Ingénieur diplômé de CY Tech de CY Cergy Paris Université Spécialité mathématiques appliquées

RNCP41213BC01Mettre en œuvre des modèles mathématiques et des solutions numériques en science des données pour la finance, l’économie ou l’industrie

• Réaliser l’état de l’art relatif à un modèle ou une famille de modèles mathématiques (optimisation, modèles paramétriques, apprentissage machine, statistiques, machine learning, systèmes déterministes ou stoquastiques) ou des solutions d’implémentation (familles d’algorithmes, gestion des données, méthodes d’apprentissage automatiques) pour s'appuyer sur les outils plus innovants. Appliquer les principes théoriques et pratiques fondamentaux de la modélisation mathématique en lien avec l’ingénierie financière ou économique et de la science des données afin d’assurer l’innovation technologique. Utiliser des langages de programmation scientifiques (programmation impérative, fonctionnelle, objet, et scripts) pour implémenter des modèles mathématiques destinés à l'analyse de données, la simulation, la prédiction pour la résolution de problèmes complexes. Utiliser les outils probabilistes et statistiques pour interpréter les résultats des modèles mathématiques. Fournir des recommandations pour améliorer ou optimiser le modèle mathématique. Apporter des recommandations pour une prise de décision en lien avec le modèle mathématique. Dialoguer et convaincre sur la viabilité technique, les décisions prises et les défis rencontrés.

Évaluation : Contrôles continus : Examens écrits et oraux Compétences et savoir-faire : Projets courts et un projet long (minimum 1 semestre): Les élèves travaillent par groupes de 4 ou 5 sur des problématiques apportées par nos partenaires extérieurs (entreprises, organismes de recherche, établissements partenaires). Les sujets portent sur le traitement des données, l’intelligence artificielle, la reconnaissance automatique, le machine learning, la finance prédictive, etc. Les élèves partent souvent d’une solution pré-existante, partiellement satisfaisante ou incomplète qu’ils doivent s’approprier, pour l’améliorer ou la remplacer. Les données sont apportées par nos partenaires industriels ou académiques. Les livrables sont oraux et écrits et une démonstration de la solution proposée.

RNCP41213BC02Formuler et résoudre des problèmes complexes d’optimisation stochastique ou déterministe et d’aide à la décision.

• Modéliser et résoudre les problèmes techniques relatifs à l’analyse de l’information et à l’optimisation des ressources en utilisant les moyens techniques, mathématiques ou informatiques, adéquats pour réduire les temps et les coûts de calcul. Mettre en œuvre les techniques de résolution adaptées, grâce à la maîtrise de différents types de méthodes issues des mathématiques, de la recherche opérationnelle, d’optimisation linéaire et non-linéaire, des statistiques, soutenant la prise de décision dans des contextes complexes et incertains afin de maitriser les aléas. Construire des algorithmes d’optimisation et les mettre en œuvre à travers des langages scientifiques de haut niveau dans l'optique de résoudre des problèmes de planification industrielle, de gestion de réseaux et d'apprentissage machine. Adapter les formulations et les méthodes de résolution aux exigences économique, sociétale, environnementale propres de l’entreprise et de la société en vue de développer une activité solvable notamment sur le plan environnemental. Créer des modèles d’optimisation et d’aide à la décision, simulant différents scénarios pour évaluer l'impact des décisions avant de les mettre en œuvre.

Évaluation : Contrôles continus : Examens écrits et oraux et projets courts portant sur les problématiques suivantes : - Recourir à des algorithmes d’optimisation d’erreur. - Appliquer les algorithmes de descente à des problèmes de traitement de signaux multidimensionnels ou de traitement d’images en grande dimension. - Coupler les méthodes déterministes à d’autres méthodes d’optimisation en étant capable d’avoir un œil critique sur les résultats obtenus.

