CM: 18
TD: 15
TP: 3
Total: 36

Appréhender des problèmes qui se caractérisent par des phénomènes aléatoires
Déterminer le comportement moyen d’un phénomène sur un grand nombre d’expériences
Estimer les paramètres d’une population statistique à partir d’un échantillon de données (estimation ponctuelle et par intervalle de confiance)
Mettre en œuvre un test statistique pour valider ou non une hypothèse relative à une population
Calculer un risque dans une procédure de contrôle (production, qualité, sûreté de fonctionnement,...)

Notions de probabilités conditionnelles et d’événements indépendants
Principaux indicateurs de variables aléatoires (espérance, variance, corrélation, ...)
Loi de probabilité (continue, discrète) et distributions et Théorème central limite
Notions d’échantillon, de population et d’inférence statistique
Estimation ponctuelle et intervalles de confiance
Tests statistiques ; estimation, comparaison, adéquation, indépendance et plan d’expérience et évaluation du risque

Simulation des variables aléatoires et études de leurs propriétés.
Identification de la loi (distribution) d'un jeu de données et applications des théorèmes de convergence (TCL et Loi des grand nombres).
Résumés univariés d'un jeu de données: Calcule des tendances centrales et des indicateurs de dispersion.
Calcul des estimateurs, Intervalles de confiance et introduction aux tests statistiques sur des données réelles.

Mobiliser les sciences fondamentales pour résoudre un problème scientifique
Identifier, modéliser, optimiser et résoudre des problèmes à l’aide des méthodes et outils de l'ingénieur
Développer une démarche expérimentale analytique et synthétique en étant conscient des limites et des contraintes

CM: 21
TD: 6
TP: 21
Total: 48

Comprendre la composition interne d’un ordinateur, les rôles des éléments principaux qui le constituent, la représentation et l’échange d’informations entre les différents composants
Utiliser un tableur pour effectuer un traitement et analyse avancée
Développer des macros en Visual basic pour automatiser l’utilisation des outils de bureautique
Avoir une démarche structurée de programmation pour la résolution de problème
Construire des algorithmes en pseudo‐langage à partir de spécifications et transcrire un algorithme écrit en pseudo langage en un programme procédural ou orienté objet

Environnement informatique
Système d’exploitation
Excel avancé
Structure de données non linéaires (arbres, graphes, ..) - biblio Networkx
Programmation Orientée Objet Python
Introduction au traitement de données avec Python (openpyxl, numpy, Pandas,Matplotlib, …)

Excel avancé
Système d’exploitation Windows
Excel/VBA/openpyxl
Classes et objets

Mobiliser les sciences fondamentales pour résoudre un problème scientifique
Identifier, modéliser, optimiser et résoudre des problèmes à l’aide des méthodes et outils de l'ingénieur
Développer une démarche expérimentale analytique et synthétique en étant conscient des limites et des contraintes
Concevoir, concrétiser, tester et valider des solutions, des méthodes, des technologies, des systèmes, des produits et des services innovants

CM: 15
TD: 15
TP: 6
Total: 36

Appliquer les méthodes numériques de base
Mettre en œuvre des méthodes itératives, de gérer leurs critères d’arrêt le cas échéant, de diagnostiquer des résolutions défaillantes et de prendre les mesures nécessaires
Choisir et mettre en œuvre une méthode numérique pour la résolution d'un problème et le cas échéant, de savoir adapter la méthode à l’application (en particulier être capable de régler ses paramètres)
Gérer les compromis entre précision, complexité de résolution, temps de calcul, complexité de mise en œuvre
Résoudre des problèmes complexes nécessitant la combinaison de plusieurs méthodes numériques de base

Approximation Interpolation et extrapolation
Résolution numérique des équations et des systèmes linéaires et non linéaires
Résolution numérique pour l’intégration et la dérivation
Résolution numérique des équations différentielles (ordinaires et dérivées partielles).
Typologie des équations et des conditions aux limites, différences finies, éléments finis.

Mobiliser les sciences fondamentales pour résoudre un problème scientifique
Identifier, modéliser, optimiser et résoudre des problèmes à l’aide des méthodes et outils de l'ingénieur
Développer une démarche expérimentale analytique et synthétique en étant conscient des limites et des contraintes
Concevoir, concrétiser, tester et valider des solutions, des méthodes, des technologies, des systèmes, des produits et des services innovants

CM: 18
TD: 9
TP: 9
Total: 36

Identifier les problèmes d’optimisation
Concevoir une modélisation mathématiquement des problèmes d’optimisation
Appliquer des méthodes de résolution de programmes linéaires
Programmer des algorithmes d'optimisation pour des problèmes non-linéaires
Développer des systèmes d’aide à la décision (DSS) organisés autour d’un solveur

