SDAD/MHACS S1

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
  1. Les systèmes empiriques
  2. Les systèmes formels
  3. Théorie du bord du chaos
  • Cas de systèmes et données complexes
  1. Systèmes des sciences physiques
  2. Master et Master Spécialisé 18/81 2018
  3. Systèmes des sciences du vivant
  4. Systèmes artificiels (artéfacts)
  5. Propriétés des systèmes complexes adaptatifs
  • Ingénierie Système
  1. La démarche d’Ingénierie système
  2. Les standards ISO 15288
  3. Modélisation système
  4. Ingénierie des exigences (définition, traçabilité, vérification)
  5. Conception fonctionnelle et conception organique
  6. Gestion des configurations
  7. Processus de VVQ (Validation – Vérification – Qualification)
  8. 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).


M2: Modélisation et simulation des systèmes

  • Modélisation et simulation des systèmes continus
  1. Introduction de la notion de système continu.
  2. Construction de modèles d’équations différentielles des systèmes dynamiques.
  3. Limitations et schémas numériques pour la simulation d’équations différentielles.
  4. Validation et quantification des erreurs numériques,
  5. Concepts de construction de modèles des systèmes dynamiques.
  • Modélisation des systèmes discrets :
  1. Introduction aux systèmes discrets
  2. Théorie des files d’attente
  3. Outil de modélisation des systèmes discrets
  4. Introduction à MATLAB/SIMULINK.
  • Approche holistique pour la modélisation

MODALITES D’ORGANISATION DES ACTIVITES PRATIQUES   
Séminaires sur des études de cas de systèmes complexes liés à :

  1. L’énergie.
  2. L’eau et l’environnement.
  3. L’océan, les mines.
  4. Les finances.
  5. L’industrie.
  6. Les systèmes biologiques.


M3:  Optimisation , RO, et analyse multicritères

  • La Recherche Opérationnelle :
  1. Fondamentaux de l’optimisation
  2. Modélisation mathématique
  3. Programmation linéaire : algorithme de Simplex et résolution graphique
  • Optimisation Combinatoire :
  1. Programmation Dynamique
  2. Branch-and-Cut / génération de colonnes/ Branch-and-Price
  3. Introduction aux méta-heuristiques
  4. Définition d’un problème optimal.
  • Analyse multicritère :
  1. Algorithmes de l’analyse multicritère Ford ;
  2. Introduction aux méthodes PERT ; potentiels
  3. Dualité et relations d’exclusion
  4. Analyse de sensibilité

M3:  Optimisation , RO, et analyse multicritères

  • La Recherche Opérationnelle :
  1. Fondamentaux de l’optimisation
  2. Modélisation mathématique
  3. Programmation linéaire : algorithme de Simplex et résolution graphique
  • Optimisation Combinatoire :
  1. Programmation Dynamique
  2. Branch-and-Cut / génération de colonnes/ Branch-and-Price
  3. Introduction aux méta-heuristiques
  4. Définition d’un problème optimal.
  • Analyse multicritère :
  1. Algorithmes de l’analyse multicritère Ford ;
  2. Introduction aux méthodes PERT ; potentiels
  3. Dualité et relations d’exclusion
  4. Analyse de sensibilité


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
  1. Présentation et discussion de de la théorie de l’analyse univariée.
  2. Présentation des principes et des exemples pour faire une bonne analyse univariée.
  3. Exemples de divers domaines industriels.
  • Analyse Bivariée
  1. Présentation et discussion de la théorie de l’analyse bivariée.
  2. Présentation des principes et des exemples pour faire une bonne analyse bivariée.
  3. Exemples de divers domaines industriels.
  • Analyse Multivariée
  1. Analyse en composantes principales.
  2. Analyse discriminante.
  3. Analyse par Régression linéaire multiple.
  4. Analyse par Régression non linéaire multiple.
  5. Analyse par Partial Least Square.
  6. Clustering.
  7. Analyse par Réseaux de neurones artificiels.
  • Inférence Bayesienne
  1. Introduction à l’analyse Bayesienne.
  2. Variables aléatoires gaussiennes.
  3. Variables aléatoires non gaussiennes.
  4. 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


M5:  Algorithmique et programmation


A. Cours et travaux dirigés :

  • Introduction
  1. Notions de base en algorithmique
  2. Type de données
  3. Conditions et boucles
  • Types de programmes
  1. Introduction
  2. Fonctions
  3. Classes et héritage
  • Programmation avancée
  1. Programmation orienté objet
  2. Complexité
  3. Optimisation de code et vectorisation


B. Travaux pratiques :

  • Programmation en python des algorithmes enseignés dans le cours.


M6:  Communication et anglais professionnel

Le module comprendra une partie théorique et une partie pratique :

Partie théorique :

  • 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.

Partie pratique :

  • 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 :

  • Anglais scientifique
  1. Le cours sera divisé en deux parties.
  2. La première partie se concentrera sur la grammaire et le vocabulaire scientifique.
  3. Dans la deuxième partie, les étudiants liront les textes scientifiques anglais et discuteront de différents
  4. sujets en utilisant le vocabulaire utilisé dans le jargon scientifique.
  • Techniques de communication
  1. Communication et développement personnel :
  2. o L’écoute active, le questionnement et la reformulation
  3. o Développement de l’assertivité
  4. o Gestion du temps et des priorités
  5. Conduite de réunions et animation de groupes
  6. Atelier CV