Ingénieur diplômé de l'institut national des sciences appliquées de toulouse, spécialité mathématiques appliquées
* Appliquer les outils fondamentaux de l’ingénieur mathématicien * Concevoir, mettre en œuvre et valider des modèles mathématiques avancés et des solutions numériques adaptées * Appréhender l’aléa et modéliser les incertitudes * Analyser et valoriser des données, potentiellement massives * Formuler et résoudre des problèmes complexes d’optimisation, d’aide à la décision et de gestion des risques * Participer au développement de solutions logicielles * Formuler et modéliser des problèmes notamment dans les systèmes complexes relatifs aux mathématiques appliquées * Intégrer, dans l'analyse des problèmes et le développement des solutions, les aspects Qualité – Hygiène (données massives utilisées pour le profilage nutritionnel/santé publique) - Sécurité (Cybersécurité) - Environnement (l'IA a un impact sur la mobilité/transport, améliore la consommation énergétique, a des répercussions environnementales, ex : réduction de l'émission mondiale de gaz à effet de serre * Gérer un projet inter/pluri disciplinaire (maîtriser une méthode de gestion de projets, analyse des coûts...) * Communiquer en entreprise (rapports; compte rendus, synthèse, présentations orales….) en plusieurs langues * Gérer un groupe : animer une équipe, argumenter et négocier, communiquer en situation de crise * Formuler et argumenter des solutions en s'appuyant sur des éléments économiques, de veille et positionnement scientifiques, RSE * Prendre en compte les enjeux des relations au travail, de sécurité et de santé au travail et les dimensions éthiques (ex: RGPD / utilisation des données personnelles ) qui s'y rapportent * Travailler en contexte international et multiculturel en prenant en compte les enjeux industriels, économiques et sociétaux * Protéger, valoriser et exploiter une innovation
Lire la suitePrérequis
Aucun prérequis
Voie d'accès
Non accessible en contrat de formation continue, contrat de professionnalisation, contrat d'apprentissage et en reconnaissance des acquis (VAE)
Où suivre ce diplôme ?
Compétences attestées
Blocs de compétences
- 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.
- 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.
- 1.
- Interagir avec un spécialiste ou un ingénieur d'une autre discipline pour comprendre et transcrire une problématique en modèle mathématique 2.
- Mettre en œuvre par un travail d'équipe une résolution à l’aide d’outils d’analyse et d’algèbre. 3.
- Utiliser les outils de probabilité et statistique 4.
- Résoudre un problème à l’aide d’outils d’analyse numérique 5.
- Sélectionner le ou les outils le(s) plus approprié(s), selon un critère de choix de modèles.
- 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.
- 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).
- 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.
- 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.
