Offres de Formation – MASTER

Offres de Formation – MASTER2019-06-26T12:44:25+02:00

Pourquoi faire un master ?


Débouchés

Une formation mathématique de haut niveau est un atout solide pour de nombreux métiers au sein de grandes entreprises industrielles ou de services [1] : ingénieurs mathématiciens, spécialistes des méthodes quantitatives, statisticiens, experts en cryptologie ou sécurité des systèmes de communication, ingénieurs et cadres des métiers de la banque ou des assurances, toutes compétences qui nécessitent une large part de mathématiques. De manière générale, avoir suivi avec succès des études exigeantes est une preuve de sérieux, de ténacité, et d’aptitude à maîtriser des concepts abstraits et complexes.

L’enseignement est aussi un débouché important pour les étudiants de mathématiques. Dans le secondaire, mais sans oublier les instituteurs : trop faible est actuellement le nombre de ceux qui sont passés par des études scientifiques. Dans nombre d’autres concours de la fonction publique, une aisance en mathématiques est un atout sérieux.

Enfin, les métiers de la recherche, que ce soit dans le secteur privé ou dans le cadre académique (chercheurs au CNRS ou dans d’autres organismes de recherche, enseignants-chercheurs des universités), bien que numériquement peu importants, ont de quoi permettre d’assouvir la soif de savoir des plus passionnés.

Objectifs

Le Master forme des diplômés compétents dans de larges aspects des mathématiques, qu’elles soient pures ou appliquées et des statistiques. Les stages mettent les étudiants en contact avec les concepts et les outils modernes des mathématiques et avec leurs applications, que ce soit dans le cadre des laboratoires associés à la formation, ou dans l’une des nombreuses entreprises avec lesquelles les responsables du Master entretiennent des contacts, en modélisation et simulation numérique, sécurité des systèmes d’information et de communication, statistique appliquée, en particulier à la modélisation des sciences du vivant et la médecine, économie, finance et gestion…

A l’issue du Master, les possibilités sont vastes : entrée directe sur le marché du travail, formation complémentaire, ou entrée en thèse de Doctorat, formation de 3 ans où l’étudiant se transforme, sous la responsabilité d’un Directeur de thèse, en apprenti-chercheur et participe pleinement à la vie scientifique d’un laboratoire de recherche public ou privé.

[1] Les statistiques effectuées chaque année par l’APEC (Association Pour l’Emploi des Cadres) montrent que les étudiants en mathématiques et en informatique sont toujours les mieux armés pour entrer sur le marché du travail.

Parcours Mathématiques Fondamentales   (Math-Fonda)

Le master de mathématiques s’adresse prioritairement aux titulaires d’une licence Mathématiques ou formation équivalente. Les titulaires d’une Licence professionnelle ne peuvent pas accéder directement à ce parcours. La possibilité d’accéder directement à la seconde année est également possible sur dossier. Elle est offerte aux étudiants de niveau M1 d’universités françaises ou étrangères de formation initiale mathématiques ou d’écoles d’ingénieurs françaises ou étrangères ou encore aux normaliens.

Ce parcours de mathématiques fondamentales mène principalement vers le doctorat de mathématiques,  et vers l’enseignement supérieur.

Les objectifs du parcours Math-Fonda sont multiples. Il s’agit de répondre à l’intérêt croissant pour la recherche de haut niveau en mathématiques et ses diverses applications. Grâce à une formation de base solide, les étudiants bénéficient d’un premier contact avec des problématiques de recherche en mathématiques contemporaines et le parcours Math-Fonda représente donc le choix privilégié pour les prochains doctorants en mathématiques fondamentales et/ou appliquées.

Nos étudiants peuvent directement s’insérer dans le monde professionnel ou bien compléter d’abord ce Master par une autre formation, principalement par un doctorat de mathématiques. Les étudiants principalement intéressés par l’enseignement peuvent aussi préparer une agrégation de mathématiques.

