
• Exemples de divers domaines industriels.
Analyse Bivariée
• Présentation et discussion de la théorie de l’analyse bivariée.
• Présentation des principes et des exemples pour faire une bonne analyse bivariée.
• Exemples de divers domaines industriels.
Analyse Multivariée
• Analyse en composantes principales.
• Analyse discriminante.
• Analyse par Régression linéaire multiple.
• Analyse par Régression non linéaire multiple.
• Analyse par Partial Least Square.
• Clustering.
• Analyse par Réseaux de neurones artificiels.
Inférence Bayesienne
• Introduction à l'analyse Bayesienne.
• Variables aléatoires gaussiennes.
• Variables aléatoires non gaussiennes.
• Etudes de cas.
Partie 2:
Cette partie abordera les thèmes suivants :
• Introduction et orientation du cours.
• Échantillonnage aléatoire.
• Modèles d'échantillonnage stratifiés et imbriqués.
• Conception non appariée et appariée.
• Conception entièrement aléatoire (CR).
• Conception des blocs complets randomisés (RCB).
• CR et RCB conçoivent avec échantillonnage et sous-échantillonnage.
• Contraste, polynômes orthogonaux.
• Procédures de comparaison des moyennes.
• Tests de variances égales.
• Expériences combinatoires classiques, hétérogénéité des erreurs, méta-analyse.
• Modèles de régression, naturels ou expérimentaux.
• Régression logistique et de Poisson.
• ANCOVA : ANOVA avec une seule covariabilité continue.
• Covariables multiples, designs de surface de réponse.
• Conception factorielle.
• Carrés latins, croisements et retournements.
• Plages fractionnées.
• Plots et variations divisés.
• Mesures répétées.
• Conception pour un grand nombre de traitements.
B. Travaux pratiques :
Le but des travaux pratiques est de permettre aux étudiants d’appliquer
les concepts appris dans le cours théorique. Les étudiants se
familiariseront avec le logiciel de statistiques et des plans
d’expérience JMP. Ils utiliseront aussi des données collectées à partir
de la littérature dans différents domaines scientifiques de la
recherche.
Partie 1 :
A partir d’un jeu de données issues du domaine de la recherche dans
différents secteurs industriels, les étudiants effectueront les
analyses statistiques suivantes : • Analyse des différentes variables
(moyenne, écart-type, variance, distribution, Kurtosis, Skweness, …)
• Etudier les corrélations entre les différentes variables du jeu de données.
•Visualiser les données dans un espace réduit (2 ou 3 dimensions) en
partant de toutes les variables et en utilisant la méthode de l’analyse
en composantes principales.
• Construire et valider un modèle statique linéaire d’une variable
cible (dépendante) en utilisant des variables prédictives
(non-indépendante).
• Construire et valider un modèle statique non-linéaire d’une variable
cible (dépendante) en utilisant des variables prédictives
(non-indépendante).
Partie 2 :
A partir de données expérimentales issues de la littérature, les
étudiants pratiqueront l’approche des plans d’expériences pour :
· Cerner les avantages de son utilisation par rapport aux méthodes d'essai et d'erreur
· Concevoir des plans d’expériences optimaux à l'aide du logiciel fourni
· Analyser une expérience de criblage en utilisant le logiciel fourni
· Interpréter les résultats et optimiser les performances de sortie d'un processus expérimental.
L’analyse d'autres cas/données émanant de domaines de recherche de l’UM6P
SDAD
M5: Algorithmique et programmation
A. Cours et travaux dirigés :
Introduction
o Notions de base en algorithmique
o Type de données
o Conditions et boucles
Types de programmes
o Introduction
o Fonctions
o Classes et héritage
Programmation avancée
o Programmation orienté objet
o Complexité
o Optimisation de code et vectorisation
B. Travaux pratiques :
Programmation en python des algorithmes enseignés dans le cours.
