Complex Systems Ingeneering &  Human Systems



Programme Ingénierie des Systèmes Complexes et des Système Humains

FORMATIONS LICENCE ET MASTERS

================


LICENCE SCIENCE DES DONNEES / MASTER SCIENCE DES DONNEES ET AIDE A LA DECISION / MASTER MODELISATION HYBRIDE AVANCEE ET CALCUL SCIENTIFIQUE

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 (*):

DOSSIER DE CANDIDATURE

PROCÉDURES DE SÉLECTION

DATES CLÉS