Les débouchés sont vastes et les diplômés d’un Master Math-Fonda se dirigent par exemple vers la recherche publique et privée, l’enseignement supérieur ou secondaire, mais sont particulièrement appréciés dans certains secteurs privés comme les assurances, les banques et les domaines utilisant l’ingénierie mathématique. Le diplôme de Master permet aussi d’accéder à certains concours de la fonction publique (nationale et territoriale).

 

  • Master 1

La première année du parcours Math-Fonda du master de mathématiques a le double but d’approfondir les acquis de la licence et de préparer à la deuxième année de master parcours Math-Fonda. Il donne également les bases nécessaires aux étudiants souhaitant par la suite préparer l’agrégation.

Responsable: Sylvain Maillot

Secrétariat pédagogique : Eric Hugounenq

Comment candidater?

Semestre 1: (30 ECTS)

           Unité d’Enseignement   Volume horaire   ECTS
   Géométrie et Groupes Classiques        60  7,5
   Algèbre 1        60  7,5
   Analyse fonctionnelle        60  7,5
   Analyse des EDP 1        24  5
   Anglais  2,5

 Semestre 2: (30 ECTS)

           Unité d’Enseignement   Volume horaire   ECTS
   Géométrie différentielle        60  7,5
   Algèbre 2        50  5
   Analyse complexe et topologie        60  7,5
   Algèbre, géométrie et calcul        50  5
   Projet  5

 

Master 2    (Plaquette 2019-2020 – descriptifs des cours )

La seconde année Math-Fonda du Master de mathématiques est une année de spécialisation avec des objectifs pédagogiques multiples. Elle permettra notamment de :

  • donner une vue d’ensemble d’outils mathématiques de haut niveau,

  • permettre l’acquisition d’une bonne maîtrise technique,

  • apprendre un raisonnement rigoureux, face à des problématiques complexes,

  • augmenter les capacités d’abstraction face à des concepts mathématiques sophistiqués,

  • développer une méthodologie de travail intelligente et efficace pour une possible entrée directe dans la vie professionnelle,

  • et aussi et surtout offrir aux étudiants intéressés par une formation doctorale un avant-goût des mathématiques contemporaines et des problèmes actuels de la recherche.

Nous proposons un ensemble restreint de cours décrivant quelques aspects des mathématiques de haut niveau, mais le programme des enseignements est modifié chaque année afin de survoler une bonne partie des mathématiques modernes. Beaucoup de doctorants de notre laboratoire complètent leur formation en suivant certains cours de ce parcours. Pour un descriptif du contenu des cours pour l’année prochaine, nous renvoyons à la plaquette. A noter l’UE originale  »séminaire » au Semestre 3 qui permet aux étudiants de réaliser et d’exposer un premier travail autonome en les invitant à une première réflexion sur l’orientation mathématique à venir.

Le mémoire de M2 au Semestre 4 est un moment fort de la formation. Suivant les choix d’orientation des étudiants, il complète la spécialisation et/ou dirige vers la vie professionnelle ou vers une formation doctorale. La préparation d’un doctorat fait désormais l’objet d’un  »Contrat Doctoral » de trois ans qui peut donc être compris comme un premier emploi. En plus des allocations de recherche aux doctorants, un exemple important de thèses financées avec l’industrie est celui des thèses CIFRE (dans le secteur Recherche et Développement)

Liste des UE: 

Semestre 3: (30 ECTS)

           Unité d’Enseignement   Volume horaire   ECTS
   Approfondissement (UE du parcours Agrégation)        48  10
   Algèbre et Géométrie 1        36  7,5
   Topologie et Géométrie 1        36  7,5
   Séminaire  2,5
   Anglais  2,5

 Semestre 4: (30 ECTS)

              Unité d’Enseignement  Volume horaire   ECTS
   Algèbre et Géométrie 2       24   7,5
   Topologie et Géométrie 2       24   7,5
   Mémoire de Recherche   15

Responsable : Michele Bolognesi

Secrétariat pédagogique : Sophie Cazanave Pin

Comment candidater?