SDAD
M6: Communication et anglais professionnel
Le module comprendra une partie théorique et une partie pratique :
La partie théorique comprendra:
L'enseignement des éléments de base de l’anglais, tels que la grammaire
(les étudiants devraient être capables d'écrire et de parler la langue
de manière précise).
Lire : lecture de textes scientifiques et articles liés à leurs activités de recherche,
Ecrire : cette partie couvre les éléments de base de la bonne écriture
scientifique, tels que la structure des phrases et des paragraphes.
Cela sera ensuite appliqué sur des thématiques de recherche de
l’université,
Écouter : les étudiants seront exposés à du matériel d'écoute authentique qui les aidera à améliorer leurs compétences d’écoute,
Parler : l'accent sera mis sur la communication scientifique en
anglais, les étudiants développeront leurs compétences en art oratoire
à travers une variété d'activités via des présentations, des
discussions de groupe, des débats sur des questions scientifiques.
La partie pratique comprendra :
La traduction scientifique : Le cours combinera le travail de
traduction pratique avec l'utilisation d'une gamme de méthodologies et
d'outils pour l'exploitation et la gestion des ressources linguistiques
à des fins de traduction. L'élément de traduction pratique se
concentrera sur la traduction écrite, en anglais, de textes
scientifiquement complexes provenant des travaux de recherche
scientifiques en cours à l’université ; ceux-ci peuvent inclure des
extraits d'articles scientifiques, de brevets et de textes
scientifiques populaires. La composante intégrée de la technologie de
traduction inclura l'utilisation du Web comme ressource pour la
traduction. Les présentations orales : sur une base hebdomadaire, les
étudiants feront des présentations orales sur des questions
scientifiques spécifiques afin d'améliorer leurs compétences orales.
Les deux composantes du module seront organisées en deux parties :
Partie 1 : Anglais scientifique
Le cours sera divisé en deux parties.
La première partie se concentrera sur la grammaire et le vocabulaire scientifique.
Dans la deuxième partie, les étudiants liront les textes scientifiques anglais et discuteront de différents
sujets en utilisant le vocabulaire utilisé dans le jargon scientifique.
Partie 2 : Techniques de communication
Communication et développement personnel :
o L’écoute active, le questionnement et la reformulation
o Développement de l’assertivité
o Gestion du temps et des priorités
Conduite de réunions et animation de groupes
Atelier CV
SDAD
RETOUR
==========================
ماستر النماذج المتقدمة المرتبطة والحساب العلمي
أهداف التكوين
في
الوقت الحاضر ، العالم الاقتصادي ، سواء على المستوى الوطني أو الأفريقي
أو الدولي هو نظام معقد للغاية. تعتمد الصناعة الحديثة على مجموعة واسعة
من البنى التحتية والمؤسسات والتقنيات بالإضافة إلى مجموعة واسعة من
العناصر غير المتجانسة مثل العامل البشري والأجهزة والبرمجيات.
سواء
في قطاع الفوسفات ، أو التمويل ، أو إنتاج السلع أو البيئة ، أو الاستخدام
الرشيد للموارد ، فقد أصبح من الضروري إتقان أدوات الحساب ، والتحسين ،
إدارة البيانات والتحكم في عدم اليقين.
لقد
أصبح تشكيل جيل جديد من الباحثين الذين يسيطرون على العلوم الهندسية
والرياضيات التطبيقية وعلوم الكمبيوتر لحل مشاكل العلوم والهندسة
المتزايدة التعقيد شرطا أساسيا ضروريا للتنمية والتطور.
يهدف هذا التكوين إلى توفير الخبرات العلمية في
مجال النمذجة الهجينة المتقدمة والحوسبة العلمية و إلى تحقيق العديد من
المهارات:
تحليل الاحتياجات وترجمتها إلى النمذجة. تحديد ومحاكاة الأنظمة
؛ التفكير بصرامة ، الشروع في العمل التعاوني ، والتفاوض ، والمبادرة
الفردية والاستقلالية ؛ التواصل بشكل جيد ، لا سيما في اللغة الإنجليزية.
