EC 1 - Méthodes d'évaluation économique quantitative
Mention / Spécialité
Analyse et politique économique (APE)
Parcours
Statistique pour l'évaluation et la prévision (SEP)
Composante porteuse
UFR Sciences Economiques, Sociales et de Gestion
Intitulé de la matière
Méthodes d'évaluation économique quantitative
Intitulé de la matière en anglais
Quantitative Economic Valuation Methods
Répartition des heures d'enseignement
Présentiel |
Distanciel |
CM |
TD |
TP |
CM |
TD |
TP |
TE |
21 |
5 |
0 |
0 |
0 |
0 |
0 |
Description de l'enseignement
| Ce cours présente les méthodes utilisées lorsque l’on souhaite quantifier l’effet d’une mesure (mesure d'impact). Il vise à montrer comment l'ensemble des techniques disponibles aujourd'hui peuvent être utilisées pour identifier des relations causales (Modèle causal de Neyman-Rubin). On fera appel aux méthodes économétriques : moindres carrés, variables instrumentales, et soulignera la difficulté d'identifier les paramètres d'intérêt et l'importance du contexte d'observation. On explorera les problèmes posés par l'hétérogénéité inobservée, la simultanéité et les erreurs de mesure. On présentera les moyens de remédier à ces problèmes. On présente également de manière approfondie les méthodes d'appariement par score de propension. Les prérequis indispensables sont à la fois l'enseignement de modèles linéaires de M1 et celui de données de panel de M2. Le cours comprend des applications sur données réelles ainsi que des études de cas à l'aide des logiciels SAS et Rstudio (capacité à passer intégralement de l'un à l'autre).
Objectifs de l'enseignement
À l'issue de cet enseignement, les étudiants sauront : - Les différentes méthodes de mesure d'impact ; - Les avantages et inconvénients de chacune d'entre elles ; - Sauront les mettre en œuvre en vérifiant toutes leurs hypothèses.
Enseignant référent
- GAUTHERAT Emmanuelle
- emmanuelle.gautherat@univ-reims.fr
|
21 |
5 |
- |
- |
- |
- |
- |
EC 2 - Gestion des risques
Mention / Spécialité
Analyse et politique économique (APE)
Parcours
Statistique pour l'évaluation et la prévision (SEP)
Composante porteuse
UFR Sciences Economiques, Sociales et de Gestion
Intitulé de la matière
Gestion des risques
Intitulé de la matière en anglais
Risk management
Répartition des heures d'enseignement
Présentiel |
Distanciel |
CM |
TD |
TP |
CM |
TD |
TP |
TE |
10 |
5 |
0 |
0 |
0 |
0 |
0 |
Description de l'enseignement
| On aborde la gestion des risques à travers son contexte et les méthodes mathématiques sous-jacentes. Ce cours commence par une introduction aux différents types de produits financiers (actions, obligations, options, etc.), les différentes types de risques financiers associés et les dispositifs successifs (accords de Bâle) auxquelles les banques sont soumis pour maitriser ces risques, à partir d'un bilan (idéalisé) d'une banque commerciale. Ensuite on donne une introduction aux mesures de risques quantitatives qui sont utilisées, d'abord la valeur en risque, dont on discute les avantages et les inconvénients et ensuite le "expected shortfall" qui sera utilisé dans les nouvelles versions des accords de Bâle pour quantifier le risque de marché. On présentera également des différentes méthodes (estimation paramétrique et non-paramétrique) pour estimer ces deux quantités à partir de données réelles (suite temporelle de prix ou rendements). Le cours s'achève par une introduction aux derniers accord de Bâle qui tiennent compte du risque de liquidité, à la suite de la crise financière de 2007. Programme en Gestion des risques : Référentiel IFRS ; Risque de marché, de crédit, opérationnel et autres risques ; Risques spécifiques des instruments financiers complexes ; Les réformes du comité de Bâle (introduction) ; Techniques de VaR.