RNCP41213BC03Prétraiter et analyser des données structurées ou non structurées pour répondre au besoin utilisateur

• Comprendre les besoins des utilisateurs pour adapter l'analyse des données et produire des résultats exploitables. Créer, administrer et modéliser une base de données et s’assurer d’une mise à jour régulière pour en faciliter l’exploitation par les équipes métiers. Maîtriser l'utilisation des technologies et outils spécifiques aux grands ensembles de données (Big Data) pour traiter et analyser des volumes importants de données (algorithmes distribués, solutions spécifiques aux clusters de logiciels). Etudier, fouiller et nettoyer des données s’appuyant sur différentes techniques : statistiques, l’apprentissage automatique (machine learning), la visualisation, la reconnaissance des formes, les modèles incertains pour extraire du sens à partir des données afin de créer des produits d’analyse et des données structurées aidant à la prise des décisions. Préparer et prétraiter les données (nettoyage, transformation, agrégation) pour qu'elles soient prêtes à être analysées. Traiter et analyser des données non structurées (texte, images, vidéos) en utilisant des techniques adaptées, comme le traitement du langage naturel (NLP) ou la reconnaissance d'images afin de compresser ces données et de trouver des représentations fidèles. Analyser les données bien organisées et structurées (tableaux, bases de données relationnelles) pour en extraire des informations pertinentes. Appliquer les outils d’analyse statistique univariée et multivariée sur des données structurées et nettoyées dans le but de trouver des lois statistiques, de réaliser des tests et de trouver des relations de dépendance entre variables. Créer des visualisations de données informatives, selon plusieurs angles d’observation, pour interpréter et communiquer les résultats. Rédiger la documentation technique en assurer la protection des données sensibles de la structure (données scientifiques et techniques, données de gestion administrative, données individuelles) afin d’assurer la gestion efficace des systèmes et

Évaluation : Evaluation par épreuves écrites et orales et en projets courts sur jeux de données (cas pratiques). Étude d’un plusieurs jeux de données. Modélisation des donnes (méthodes et langages de gestion de bases de données relationnelles et non relationnelles) Application au traitement des données parmi les grandes familles d’algorithmes ressources (nettoyage, alignement, agrégation) Analyse des données en utilisant les méthodes statistiques et les algorithmes de classification en fonction des besoins utilisateur.

RNCP41213BC04Mettre en oeuvre et déployer un modèle d’apprentissage automatique ou d’intelligence artificielle (bloc optionnel)

• Analyser une problématique (comprendre le besoin, définir les entrées/sorties du modèle en accord avec les données disponible et les réponses attendues) en lien avec le besoin et les spécifications techniques du client pour proposer des solutions adaptées. Sélectionner et mettre en place un modèle d’apprentissage supervisé ou non supervisé adapté au besoin utilisateurs : réseaux de neurones pour apprentissage profond, clustering, classification. Évaluer les performances d’un modèle d’apprentissage supervisé ou non supervisé dans l'optique d'estimer la fiabilité des résultats. Adapter et améliorer les paramètres d’un modèle d’apprentissage supervisé ou non supervisé afin d'augmenter la fiabilité des résultats. Concevoir et implémenter des pipelines automatisés pour entraîner, valider, déployer et monitorer les modèles de machine learning. Collaborer et communiquer avec les utilisateurs finaux pour s'assurer que les modèles déployés répondent à leurs besoins et sont utilisés efficacement. Mettre en place des processus pour surveiller les performances des programmes d'IA et les améliorer en continu.

Évaluation : Contrôles continus : Évaluation théorique portant sur 2 axes : Évaluation de la compréhension des différents algorithmes et systèmes d’équations qui définissent l’état de l’art en apprentissage supervise et non-supervisé Etude de cas sur la mise en place d’un algorithme d’apprentissage dans un contexte de catégorisation, de reconnaissance ou de prédiction Projet long : mise en œuvre et optimisation d’un ou plusieurs algorithmes d’apprentissage dans un contexte de données connues. Les élèves partent d’ensembles de données connus (bases internationales des caractère manuscrits, bases de visages, bases d’objets, bases d’indicateurs d’organisations publiques internationales, bases complètes ou incomplètes apportée par un industriel partenaire) et définissent et implémentent un ou plusieurs modèles d’apprentissages.