نتائج التكوين
يمكن
للفائزين في هذه الدورة إما ممارسة مهنة في مجال البحوث
في الصناعة، في تطوير النظم الهندسية، التي تتطلب مهارات في النمذجة
والمحاكاة، للتعامل مع القضايا المعقدة. من بين المناصب المستهدفة يمكننا
أن نذكر مهندس الأبحاث والتطوير ، ومدير مشروع تكنولوجيا المعلومات
الصناعي ، ومهندس الأعمال ، وخاصة في قطاعات النشاط المذكورة أعلاه.
————
MASTER OF ADVANCED HYBRID MODELING AND SCIENTIFIC COMPUTING
TRAINING AIMS
Nowadays, the economic world, whether at the National, African or
International level is a highly complex system. Modern industry relies
on a huge range of infrastructures, institutions and technologies
combined with a wide spectrum of heterogeneous elements such as the
human factor, hardware and software.
Whether in the phosphate sector, finance, the production of goods or
the environment and the rational use of resources, it has become
essential to be expert in the tools of calculation, optimization, data
management and uncertainty control.
The formation of a new generation of researchers mastering engineering
sciences, applied mathematics and computer science to solve the
increasingly complex problems of science and engineering has become a
necessary prerequisite for the development and industrial
competitiveness.
The UM6P University offers this MHACS Master course which aims to
develop scientific skills in advanced hybrid modeling and scientific
computing to achieve many skills: analyze needs and translate them into
modeling; identify and simulate systems; think rigorously, initiate
collaborative work, negotiate, have individual initiative and autonomy;
and communicate well, especially in English.
OUTCOME OF TRAINING
The laureates of this Master's degree cycle will either be able to
pursue a career in Research or move towards an industrial career, in
the development of engineering systems, requiring skills in modeling
and numerical simulation, to deal with complex themes. Among the
positions targeted we can mention engineer Research & Development,
industrial IT project manager, business engineer and this particularly
in the sectors of activity mentioned above.
————
MASTER MODELISATION HYBRIDE AVANCEE ET CALCUL SCIENTIFIQUE (MHACS)
OBJECTIFS DE LA FORMATION
De nos jours, le monde économique, que ce soit au niveau National,
Africain ou International est un système hautement complexe.
L'industrie moderne repose sur un large éventail d'infrastructures,
d’institutions et de technologies combiné à une gamme étendue
d’éléments hétérogènes tels le facteur humain, le matériel et les
logiciels.
Que ce soit dans le secteur des phosphates, de la finance, celui de la
production de biens ou encore celui de l'environnement et de
l'utilisation rationnelle des ressources, il est devenu incontournable
de maîtriser les outils de calcul, d'optimisation, de gestion des
données et de contrôle des incertitudes.
La formation d'une nouvelle génération de chercheurs maitrisant les
sciences de l’ingénieur, les mathématiques appliquées et
l’informatique, pour résoudre les problèmes de plus en plus complexes
de la science et de l’ingénieur est devenu un préalable nécessaire du
développement et de la compétitivité industrielle.
L’Université UM6P offre cette formation de Master MHACS qui a pour
objectif de faire acquérir des compétences scientifiques en
modélisation hybride avancée et calcul scientifique pour aboutir à de
nombreuses aptitudes: analyser les besoins et les traduire en
modélisation ; identifier et simuler des systèmes; penser
rigoureusement, initier au travail collaboratif, à la négociation, à
l’initiative individuelle et à l’autonomie; bien communiquer, notamment
en anglais.
DEBOUCHES DE LA FORMATION
Les lauréats de ce cycle de master pourront soit poursuivre une
carrière dans la Recherche, soit s’orienter vers une carrière
industrielle, dans le développement des systèmes de l’ingénieur,
exigeant des compétences en modélisation et simulation numérique pour
traiter des thématiques complexes. Parmi les postes visés nous pouvons
citer ingénieur Recherche & Développement, chef de projet
informatique industrielle, ingénieur d’affaires, et ce notamment dans
les secteurs d'activité cités ci-dessus.