Objectifs de l'enseignement
| A l'issue de la partie portant sur la gestion des risques, les étudiants auront acquis les notions de finance relatives aux notions suivantes : - différents types d'investissement ; - la notion de "valeurs temps de l'argent" ; - les différentes risques financiers (risque de crédit, de marché, risque opérationnel mais aussi risque de liquidité et risque systémique) et leur importance pour le système bancaire ; - savoir comment (en principe) calculer la valeur-à-risque et le "expected shortfall" à partir de données réelles dans une situation simplifié (série temporelle de prix globale d'une portefeuille).
Enseignant référent
- GAUTHERAT Emmanuelle
- emmanuelle.gautherat@univ-reims.fr
|
10 |
5 |
- |
- |
- |
- |
- |
EC 1 - Ecosystèmes des données massives - Sécurisation des procédés
Mention / Spécialité
Analyse et politique économique (APE)
Parcours
Statistique pour l'évaluation et la prévision (SEP)
Composante porteuse
UFR Sciences Economiques, Sociales et de Gestion
Intitulé de la matière
Ecosystèmes des données massives - Sécurisation des procédés
Intitulé de la matière en anglais
Massive data ecosystems - Securing processes
Répartition des heures d'enseignement
Présentiel |
Distanciel |
CM |
TD |
TP |
CM |
TD |
TP |
TE |
15 |
5 |
0 |
0 |
0 |
0 |
0 |
Description de l'enseignement
Cet enseignement consiste à présenter et prendre en main les architecture de systèmes d'information adaptés au développement de projets de sciences des données, en fonction de la volumétrie de ceux-ci. En particulier, les principaux acteurs du cloud computing et les outils qu'ils proposent sont identifiés. L'accent est mis sur les aspects réglementaires à formaliser avant l'usage de ces ressources, ainsi que sur les potentiels risques (de fuite ou de souveraineté des données) relatifs à l'usage de ces ressources. Les points de vigilance entourant le stockage, la manipulation et le transfert de données sur des systèmes d'information complexes sont mis en avant. Des cas d'usage sont présentés, permettant de visualiser au moyen d'outils de cyber-sécurité ou d'administration des systèmes les flux d'information échangés au cours d'un projet. On note que la maitrise de ces outils N'est PAS une compétence visée par cet enseignement. Il s'agit ici de connaitre leur existence et d'évaluer l'impact des pratiques du data scientist de ce point de vue.
Objectifs de l'enseignement
Objectifs : - identifier les ressources matérielles et logicielles (systèmes d'information, cloud computing) usuellement utilisées pour des traitements de données massives ; - identifier les points de vigilance (techniques et juridiques) à examiner avant l'usage de ces ressources. Identifier des situations où l'usage de ces ressources n'est pas pertinent ; - sensibiliser aux enjeux de sécurisation des procédés afférents à l'usage de systèmes d'informations complexes (cloud computing ou autres), en mettant l'accent sur les points de vigilance qu'un usager non administrateur de ces ressources doit garder en tête. Cet enseignement N'est PAS un enseignement d'ingénierie des données : on NE vise PAS à former à l'administration de systèmes d'information pour les sciences des données.
Enseignant référent
- GAUTHERAT Emmanuelle
- emmanuelle.gautherat@univ-reims.fr
|
15 |
5 |
- |
- |
- |
- |
- |
EC 2 - Data-Mining 2
Mention / Spécialité
Analyse et politique économique (APE)
Parcours
Statistique pour l'évaluation et la prévision (SEP)
Composante porteuse
UFR Sciences Economiques, Sociales et de Gestion
Intitulé de la matière
Data-Mining 2
Intitulé de la matière en anglais
Data-Mining 2
Répartition des heures d'enseignement
Présentiel |
Distanciel |
CM |
TD |
TP |
CM |
TD |
TP |
TE |
18 |
0 |
0 |
0 |
0 |
0 |
0 |
Description de l'enseignement
Le Data Mining se base sur une articulation spécifique de différentes techniques statistiques. Un premier enseignement a été dispensé en première année de master. Il s'agit ici d'approfondir celui-ci. Ce cours vise à utiliser un panel de techniques statistiques - vues dans les autres enseignements y compris ceux relatifs à l'apprentissage- lors du processus de Data Mining, en particulier dans le cadre de grande dimension et de données massives. La mise en oeuvre de la démarche de data mining se fera en vue de l'obtention de scores. La mise en œuvre se fera à l’aide des logiciels SAS, R (tydiverse) et Python.
