EC 1 - Modélisation 2
Mention / Spécialité
Mathématiques et applications (MA)
Parcours
Calcul scientifique
Composante porteuse
UFR Sciences Exactes et Naturelles
Intitulé de la matière
Modélisation 2
Intitulé de la matière en anglais
Mathematical modeling 2
Répartition des heures d'enseignement
Présentiel |
Distanciel |
CM |
TD |
TP |
CM |
TD |
TP |
TE |
20 |
20 |
0 |
0 |
0 |
0 |
0 |
Description de l'enseignement
L'objectif est de présenter quelques modèles mathématiques se fondant sur des équations aux dérivées partielles. On s'intéressera à la modélisation de phénomènes tels que la dynamique des fluides et des gaz, la propagation dans des fibres optiques, la diffusion de la chaleur, et/ou l'évolution du trafic routier.
Enseignement dispensé en
Objectifs de l'enseignement
Étude de modèles généraux intervenant en mathématiques appliquées.
Enseignant référent
- DI MENZA Laurent
- laurent.di-menza@univ-reims.fr
|
20 |
20 |
- |
- |
- |
- |
- |
EC 2 - MEF & Problèmes Inverses
Mention / Spécialité
Mathématiques et applications (MA)
Parcours
Calcul scientifique
Composante porteuse
UFR Sciences Exactes et Naturelles
Intitulé de la matière
MEF & Problèmes Inverses
Intitulé de la matière en anglais
Finite Element Method (FEM) & Inverse Problems
Répartition des heures d'enseignement
Présentiel |
Distanciel |
CM |
TD |
TP |
CM |
TD |
TP |
TE |
24 |
16 |
10 |
0 |
0 |
0 |
0 |
Description de l'enseignement
Compléments pour la Méthode des Eléments Finis : formulations mixtes, calcul de valeurs propres, discrétisation de problèmes instationnaires. Applications en mécanique des solides et mécanique des fluides. Problèmes Inverses..
Enseignement dispensé en
Objectifs de l'enseignement
Discrétisation de modèles mathématiques par les méthodes de différences finies, de volumes finis, des éléments finis. Problèmes Inverses.
Enseignant référent
- LOHRENGEL-LEFEVRE Stephanie
- stephanie.lohrengel-lefevre@univ-reims.fr
|
24 |
16 |
10 |
- |
- |
- |
- |
EC 1 - Outils big data
Mention / Spécialité
Mathématiques et applications (MA)
Parcours
Calcul scientifique
Composante porteuse
UFR Sciences Exactes et Naturelles
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 |
10 |
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
Enseignement dispensé en
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 |
10 |
- |
- |
- |
- |
- |
EC 2 - Apprentissage supervisé - Deep Learning
Mention / Spécialité
Mathématiques et applications (MA)
Parcours
Calcul scientifique
Composante porteuse
UFR Sciences Exactes et Naturelles
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.
Enseignement dispensé en
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 1 - Calcul Scientifique
Mention / Spécialité
Mathématiques et applications (MA)
Parcours
Calcul scientifique
Composante porteuse
UFR Sciences Exactes et Naturelles
Intitulé de la matière
Calcul Scientifique
Intitulé de la matière en anglais
Scientific Computing
Répartition des heures d'enseignement
Présentiel |
Distanciel |
CM |
TD |
TP |
CM |
TD |
TP |
TE |
24 |
0 |
18 |
0 |
0 |
0 |
0 |
Description de l'enseignement
Approfondissement des Langages C et C++: compilation séparée, débogage, tableaux dynamiques multi-dimensionnels, passage de paramètres par référence; initiation à la programmation objet. Stockage et résolution des grands systèmes linéaires (pleins ou creux); Intégration de librairies numériques d'algèbre linéaire (CBLAS/LAPACK/…). Optimisation de codes. Algorithmique parallèle à mémoire partagée; mise en œoeuvre sous OpenMP. Initiation à programmation GPU en OpenMP Target. Langage Fortran (sous-programmes, programmation modulaire, types dérivés).
Enseignement dispensé en
Objectifs de l'enseignement
Développement de grands codes efficients pour le calcul scientifique.
Enseignant référent
- LEFEVRE Francois
- francois.lefevre@univ-reims.fr
|
24 |
- |
18 |
- |
- |
- |
- |
EC 1 - Traitement du signal
Mention / Spécialité
Mathématiques et applications (MA)
Parcours
Calcul scientifique
Composante porteuse
UFR Sciences Exactes et Naturelles
Intitulé de la matière
Traitement du signal
Intitulé de la matière en anglais
Signal processing
Répartition des heures d'enseignement
Présentiel |
Distanciel |
CM |
TD |
TP |
CM |
TD |
TP |
TE |
10 |
8 |
8 |
0 |
0 |
0 |
0 |
Description de l'enseignement
1. Aspects généraux du traitement numérique du signal. Signaux et Systèmes discrets déterministes. 2. Transformée de Fourier discrète et rapide (1D, 2D), Transformée en Z, Convolution (1D,2D), Corrélation. 3. Filtres numériques : Filtres non récursifs (RIF) et récursifs (RII), exemples 4. Analyse des filtres RIF et RII 5. Synthèse des filtres numériques non récursifs : Filtres à Phase Linéaire, Méthode du Fenêtrage, Echantillonnage en Fréquence 6. Synthèse des filtres numériques récursifs: Invariance Impulsionnelle, Transformation d'Euler, Transformation Bilinéaire
Notion de bruit, Echantillonnage et Quantification
Enseignement dispensé en
Objectifs de l'enseignement
Introduire la théorie et les outils nécessaires à l'étude des signaux et systèmes discrets déterministes ou stochastiques. Des exemples et travaux pratiques permettront de mettre en oeuvre les connaissances acquises.