CONDITIONS D’ACCÈS
Ce master est ouvert à tous les candidats titulaires d’une licence en
mathématique appliquées, informatique, physique ou diplômes équivalents
délivrés par les établissements universitaires.
Programme MHACS:
1er semestre |
3ème semestre |
M1 : Ingénierie systèmes et complexité |
M13 : Processus multi-physiques, multi-échelles |
M2 : Modélisation et simulation des systèmes |
M14 : Optimisation avancée et métaheuristique |
M3 : optimisation , RO, et analyse multicritères |
M15 : Processus stochastiques et incertitudes |
M4 : Méthodes statistiques et analyse des données |
M16 : Calcul scientifique HPC et assimilation de données |
M5 : Algorithmique et programmation
|
M17 : Outils de modélisation hybride |
M6: Communication et anglais professionnel |
M18 : Recherche, innovation, gestion de projets et business intelligence |
|
|
2ème semestre |
4ème semestre |
M7 : Mathématiques pour la physique |
Initiation à la recherche et Mémoire de fin d’étude |
M8 : MMC, mécanique des fluides et turbulence |
Initiation à la recherche et Mémoire de fin d’étude |
M9 : Méthodes numériques |
nitiation à la recherche et Mémoire de fin d’étude |
M10 : Traitement de signal, métrologie |
Initiation à la recherche et Mémoire de fin d’étude |
M11 : Mécanique des structures et acoustique |
Initiation à la recherche et Mémoire de fin d’étude |
M12 : Conférences métiers |
Initiation à la recherche et Mémoire de fin d’étude |
RETOUR
PROGRAMME DE LA PREMIERE ANNEE MHACS (S1-S2)
SEMESTRE 1
M1: Ingénierie systèmes et complexité
A. Cours et travaux dirigés :
Introduction à la complexité
Le paradigme de la complexité
Introduction aux systèmes complexes
Théorie du chaos
o Les systèmes empiriques
o Les systèmes formels
o Théorie du bord du chaos
Cas de systèmes et données complexes
o Systèmes des sciences physiques
Master et Master Spécialisé 18/81 2018
o Systèmes des sciences du vivant
o Systèmes artificiels (artéfacts)
o Propriétés des systèmes complexes adaptatifs
Ingénierie Système
o La démarche d’Ingénierie système
o Les standards ISO 15288
o Modélisation système
o Ingénierie des exigences (définition, traçabilité, vérification)
o Conception fonctionnelle et conception organique
o Gestion des configurations
o Processus de VVQ (Validation – Vérification – Qualification)
o Les outils pour la gestion collaborative des projets
La gestion des risques.
B. Travaux pratiques :
Manipulation d’un outil de modélisation système (Cappella, Papyrus)
Manipulation d’un outil de gestion des exigences (Polarion, Reqtify).
MHACS
M2: Modélisation et simulation des systèmes
1- Modélisation et simulation des systèmes continus
a. Introduction de la notion de système continu.
b. Construction de modèles d'équations différentielles des systèmes dynamiques.
c. Limitations et schémas numériques pour la simulation d'équations différentielles.
d. Validation et quantification des erreurs numériques,
e. Concepts de construction de modèles des systèmes dynamiques.
2- Modélisation des systèmes discrets :
a. Introduction aux systèmes discrets
b. Théorie des files d’attente
c. Outil de modélisation des systèmes discrets
d. Introduction à MATLAB/SIMULINK.
3- Approche holistique pour la modélisation
MODALITES D’ORGANISATION DES ACTIVITES PRATIQUES
Séminaires sur des études de cas de systèmes complexes liés à :
Cas 1 : L’énergie.
Cas 2 : L’eau et l’environnement.
