Ingénieur diplômé de l'institut national des sciences appliquées de toulouse, spécialité mathématiques appliquées

RNCP34752BC02Concevoir et mettre en œuvre numériquement des modèles mathématiques

• 1. Modéliser des phénomènes issus de domaines variés (physique, ondes, mécanique des fluides ou des structures, finance, actuariat, biologie…) à l’aide d’EDO, EDP, EDS, modèles aléatoires… 2. Effectuer des simulations numériques et valider les résultats 3. Choisir les méthodes adaptées à la résolution numérique des problèmes considérés 4. Appliquer les méthodes sur des cas réels issus du monde recherche et industrie

Évaluation : * Examens individuels (écrits et oraux) sur la résolution de problèmes * Quizz et autoévaluation de la progression dans l’assimilation des compétences * Projet de modélisation de données réelles en binôme avec rapport et soutenance orale * Participation à un Challenge inter-écoles de prévision entre diverses formations de niveau 7 (cf Defi IA (Intelligence artificielle)

RNCP34752BC03Modéliser l’aléa et les incertitudes

• 1. Construire un modèle de l’évolution d’un processus aléatoire 2. Identifier des structures particulières dans des jeux de données complexes et en faire l’interprétation. 3. Effectuer des simulations de phénomènes aléatoires 4. Construire une surface de réponse 5. Planifier des expériences aléatoires 6. Réaliser une analyse de sensibilité dans des codes de simulation numérique.

Évaluation : * Examens écrits * Comptes rendus de Travaux Pratiques en binôme. * Projets sur la modélisation d’un processus aléatoire (en groupe) avec rapport et soutenance orale.

RNCP34752BC04Analyser et valoriser des données

• 1. Communiquer, échanger sur la valeur de la donnée avec des experts métiers des différents domaines d’utilisation 2. Prétraiter, mettre en forme et visualiser les données, potentiellement massives issues de divers domaines (météorologie, assurance, marketing, industrie...) 3. Ajuster et sélectionner un modèle statistique en grande dimension afin de faire de la prédiction 4. Mettre en œuvre les méthodes d’apprentissage statistique en grande dimension 5. Préparer, transformer des données massives grâce aux technologies Hadoop, Map Reduce, Spark, Pyspark, et aux outils de virtualisation 6. Synthétiser et analyser en équipe les résultats numériques obtenus

Évaluation : * Constitution de dossier technique de synthèse du Bureau d’études * Examen écrit individuel et oral sur la résolution de problèmes * Quizz et autoévaluation de la progression dans l’assimilation des compétences * Participation à un Challenge inter-écoles de prévision entre diverses formations de niveau 7 (cf Defi IA (Intelligence artificielle)

RNCP34752BC05Poser et résoudre des problèmes complexes d’optimisation

• 1. Modéliser et prévoir l’occurrence d’événements indésirables sur un individu ou système 2. Manipuler, implémenter et tester de nouvelles méthodes de traitement d’image ou de signal 3. Détecter des anomalies dans un signal 4. Identifier/calibrer/assimiler par des méthodes variationnelles des données 5. Construire et étudier la convergence d’algorithmes d’optimisation 6. Mettre en œuvre des algorithmes d’optimisation en Python ou en langage compilé. 7. Communiquer avec des experts des différents domaines d’application

Évaluation : * Analyse de cas d’études pratiques issus de projets industrie et recherche * Examen écrit individuel et oral sur la résolution de problèmes * Quizz et autoévaluation de la progression dans l’assimilation des compétences * Projet de modélisation de données réelles en binôme avec rapport et soutenance orale

RNCP34752BC06Concevoir, développer des solutions logicielles

• 1. Identifier les méthodes et outils adaptés à la résolution numérique des problèmes 2. Prendre en main et valider l’utilisation conforme de logiciels de l’industrie. 3. Utiliser les langages de programmation. 4. Identifier et transcrire une méthode de résolution numérique dans un langage de programmation 5. Mettre en œuvre des plateformes virtualisées et utiliser les principaux services des plateformes de cloud computing 6. Déployer des applications de traitement de données massives 7. Utiliser le calcul haute performance 8. Analyser les performances sur des cas réels (latence, débit, espace, consommation d’énergie)

Évaluation : * Constitution en binôme de dossier technique de synthèse du * Bureau d’études * Oral (français et anglais) de présentation d’un dossier technique * Quizz et autoévaluation de la progression dans l’assimilation des compétences

RNCP34752BC07Conduire un projet pour la résolution d’un problème réel d'une entité métier

• 1. Interagir avec un spécialiste ou un ingénieur d'une autre discipline pour comprendre une problématique de valorisation de données sur un problème réel 2. Mettre en place une démarche projet : analyse de la situation, définition des objectifs, conception spécification, réalisation, évaluation 3. Conduire les recherches bibliographiques nécessaires à la résolution du projet, et les restituer à des spécialistes. 4. Mettre en place une infrastructure matérielle et logicielle proportionnées adaptée au problème. 5. Intégrer les philosophies, problématiques et contraintes des réglementations françaises et européennes (CNIL, RGPD) sur la protection des données 6. Rendre compte à l’écrit et à l’oral du travail effectué auprès de décideurs, d'experts ou de professionnels non experts du domaine.

Évaluation : * Cas d’études pratiques * Projet recherche : mémoire et oral de présentation des travaux de groupe * Projet de fin d’études : manuscrit et oral de soutenance