RNCP41213BC05Modéliser et gérer les risques dans des applications associées à l'assurance et la finance (bloc optionnel)

• Créer des modèles quantitatifs de type Black-Sholes pour évaluer et prévoir les risques financiers dans les secteurs de la finance et de l'assurance. Utiliser des modèles probabilistes discrets ou continus (Monte Carlo, …) dans des applications associées à l'assurance et la finance pour prédire les risques ou les prix des actions. Appliquer les techniques de calcul statistique ou actuariel afin d'évaluer le niveau du risque. Analyser et gérer les risques d’assurance et de finance en tenant compte de l’environnement opérationnel, comptable et prudentiel Élaborer des stratégies pour atténuer les risques identifiés, en utilisant des outils de gestion des risques (comme la Value at Risk, VaR). Implémenter les procédures de valorisation ou de gestion des risques et assurer leur mise en production au sein de l'entreprise. Connaitre les réglementations en vigueur (Solvabilité II, Bâle III, …) et s'assurer que les modèles et stratégies sont conformes pour développer l'activité dans le respect des lois et normes internationales. Développer des méthodes de valorisation de contrats d’Assurance Vie ou non-Vie à l’aide de techniques probabilistes et statistiques afin d'assurer des rendements optimaux. Anticiper les projets qui découlent des défis sociétaux actuels (longévité, dépendance) en vue de garantir la stabilité financière de l'institution. Proposer des outils et mesures pour un pilotage pertinent de l’activité. Intégrer les évolutions sociétales, économiques, règlementaires et le volume croissant des données numériques dans l'optique de s'adapter à un environnement changeant.

Évaluation : Contrôles continus : Etude de cas portant sur la reconstruction des paramètres d’un modèle à partir des observations du marché. Projets : Les élèves réalisent un projet de calibration de modèle : calibration de volatilité stochastiques et non stochastiques, simulation de Delta-couverture, adaptation des modèles génériques face à des données réelles (fournies). Le projet vise à la reconstruction des paramètres d’un modèle à partir des observations du marché. A l’issue de ce projet, l’élève capable de programmer par lui-même avec un langage de programmation scientifique et de haut niveau un ou plusieurs algorithme(s) classique(s) de calibration appliquée au données fournies. Livrables écrits, oraux accompagnés d’une démonstration de l’algorithme implémenté.

RNCP41213BC06Concevoir et mettre en œuvre des stratégies de gestion de portefeuille à forte dominante quantitative (bloc optionnel)

• Utiliser une modélisation économique et économétrique avancée et mobiliser les paradigmes théoriques et les faits empiriques de la macroéconomie, ainsi que ses aspects pratiques, institutionnels et juridiques. Concevoir et gérer les portefeuilles actifs en utilisant des techniques quantitatives pour maximiser le rendement ajusté au risque. Utiliser les techniques d'optimisation pour équilibrer les rendements et les risques dans la composition d'un portefeuille. Mettre en œuvre des modèles mathématiques et informatiques pour construire les meilleures stratégies d'investissement possibles. Backtesting et simulation : Appliquer des méthodes de backtesting pour tester la robustesse des stratégies de gestion de portefeuille sur des données historiques. Piloter la gestion Actif-Passif des portefeuilles afin de sélectionner les investissements. Aider les différents opérateurs financiers à optimiser leur placement pour augmenter les rendement à court, moyen ou long terme. Intégrer les aspects managériaux, juridiques, réglementaires et organisationnels pour concevoir des solutions qui s'adaptent à une organisation en évolution. S’adapter aux exigences propres de l’entreprise et de la société (économique, sociétale, environnementale, qualité, sécurité)en vue de proposer des produits conformes aux contraintes.

Évaluation : Contrôles continus : Etude de cas portant sur la gestion de portefeuilles actifs par technique quantitatives. . Projets : mémoire et soutenance à partir de cas pratique. Les étudiants travaillent sur des projets de gestion de portefeuille fourni par l’équipe pédagogique. Il s’agit de mettre en œuvre les concepts et méthodes apprises. L’autonomie, la recherche de solutions pertinentes, le travail en équipe sont évalués au travers de livrables écrits et oraux.