Cas 3 : L’océan, les mines.
Cas 4 : Les finances.
Cas 5 : L’industrie.
Cas 6 : Les systèmes biologiques.
MHACS
M3: Optimisation , RO, et analyse multicritères
1. La Recherche Opérationnelle :
• Fondamentaux de l’optimisation
• Modélisation mathématique
• Programmation linéaire : algorithme de Simplex et résolution graphique
2. Optimisation Combinatoire :
• Programmation Dynamique
• Branch-and-Cut / génération de colonnes/ Branch-and-Price
• Introduction aux méta-heuristiques
• Définition d’un problème optimal.
3. Analyse multicritère :
o Algorithmes de l'analyse multicritère Ford ;
o Introduction aux méthodes PERT ; potentiels
o Dualité et relations d’exclusion
o Analyse de sensibilité
MHACS
M4: Méthodes statistiques et analyse des données
A. Cours et travaux dirigés :
Le cours consistera principalement en des conférences sur les concepts
et les applications de base. Il est divisé en deux parties : (1)
analyses statistiques univariées et multivariées, (2) les plans
d’expérience.
Partie 1:
Analyse Univariée
• Présentation et discussion de de la théorie de l’analyse univariée.
• Présentation des principes et des exemples pour faire une bonne analyse univariée.
• Exemples de divers domaines industriels.
Analyse Bivariée
• Présentation et discussion de la théorie de l’analyse bivariée.
• Présentation des principes et des exemples pour faire une bonne analyse bivariée.
• Exemples de divers domaines industriels.
Analyse Multivariée
• Analyse en composantes principales.
• Analyse discriminante.
• Analyse par Régression linéaire multiple.
• Analyse par Régression non linéaire multiple.
• Analyse par Partial Least Square.
• Clustering.
• Analyse par Réseaux de neurones artificiels.
Inférence Bayesienne
• Introduction à l'analyse Bayesienne.
• Variables aléatoires gaussiennes.
• Variables aléatoires non gaussiennes.
• Etudes de cas.
Partie 2:
Cette partie abordera les thèmes suivants :
• Introduction et orientation du cours.
• Échantillonnage aléatoire.
• Modèles d'échantillonnage stratifiés et imbriqués.
• Conception non appariée et appariée.
• Conception entièrement aléatoire (CR).
• Conception des blocs complets randomisés (RCB).
• CR et RCB conçoivent avec échantillonnage et sous-échantillonnage.
• Contraste, polynômes orthogonaux.
• Procédures de comparaison des moyennes.
• Tests de variances égales.
• Expériences combinatoires classiques, hétérogénéité des erreurs, méta-analyse.
• Modèles de régression, naturels ou expérimentaux.
• Régression logistique et de Poisson.
• ANCOVA : ANOVA avec une seule covariabilité continue.
• Covariables multiples, designs de surface de réponse.
• Conception factorielle.
• Carrés latins, croisements et retournements.
• Plages fractionnées.
• Plots et variations divisés.
• Mesures répétées.
• Conception pour un grand nombre de traitements.
B. Travaux pratiques :
Le but des travaux pratiques est de permettre aux étudiants d’appliquer
les concepts appris dans le cours théorique. Les étudiants se
familiariseront avec le logiciel de statistiques et des plans
d’expérience JMP. Ils utiliseront aussi des données collectées à partir
de la littérature dans différents domaines scientifiques de la
recherche.
Partie 1 :
A partir d’un jeu de données issues du domaine de la recherche dans
différents secteurs industriels, les étudiants effectueront les
analyses statistiques suivantes : • Analyse des différentes variables
(moyenne, écart-type, variance, distribution, Kurtosis, Skweness, …)
• Etudier les corrélations entre les différentes variables du jeu de données.
•Visualiser les données dans un espace réduit (2 ou 3 dimensions) en
partant de toutes les variables et en utilisant la méthode de l’analyse
en composantes principales.