Méthodes de résolution géométrique et algébrique des problèmes linéaires
Méthode simplexe à une et deux phases et méthode Big M
Dualité. Programmes linéaires en nombres entiers. Linéarisation
Modélisation linéaire des problèmes d'optimisation dans les graphes
Les grands modèles classiques de l'optimisation linéaire
Introduction à l’optimisation non linéaire

Solveur OR-Tools avec l'environnement Python et la bibliothèque Openpyxl
Les problèmes de mélange et les problèmes de planificaion de la production
Problèmes d’affectation, de chargement et de découpe
Graphes, réseaux et problèmes de transport

Mobiliser les sciences fondamentales pour résoudre un problème scientifique
Identifier, modéliser, optimiser et résoudre des problèmes à l’aide des méthodes et outils de l'ingénieur

CM: 7.5
TD: 7.5
TP: 9
Total: 24

Admnistrer dans le domaine temporel et caractériser dans le domaine spectral différents modèles de signaux et systèmes
Comprendre l’échantillonnage d’un signal analogique et la reconstitution d’un signal numérique et effectuer une analyse spectrale.
Conduire une analyse spectrale pertinente et analyser les réponses fréquentielles et temporelles d’un système dynamique.
Concevoir des filtres linéaires analogiques et numériques à partir d'un cahier de charges exprimé dans le domaine fréquentiel.
Caractériser un signal aléatoire en utilisant les méthodes d’analyse spectrale

Généralités sur les signaux et les systèmes
Systèmes linéaires invariants dans le temps
Analyse de Fourier des signaux et systèmes à temps continu
Analyse de Fourier des signaux et systèmes à temps discret
Numérisation des signaux analogiques
Analyse des signaux aléatoires

Représentation et propriétés des signaux et systèmes
Analyse fréquentielle de signaux deterministes
Analyse fréquentielle de signaux aléatoires

Mobiliser les sciences fondamentales pour résoudre un problème scientifique
Identifier, modéliser, optimiser et résoudre des problèmes à l’aide des méthodes et outils de l'ingénieur
Développer une démarche expérimentale analytique et synthétique en étant conscient des limites et des contraintes
Concevoir, concrétiser, tester et valider des solutions, des méthodes, des technologies, des systèmes, des produits et des services innovants

CM: 9
TD: 7.5
TP: 7.5
Total: 24

Prédire une variable quantitative à partir de plusieurs mesures quantitatives en fournissant une preuve statistique de la pertinence de la prédiction.
Visualiser des données multidimensionnelles en conservant le maximum d’information
Réaliser des statistiques descriptives sur des données multidimensionnelles classées dans des groupes différents.
Réaliser un apprentissage automatique supervisé pour reconnaître des formes et faire des classements sur des données multidimensionnelles.
Réaliser un apprentissage automatique non-supervisé pour structurer les données multidimensionnelles.

Régression linéaire multiple : le modèle général avec le test de FIsher et le test de Student
Analyse en Composantes Principales
Analyse Factorielle Discriminante (AFD)
Analyse Discriminante Décisionnelle et Prédictive (Scoring)
Classification non supervisée (Clustering)

Régression Linéaire en Python avec Numpy, Sklearn et Statsmodels
ACP en Python avec Numpy et Sklearn
AFD descriptive et prédictive en Python avec Numpy et Sklearn
K-means en Python avec Numpy et Sklearn

Mobiliser les sciences fondamentales pour résoudre un problème scientifique
Identifier, modéliser, optimiser et résoudre des problèmes à l’aide des méthodes et outils de l'ingénieur
Concevoir, concrétiser, tester et valider des solutions, des méthodes, des technologies, des systèmes, des produits et des services innovants

CM: 3
TD: 9
TP: 12
Total: 24

Choisir l’outil adapté pour gérer des données.
Comprendre les bases de données et le fonctionnement des SGBD.
Concevoir une base de données en partant d’un cahier de charge simplifié.
Interroger une base de données à l’aide du lagunage SQL.
Créer une application en manipulant une BD avec une interface graphique.

Limite d’utilisation des fichiers 
Généralités sur la base de données 
Le modèle relationnel (MCD, MLD) 
Présentation des outils SGBD 
Introduction au lagunage SQL ;
Découverte et création application PHP/MYSQL ou VB Access 

Mobiliser les sciences fondamentales pour résoudre un problème scientifique
Identifier, modéliser, optimiser et résoudre des problèmes à l’aide des méthodes et outils de l'ingénieur
Développer une démarche expérimentale analytique et synthétique en étant conscient des limites et des contraintes
Concevoir, concrétiser, tester et valider des solutions, des méthodes, des technologies, des systèmes, des produits et des services innovants