Objectifs de l'enseignement
Objectifs : - savoir identifier l'objectif à atteindre les moyens d'y parvenir en data mining ; - savoir expliquer clairement les choix mis en œuvre ; - savoir mettre en œuvre les techniques avec fluidité ; - savoir construire un score .
Enseignant référent
- GAUTHERAT Emmanuelle
- emmanuelle.gautherat@univ-reims.fr
|
18 |
- |
- |
- |
- |
- |
- |
EC 3 - Outils big data
Mention / Spécialité
Analyse et politique économique (APE)
Parcours
Statistique pour l'évaluation et la prévision (SEP)
Composante porteuse
UFR Sciences Economiques, Sociales et de Gestion
Intitulé de la matière
Outils big data
Intitulé de la matière en anglais
Big Data Tools
Répartition des heures d'enseignement
Présentiel |
Distanciel |
CM |
TD |
TP |
CM |
TD |
TP |
TE |
15 |
7 |
0 |
0 |
0 |
0 |
0 |
Description de l'enseignement
| Ce cours permet d’appréhender les les problématiques scientifiques et techniques inhérentes à la gestion (stockage, accès, cohérence…) de très grands volumes de données. Il pose comme prérequis d’avoir une expérience préalable ou des connaissances théoriques dans l’utilisation ou la gestion de bases de données relationnelles classiques (SQL). Ce cours aborde uniquement la problématique du stockage, la disponibilité et l’accès aux très grands volumes de données, il ne traite pas des problématiques du traitement (calculs) de ces données. En effet, la notion de Big Data se caractérise (entre autres) par le fait que la volumétrie des données traitées dépasse les capacités d’un unique ordinateur ou d’une unique source de stockage. Dès lors il est nécessaire d’intégrer le caractère distribué de la production, du stockage et de l’accès des données et de le mettre en regard avec les besoins de vitesse et de validité ou de cohérence d’une part, et des contraintes des modèles de représentation et leur possible évolution ou adaptation d’autre part. A travers l’analyse de l’incompatibilité du modèles classique ACID avec le théorème CAP on introduit le modèle sous-tendant les classes des bases de données NoSQL : BASE ainsi que les compromis et arbitrages qu’il nécessite entre notamment l’accessibilité et la cohérence des données. A partir de cette analyse de besoin de compromis, le cours abordera les grandes classes d’algorithmes et de structures de données permettant un accès efficace et fiable aux données dans un contexte réparti, de comprendre les optimisations possibles en cas de prééminence d’accès en lecture, en écriture ou par segmentation géographique ou encore en fonction de la criticité de certaines types de cohérence en fonction des applications visées. La dernière partie du cours abordera les optimisations possibles en termes de structuration des données (indexations, pré-calcul, jointures…) permettant d’éviter des goulots d’étranglement inévitables lorsque les requêtes d’accès aux données deviennent complexes. Ces optimisations seront notamment illustrés à travers de Map-Reduce et son implémentation spécifique dans MongoDB. Programme : Introduction, Data Science vs. Big Data, modèles de passage à l’échelle, rappel du modèle relationnel, limites du modèle relationnel, stockage distribué, théorème CAP, ACID vs. BASE Modèles de cohérence de données, protocoles de gestion de cohérence, protocoles de synchronisation Typologies de bases de données (Clé-valeur, Document, Colonne, Tuples), HDFS et Hadoop, MongoDB. Map-Reduce, principe général, design patterns, le cas des jointures Optimisation de requêtes, indexation, pré-calcul
Objectifs de l'enseignement
A l’issue du cours, les étudiants pourront évaluer les risques et les besoins techniques liées à la mise en place de solutions traitant de grandes volumétries de données à travers les ‘V’ du Big Data (Volume, Variété, Vitesse, Véracité, Valeur, Visualisation, Variabilité…).