• Construire et valider un modèle statique linéaire d’une variable
cible (dépendante) en utilisant des variables prédictives
(non-indépendante).
• Construire et valider un modèle statique non-linéaire d’une variable
cible (dépendante) en utilisant des variables prédictives
(non-indépendante).
Partie 2 :
A partir de données expérimentales issues de la littérature, les
étudiants pratiqueront l’approche des plans d’expériences pour :
· Cerner les avantages de son utilisation par rapport aux méthodes d'essai et d'erreur
· Concevoir des plans d’expériences optimaux à l'aide du logiciel fourni
· Analyser une expérience de criblage en utilisant le logiciel fourni
· Interpréter les résultats et optimiser les performances de sortie d'un processus expérimental.
L’analyse d'autres cas/données émanant de domaines de recherche de l’UM6P
MHACS
M5: Algorithmique et programmation
A. Cours et travaux dirigés :
Introduction
o Notions de base en algorithmique
o Type de données
o Conditions et boucles
Types de programmes
o Introduction
o Fonctions
o Classes et héritage
Programmation avancée
o Programmation orienté objet
o Complexité
o Optimisation de code et vectorisation
B. Travaux pratiques :
Programmation en python des algorithmes enseignés dans le cours.
MHACS
M6: Communication et anglais professionnel
Le module comprendra une partie théorique et une partie pratique :
La partie théorique comprendra:
L'enseignement des éléments de base de l’anglais, tels que la grammaire
(les étudiants devraient être capables d'écrire et de parler la langue
de manière précise).
Lire : lecture de textes scientifiques et articles liés à leurs activités de recherche,
Ecrire : cette partie couvre les éléments de base de la bonne écriture
scientifique, tels que la structure des phrases et des paragraphes.
Cela sera ensuite appliqué sur des thématiques de recherche de
l’université,
Écouter : les étudiants seront exposés à du matériel d'écoute authentique qui les aidera à améliorer leurs compétences d’écoute,
Parler : l'accent sera mis sur la communication scientifique en
anglais, les étudiants développeront leurs compétences en art oratoire
à travers une variété d'activités via des présentations, des
discussions de groupe, des débats sur des questions scientifiques.
La partie pratique comprendra :
La traduction scientifique : Le cours combinera le travail de
traduction pratique avec l'utilisation d'une gamme de méthodologies et
d'outils pour l'exploitation et la gestion des ressources linguistiques
à des fins de traduction. L'élément de traduction pratique se
concentrera sur la traduction écrite, en anglais, de textes
scientifiquement complexes provenant des travaux de recherche
scientifiques en cours à l’université ; ceux-ci peuvent inclure des
extraits d'articles scientifiques, de brevets et de textes
scientifiques populaires. La composante intégrée de la technologie de
traduction inclura l'utilisation du Web comme ressource pour la
traduction. Les présentations orales : sur une base hebdomadaire, les
étudiants feront des présentations orales sur des questions
scientifiques spécifiques afin d'améliorer leurs compétences orales.
Les deux composantes du module seront organisées en deux parties :
Partie 1 : Anglais scientifique
Le cours sera divisé en deux parties.
La première partie se concentrera sur la grammaire et le vocabulaire scientifique.
Dans la deuxième partie, les étudiants liront les textes scientifiques anglais et discuteront de différents
sujets en utilisant le vocabulaire utilisé dans le jargon scientifique.