Enseignant référent
- KEZIOU Amor
- AMor.keziou@univ-reims.fr
|
10 |
8 |
8 |
- |
- |
- |
- |
EC 2 - Introduction au traitement d’images
Mention / Spécialité
Mathématiques et applications (MA)
Parcours
Calcul scientifique
Composante porteuse
UFR Sciences Exactes et Naturelles
Intitulé de la matière
Introduction au traitement d’images
Intitulé de la matière en anglais
An introduction to image processing
Répartition des heures d'enseignement
Présentiel |
Distanciel |
CM |
TD |
TP |
CM |
TD |
TP |
TE |
8 |
8 |
10 |
0 |
0 |
0 |
0 |
Description de l'enseignement
Acquisition et caractéristiques des images numériques (histogramme, propriétés spatiales, connexité, propriétés liées à l’'intensité, notion de bruit); • Prétraitement : statistiques et débruitage ; anamorphose et filtrage linéaire et non linéaire (gaussien discret, binomial, filtre médian …), transformée de Fourier et filtrage fréquentiel; • Restitution et comparaison : morphologie mathématique binaire et niveaux de gris; • Géométrie et topologie discrètes : approches cartésiennes, graphes, et modèles simpliciaux ; notions de transformations digitales topologiquement invariantes • Segmentation; • Approche contours (level-sets); • Approche régions (watershed, croissance de régions, split and merge); • Méthodes d'optimisation (Random walkers, graph cuts, approches markoviennes, FCM, ...); • Approches hiérarchiques : arbres de coupes, arbres de formes, arbres binaires de partitions;
Enseignement dispensé en
Objectifs de l'enseignement
L'objectif de ce cours est d'acquérir les notions fondamentales et les principes de bases pour l'étude, l'analyse et le traitement des images numériques.
Enseignant référent
- PASSAT Nicolas
- nicolas.passat@univ-reims.fr
|
8 |
8 |
10 |
- |
- |
- |
- |
EC 1 - Ateliers logiciels Scientifiques
Mention / Spécialité
Mathématiques et applications (MA)
Parcours
Calcul scientifique
Composante porteuse
UFR Sciences Exactes et Naturelles
Intitulé de la matière
Ateliers logiciels Scientifiques
Intitulé de la matière en anglais
Scientific software workshops
Répartition des heures d'enseignement
Présentiel |
Distanciel |
CM |
TD |
TP |
CM |
TD |
TP |
TE |
0 |
20 |
12 |
0 |
0 |
0 |
0 |
Description de l'enseignement
Progiciels métiers éléments finis Simulia-Abaqus ; Optimisation de forme et de matière ; Intégration CAO-Calculs ; Intervention de conférenciers professionnels ;
Enseignement dispensé en
Objectifs de l'enseignement
Maîtriser des progiciels éléments finis.
Enseignant référent
- ABBES Boussad
- boussad.abbes@univ-reims.fr
|
- |
20 |
12 |
- |
- |
- |
- |
EC 2 - Anglais
Mention / Spécialité
Mathématiques et applications (MA)
Parcours
Calcul scientifique
Composante porteuse
UFR Sciences Exactes et Naturelles
Intitulé de la matière
Anglais
Intitulé de la matière en anglais
English
Répartition des heures d'enseignement
Présentiel |
Distanciel |
CM |
TD |
TP |
CM |
TD |
TP |
TE |
0 |
12 |
0 |
0 |
0 |
0 |
0 |
Description de l'enseignement
- Analyse de son parcours universitaire et de ses compétences : forces, faiblesses, objectifs à atteindre, etc. - Élaboration d’un dossier de candidature : recherche et analyse d’une offre d’emploi réellement publiée, étude et élaboration du CV vidéo et/ou papier et d’une lettre de motivation en fonction de l’offre - Entraînement à l’entretien d’embauche en anglais : réponses aux questions fréquemment posées (le fond et la forme), jeu de rôles
Enseignement dispensé en
Objectifs de l'enseignement
Consolider ses connaissances de l’anglais technique et professionnel.
Enseignant référent
- BELLECAVE Helene
- helene.bellecave@univ-reims.fr
|
- |
12 |
- |
- |
- |
- |
- |
Total semestre |
116 |
109 |
58 |
- |
- |
- |
- |