Enseignant référent
- GAUTHERAT Emmanuelle
- emmanuelle.gautherat@univ-reims.fr
|
15 |
7 |
- |
- |
- |
- |
- |
EC 1 - Innovation digitale et transition écologique
Mention / Spécialité
Analyse et politique économique (APE)
Parcours
Statistique pour l'évaluation et la prévision (SEP)
Composante porteuse
UFR Sciences Economiques, Sociales et de Gestion
Intitulé de la matière
Innovation digitale et transition écologique
Intitulé de la matière en anglais
Digital innovation and ecological transition
Répartition des heures d'enseignement
Présentiel |
Distanciel |
CM |
TD |
TP |
CM |
TD |
TP |
TE |
15 |
9 |
0 |
0 |
0 |
0 |
0 |
Description de l'enseignement
| Cet enseignement est conçu pour permettre aux étudiants de saisir la place et le rôle des innovations numériques dans le contexte de la transition écologique, en tenant compte des diverses controverses qui émergent dans ce domaine. La première partie de ce cours se consacrera à l'étude du processus d'innovation. Il abordera des concepts fondamentaux liés à l'innovation, en adoptant une approche multiniveaux qui explore l'innovation tant au niveau macroéconomique qu'au niveau des régimes sociotechniques et des innovations de niches. La deuxième partie se concentrera sur l'innovation environnementale appliquée au domaine numérique. Elle englobera des thèmes tels que les innovations numériques et leur impact sur la consommation énergétique, les innovations numériques liées à la sobriété (par exemple, les technologies "Low tech"), les enjeux liés à la dématérialisation, les interactions entre l'économie circulaire et la technologie blockchain, ainsi que l'utilisation de l'intelligence artificielle. Le cours inclura des études de cas permettant aux apprenants de mieux comprendre le contexte dans lequel ces problématiques se déploient, à l'échelle tant européenne que française.
Objectifs de l'enseignement
| A l'issue du cours, les étudiants seront capables de : - définir et de comprendre les tenants et aboutissants de la transition écologique, en mettant en lumière le rôle central des innovations numériques ; - maitriser les concepts fondamentaux en matière d'innovation, notamment la diffusion de l'innovation, le cycle de vie de l'innovation, et le schéma d'innovation en S ; - d'analyser l'innovation sous un angle multiniveaux en explorant les dimensions macroéconomiques, les régimes sociotechniques, et les innovations de niches ; - évaluer l'impact environnemental des innovations numériques, notamment en ce qui concerne la consommation énergétique et la dématérialisation ; - comprendre les solutions de sobriété numérique (comme les technologies "Low tech"), ainsi que les liens entre l'économie circulaire et la blockchain dans un contexte d'innovation environnementale ; - connaitre et appréhender les applications de l'intelligence artificielle pour soutenir la transition écologique ; - contextualiser les concepts enseignés et les enjeux réels à l'échelle européenne et française.