Partie 2 : Techniques de communication
Communication et développement personnel :
o L’écoute active, le questionnement et la reformulation
o Développement de l’assertivité
o Gestion du temps et des priorités
Conduite de réunions et animation de groupes
Atelier CV
MHACS
RETOUR
Dépliants des Formations
DEPLIANTS:
Licence:
Science des Données
Masters:
Science des Données et Aide à la Décision - Modélisation Hybride Avancée et Calcul Scientifique
Semestre
|
Numéro du Module :
|
Intitulé du Module
|
Intervenant
1
|
Intervenant
1
|
Durée
|
|
Semestre
1
|
|
350
|
S1
|
M1
|
Algorithmique 1
|
El kahoui M’hamed
|
Khalid EL Asnaoui
|
50
|
S1
|
M2
|
Algèbre 1
|
Brahim Sadik
|
Abdallah Chkifa
|
50
|
S1
|
M3
|
Analyse 1
|
Abderrahim Makki Naciri
|
Fayssal Benkhaldoun
|
50
|
S1
|
M4
|
Probabilités
|
Youssef Ouknine
|
Imade Fakhouri
|
50
|
S1
|
M5
|
Informatique 1
|
Khalid EL Asnaoui
|
El kahoui M’hamed
|
50
|
S1
|
M6
|
Statistiques
|
Idir Ouassou
|
Ikrame Chairi
|
50
|
S1
|
M7
|
Langue et Terminologie
|
Tina Liberto
|
Tina Liberto
|
50
|
|
Semestre
2
|
|
350
|
S2
|
M8
|
Algorithmique 2
|
Rushed Kanawati
|
Christophe Cerin
|
50
|
S2
|
M9
|
Algèbre 2
|
Fayssal Benkhaldoun
|
Imad El Mahi
|
50
|
S2
|
M10
|
Analyse 2
|
Imad El Mahi
|
Abderrahim Makki Naciri
|
50
|
S2
|
M11
|
Bases de données 1
|
Khalid EL Asnaoui
|
|
50
|
S2
|
M12
|
Introduction à l’analyse multicritère
|
|
|
50
|
S2
|
M13
|
Informatique 2 : Programmation Python
|
El kahoui M’hamed
|
Mohamed Boubekeur
|
50
|
S2
|
M14
|
Langue et technique de
communication
|
Tina Liberto
|
Tina Liberto
|
50
|
INSCRIPTION :
Envoyez vos dossiers par mail selon le cas à:
licence.donnees@um6p.ma pour la LICENCE SD (Science des Données)
master.donnees@um6p.ma pour le MASTER SDAD (Science des Données et Aide à la Décision, Formation Initiale)
master.mhacs@um6p.ma pour
le MASTER MHACS (Modélisation Hybride avancée et Calcul
Scientifique, Formation Initiale)
master.donnees@um6p.ma pour le MASTER SDAD Formation Executive
master.mhacs@um6p.ma pour
le MASTER MHACS Formation Executive
Dans tous les cas mettez en copie les adresses suivantes:
fayssal@math.univ-paris13.fr
fayssalgest@gmail.com
FRAIS DE SCOLARITE (*):
-
Frais d'inscription : 5000 Dhs
-
Frais d'études : Licence 65 000 Dhs/An ; Masters: 75 000 Dhs/An
-
(*) Possibilité d'octroi de bourse sur la base du mérite, de l'excellence et des conditions sociales
DOSSIER DE CANDIDATURE
-
Demande manuscrite et lettre de motivation;
-
Curriculum vitae et deux photo d'identité;
-
Copies des diplômes ou attestations de réussite;
-
Relevés des notes;
-
Photocopie de la C.N.I;
-
Deux lettres de recommandation (Pour les Masters)
PROCÉDURES DE SÉLECTION
-
Etude du dossier : Parcours du candidat (et plus particulièrement celui
de la Licence pour les Masters),
- Mentions, nombre d'années d'études, notes des matières
principales.
-
Test écrit
-
Sélection définitive : après entretien oral devant une commission de la formation.
DATES CLÉS
-
Inscription en ligne et dépôt électronique pour le Master MHACS (voir mails spécifiques dans les dépliants) avant le 15 septembre 2019.
-
Affichage de la liste des retenus après étude des dossiers: 22 septembre 2019.
-
Test écrit et entretien oral : du 27 au 28 septembre 2019.
-
Affichage des résultats: 01 Octobre 2019.
-
Démarrage des cours: 16 octobre 2019 (consulter le site web)