Enseignant référent
- GAUTHERAT Emmanuelle
- emmanuelle.gautherat@univ-reims.fr
|
15 |
9 |
- |
- |
- |
- |
- |
EC 2 - Apprentissage non-supervisé
Mention / Spécialité
Analyse et politique économique (APE)
Parcours
Statistique pour l'évaluation et la prévision (SEP)
Composante porteuse
UFR Sciences Economiques, Sociales et de Gestion
Intitulé de la matière
Apprentissage non-supervisé
Intitulé de la matière en anglais
Unsupervised learning
Répartition des heures d'enseignement
Présentiel |
Distanciel |
CM |
TD |
TP |
CM |
TD |
TP |
TE |
15 |
15 |
0 |
0 |
0 |
0 |
0 |
Description de l'enseignement
Ce programme d'enseignement offre aux étudiants l'opportunité d'explorer en profondeur l'apprentissage non supervisé, tout en leur fournissant les compétences nécessaires pour appliquer ces techniques dans un contexte professionnel et académique. L'apprentissage non supervisé est une branche essentielle du Machine Learning qui s'intéresse aux données non étiquetées. Les sujets abordés englobent le clustering, l'extraction de règles d'association, et l'analyse de données liées. En outre, une attention particulière est portée à l'intégration de ces méthodes dans un workflow complet d'analyse, ainsi qu'à la présentation visuelle des résultats.
Programme d'Enseignement : I. Contexte, problématique et workflow en machine learning Ce module fournit une introduction au contexte et aux problématiques de l'apprentissage non supervisé. Les étudiants apprendront à concevoir un workflow complet pour l'analyse de données non supervisée, en mettant en évidence les différentes étapes, de la collecte des données à la présentation des résultats. II. Clustering et Analyse de Données Ce module explore en profondeur les techniques de clustering et d'analyse de données liées. a. Clustering (k-means, CAH) : Les étudiants étudieront les méthodes de clustering, notamment les algorithmes k-means et l'analyse en composantes principales hiérarchique (CAH), pour regrouper des données similaires ; b. Clustering par Modèles de Mélanges Gaussiens, Algorithme EM (Expectation-Maximisation) ; c. Extraction de Règles d'Association (A priori : système de recommandation) : Les étudiants exploreront les méthodes d'extraction de règles d'association, en mettant l'accent sur l'algorithme A priori ; d. Modèles génératifs.
Objectifs de l'enseignement
Les objectifs principaux de ce module sont : - de former à une démarche globale d'apprentissage ; - de maîtriser à la fois l'usage et les aspects théoriques d'une sélection d'algorithmes emblématiques pour le clustering, l'extraction de règles d'association ; - évaluation de la qualité des résultats des méthodes d'apprentissage (méta paramètres) ; - capacité à choisir un algorithme avec une mise en surplomb.
Enseignant référent
- GAUTHERAT Emmanuelle
- emmanuelle.gautherat@univ-reims.fr
|
15 |
15 |
- |
- |
- |
- |
- |
EC 3 - Apprentissage supervisé - Deep Learning
Mention / Spécialité
Analyse et politique économique (APE)
Parcours
Statistique pour l'évaluation et la prévision (SEP)
Composante porteuse
UFR Sciences Economiques, Sociales et de Gestion
Intitulé de la matière
Apprentissage supervisé - Deep Learning
Intitulé de la matière en anglais
Supervised learning - Deep learning
Répartition des heures d'enseignement
Présentiel |
Distanciel |
CM |
TD |
TP |
CM |
TD |
TP |
TE |
15 |
15 |
0 |
0 |
0 |
0 |
0 |
Description de l'enseignement
Cet enseignement présente les méthodes de machine learning et deep learning en classification supervisée et en scoring. Il présentera les méthodes permettant d'expliquer l'importance et les contributions des variables (approches tests et empiriques selon les méthodes utilisées), avec le programme suivant : - Classification binaire et multi-groupe par régression logistique ; - Analyse discriminante linéaire et quadratique pour la classification ; - Classificateur K-plus proches voisins ; - Méthodes de sélection de modèles de classification ; - Classification en grande dimension : Modèles de classification pénalisés (Lasso, ridge, Group-lasso …) ; - Principes du LSTM ; - Les machines à vecteurs de support (SVM) ; - Apprentissage profond : Modèles de réseaux de neurones pour la régression et la classification ; - Modèles de scoring (Régression logistique, Modèles Lasso et Ridge, SVM, Adaboost, Forêts aléatoires, réseaux de neurones) ; - Réseaux de neurones multicouche (deep learning) sur données structurées.
Objectifs de l'enseignement
Ce cours vise à construire les différentes techniques de machine learning en classification supervisée et scoring, en particulier, en grande dimension et dans le cadre de données massives. La mise en œuvre des différentes techniques explorées se fera à l’aide du logiciel R/Python.
Enseignant référent
- GAUTHERAT Emmanuelle
- emmanuelle.gautherat@univ-reims.fr
|
15 |
15 |
- |
- |
- |
- |
- |
EC 4 - Traitement du langage naturel (NLP - Natural Language Processing)
Mention / Spécialité
Analyse et politique économique (APE)
Parcours
Statistique pour l'évaluation et la prévision (SEP)
Composante porteuse
UFR Sciences Economiques, Sociales et de Gestion
Intitulé de la matière
Traitement du langage naturel (NLP - Natural Language Processing)
Intitulé de la matière en anglais
Natural Language Processing (NLP)
Répartition des heures d'enseignement
Présentiel |
Distanciel |
CM |
TD |
TP |
CM |
TD |
TP |
TE |
21 |
4 |
0 |
0 |
0 |
0 |
0 |
Description de l'enseignement
Les données non structurées issues du langage sont omniprésentes et disponibles via des canaux très divers : mails, appels téléphoniques, visio, réunions, avis, commentaires, etc.) . Ces données demandent à être utilisées avec pertinence. Les progrès en deep learning ont permis de rendre plus accessible l'exploitation des données voix et texte. Programme : I. Introduction . Applications du Traitement automatique des langues (TAL) . Pourquoi le TAL est difficile ? II. Approches classiques . Stemming . Part of Speech tagging (semantics) . Named Entity, recognition . Ontologie / FCA . Quelques disgressions sur l'analyse de documents : sens de lecture / traduction automatique / synthèse de documents / recherche d'information / questions réponses / génération à partir de données III. Large Language Model (LLMs) . Word embeddings non contextuels . Modèle Transformer-based, principe de construction et apprentissage . Réseaux spécalisés, prompting, principe de construction et apprentissage . Joint embeddings pour la traduction automatique et/ou le texte, l'image et la vidéo. III Biais d'apprentissage
Objectifs de l'enseignement
| Cet enseignement vous apprendra à : - comprendre à quoi peuvent s'appliquer le TAL ; - comprendre où réside la difficulté ; - connaitre les étapes par lesquelles il faut passer pour construire ces analyses.
Enseignant référent
- GAUTHERAT Emmanuelle
- emmanuelle.gautherat@univ-reims.fr
|
21 |
4 |
- |
- |
- |
- |
- |
EC 5 - Séries temporelles et économétrie de panel - Statistical Analysis Système (SAS) - Management de projets digitaux
Mention / Spécialité
Analyse et politique économique (APE)
Parcours
Statistique pour l'évaluation et la prévision (SEP)
Composante porteuse
UFR Sciences Economiques, Sociales et de Gestion
Intitulé de la matière
Séries temporelles et économétrie de panel - Statistical Analysis Système (SAS) - Management de projets digitaux
Intitulé de la matière en anglais
Time series and panel econometrics - Statistical Analysis System (SAS) - Digital project managemen
Répartition des heures d'enseignement
Présentiel |
Distanciel |
CM |
TD |
TP |
CM |
TD |
TP |
TE |
55 |
15 |
0 |
0 |
0 |
0 |
0 |
Description de l'enseignement
Cet enseignement vise à présenter deux domaines d’applications spécifiques des méthodes statistiques probabilistes et économiques ainsi que deux supports méthodologiques. Le premier présente différents modèles usités dans le cas de données chronologiques. Ces modèles permettent de lever les effets dus aux saisons, WE, etc., ainsi que de prévoir l’«avenir» de la suite chronologique. L’enseignement sera illustré par de nombreux exemples et sera mis en œuvre à l’aide du logiciel SAS. Le second domaine porte sur l'économétrie de panel. Il s'agit toujours ici de modéliser des situations dans un cadre temporel, mais lorsque les observations sont suivies au cours du temps sur plusieurs individus. Le premier chapitre contient les rappels nécessaires sur le modèle linéaire standard et une présentation des modèles de panel. Nous discutons les avantages des données de panel liés au traitement partiellement des effets individuels inobservables et son usage par rapport aux séries temporelles. Il permet de relier l’économétrie des panels aux méthodes habituelles. Le second chapitre porte sur la décomposition des données dans les dimensions inter et intra individuelles, et sur les méthodes d’estimation qui y sont associées (Double différences et évaluation d’impact, MCO sur les données empilés, l’estimateur à effets fixes, en différences premières, et à effets aléatoires). Nous discutons et comparons les avantages et inconvénients de chacune des méthodes et les tests usuels de spécification, qui permettent de confirmer les choix d’estimation. Plusieurs exemples économiques illustrent la pertinence des modèles et des méthodes d'estimation décrits. Deux applications sur les données de panel (traitées et publiés) en sciences économiques avec l’aide de logiciel SAS et R permettront aux étudiants de pratiquer et mieux comprendre les méthodes des données de panel. La troisième partie porte sur un approfondissement de l'enseignement de SAS avec une pédagogie fondée sur l'ensemble des réponses que l'on doit apporter face à une base de données. Après quelques rappels (SAS Base et SQL), on étudiera les macros SAS en profondeur. La dernière partie consiste à renforcer les méthodes de management de projet digitaux collaboratifs enseignées en première année de master. L'ensemble de ces enseignements est évalué par projet sur données réelles.
Objectifs de l'enseignement
Acquérir les compétences et pratiques professionnelles décloisonnées pour mener à bien des projets digitaux dans le cadre de données dynamiques.
Enseignant référent
- GAUTHERAT Emmanuelle
- emmanuelle.gautherat@univ-reims.fr
|
55 |
15 |
- |
- |
- |
- |
- |
EC 1 - English for Statistics II
Mention / Spécialité
Analyse et politique économique (APE)
Parcours
Statistique pour l'évaluation et la prévision (SEP)
Composante porteuse
UFR Sciences Economiques, Sociales et de Gestion
Intitulé de la matière
English for Statistics II
Intitulé de la matière en anglais
English
Répartition des heures d'enseignement
Présentiel |
Distanciel |
CM |
TD |
TP |
CM |
TD |
TP |
TE |
0 |
20 |
0 |
0 |
0 |
0 |
0 |
Description de l'enseignement
The English course on statistics and forecasting aims to provide students with a comprehensive understanding of statistical methods and their application in forecasting future events. As such , the course provides tools to understand such contexts in English and help provide students with the ability to do so themselves in an academic way.
Objectifs de l'enseignement
Objectives: The linguistic objectives of an English course on statistics and forecasting will include: 1) Developing specialized vocabulary: students will learn and become familiar with the specific terminology related to statistics and forecasting in English. This includes understanding and using technical terms and concepts accurately. 2) Improving technical writing skills: the purpose is to enhance the students' ability to write clearly and effectively about their field of study. 3) Enhancing communication skills: to participate in discussions, presentations and debates so as to articulate their ideas and engage in meaningful discourse.
Overall the linguistic obkectives of this English course are geared towards equipping the students with the language skills necessary to effectively communicate and engage with the specialized content of statistics and forecasting in English.
Enseignant référent
- GAUTHERAT Emmanuelle
- emmanuelle.gautherat@univ-reims.fr
|
- |
20 |
- |
- |
- |
- |
- |
EC 1 - Implication dans la vie étudiante, projet terrain ou de recherche / Débats et conférences sur la société et les processus digitaux / Technique de recherche d'emploi et stage
Mention / Spécialité
Analyse et politique économique (APE)
Parcours
Statistique pour l'évaluation et la prévision (SEP)
Composante porteuse
UFR Sciences Economiques, Sociales et de Gestion
Intitulé de la matière
Implication dans la vie étudiante, projet terrain ou de recherche / Débats et conférences sur la société et les processus digitaux / Technique de recherche d'emploi et stage
Intitulé de la matière en anglais
Involvement in student life, field or research project / Debates and conferences on society and digital processes / Job search technique and internship
Répartition des heures d'enseignement
Présentiel |
Distanciel |
CM |
TD |
TP |
CM |
TD |
TP |
TE |
50 |
0 |
0 |
0 |
0 |
0 |
0 |
Description de l'enseignement
| Cet enseignement se scinde en 3 parties. 1/ La 1ère partie est relative à des travaux étudiants Les postes occupés par les étudiants issus des parcours suivant cet enseignement sont, par nature,en relation permanente avec une multitude de professionnels, eux-même issus de domaines très variés. Nos futurs professionnels doivent apprendre à faire preuve de capacité d’écoute et de travail en groupe, et de capacité de propositions. Ce module permet de mettre en avant les capacités de création, d’ouverture au monde les environnant et la construction de projets. Ainsi, on offre ici la possibilité, créditée par des ECTS, de s’impliquer dans la vie universitaire qu’elle soit de nature associative, personnelle ou de recherche. Par ailleurs, cette implication permet la mise en action de conduite de projet. Chaque étudiant devra faire face à des impératifs de calendriers souvent présents dans le monde professionnel et académique. Ainsi il devra présenter la mission sur laquelle il désire s’investir, en groupe ou seul, et argumenter sur les qualités ou les expériences antérieures qui lui donnent à penser d’être à même de la mener à bien. Il présentera également un plan de travail et un rétro-planning en tout début d’année. Lors d’une soutenance orale à l’issue du semestre il exposera l’avancée de son travail et le respect du retro-planning, et présentera par écrit et lors de cette soutenance publique le résultat final. Programme : Elaboration des missions ; Construction des retro-plannings ; Rapports d’étapes et regards croisés. La deuxième partie consiste à se placer en surplomb des enseignements de statistique reçus, par le biais de conférences de professionnels et de chercheurs, La troisième partie de cet enseignement expose les différentes étapes nécessaires à une démarche méthodique et productive : de l'obtention d'un stage professionnel à sa réalisation et à la recherche d'un emploi. La quête de stages et d'emplois est fréquemment source d'anxiété pour les étudiants, même lorsque le secteur d'études est porteur, comme c'est le cas pour la formation SEP. De plus, la formation en statistique ouvre les portes à une variété de secteurs professionnels, ce qui nécessite une clarification. Cet accompagnement, qui comprend un soutien matériel et une préparation rigoureuse à la recherche de stages, se concrétise par des exercices visant à maîtriser les techniques de communication écrite et orale. De plus, il aide les étudiants à identifier l'ensemble des ressources disponibles dans les domaines de la statistique et de la statistique économique. Ces démarches permettent aux étudiants de gagner en assurance et de mener avec succès des entretiens avec les diverses entités correspondant à leurs centres d'intérêt. En outre, le contenu attendu pour le rapport de stage, son support, et les attentes pour la soutenance de stage sont également exposés en détail.
Objectifs de l'enseignement
| L'objectif de cet enseignement est : - d'acquérir une autonomie dans le cheminement professionnel de l'étudiant - de savoir se fixer seul des objectifs et les atteindre - de savoir travailler hors du contexte scolaire avec des prises de contact avec plusieurs autres organismes ou institutions - savoir mettre en œuvre un réseau - savoir communiquer - savoir monter un projet appliqué ou académique (recherche) - de disposer d'une culture forte en Data science appliquée
Enseignant référent
- GAUTHERAT Emmanuelle
- emmanuelle.gautherat@univ-reims.fr
|
50 |
- |
- |
- |
- |
- |
- |
Total semestre |
250 |
100 |
- |
- |
- |
- |
- |