  • Déposer un dossier de candidature en ligne sur le site de la FDS
  • Pour les étrangers, dépôt préalable sur le site de la FDS
  • Pour les étudiants déjà inscrits à l’UM, utiliser l’ENT de l’université de Montpellier.

Parcours Mathématiques-Informatique (MI)    Affiche MathInfo-M1-M22017

Responsable : Jorge Ramirez Alfonsin

Objectifs : Le parcours Mathématiques-Informatique est destinée aux étudiants issus d’une Licence en Mathématique (ou Informatique avec une  forte orientation mathématique), des grandes écoles d’ingénieur, et aux titulaires de diplômes (français ou étrangers) jugés équivalents.

Le parcours Mathématiques-Informatique est une formation bi-disciplinaire en Mathématiques et Informatique. L’objectif de ce parcours est d’acquérir des compétences par le biais d’aspects liés aux mathématiques discrètes et à l’informatique théorique ou par les applications informatiques nouvelles des disciplines algébriques, géométriques, topologiques et des mathématiques discrètes. L’un d’objectif est de former des chercheurs ou enseignants-chercheurs en mathématiques dans les spécialités de géométrie et algèbre combinatoires et mathématiques discrètes. Ils pourront ensuite intégrer, après un doctorat, des laboratoires dans les universités, les grandes écoles d’ingénieurs ou les organismes de recherche, tels le CNRS et l’INRIA.

Débouchés : Les principaux débouchés d’une formation mixte en Mathématiques et Informatique sont très variés. Les étudiants munis de cette qualification sont très recherchés dans de nombreux domaines comme :

  • tous les domaines liés à la notion de réseau (réseau social, réseau informatique, télécommunications, etc.)
  • la cryptologie et la sécurité informatique
  • la conception et l’analyse d’algorithmes en informatique graphique, imagerie, robotique, etc.
  • optimisation combinatoire
  • la supervision de systèmes complexes
  • la fouille de données

Possibilité de poursuite d’études en thèse de doctorat.

 ORGANISATION DES ENSEIGNEMENTS

  • Master 1

Semestre 1

HMMA115M Algèbre 1 (7,5 ECTS)

HMMA116M Géométrie convexe et algorithmique (5 ECTS)

HMSN116M Algorithmique du texte (5 ECTS)

HMIN117M Calculabilité et Complexité de base (5 ECTS)

HMIN119M Méthodes et algorithmique probabilistes (5 ECTS)

HMIN10LM Anglais (2,5 ECTS)

Semestre 2

HMMA222M Algèbre, géométrie et calcul (5 ECTS)

HMMA224M Géométrie, algèbre combinatoires et applications (5 ECTS)

HMIN221M Calculabilité et Complexité avancées (5 ECTS)

HMIN222M Méthodes approchées (5 ECTS)

HMIN223M Graphes et structures (5 ECTS)

HMMA223 TER Math (5 ECTS)

  • Master 2

Semestre 3

HMMA325M Mathématiques discrètes S3 (7,5 ECTS)

HMMA319 Séminaire (2,5 ECTS)

HMMA326M Projet professionnel (2,5 ECTS)

HMMA3OLM Anglais (2,5 ECTS)

plus 3 modules parmi

HMSN317M Algorithmique et optimisation pour la bioinformatique avancées (5 ECTS)

HMIN312M Théorie des bases de connaissances (5 ECTS)

HMIN330M Raisonnement par contraintes (5 ECTS)

HMIN331M Calcul formel, codes et cryptographie (5 ECTS)

HMIN332M Optimisation combinatoire (5 ECTS)

HMIN333M Graphes, algorithmique et complexité (5 ECTS)

HMIN334M Théorie des langages et pavages (5 ECTS)

Semestre 4

HMMA426M Mathématiques discrètes S4 (5 ECTS)

HMMA427 Etude bibliographique math (5 ECTS)

HMMA428 Projet initiation à la recherche math (20 ECTS)

Inscriptions :

Secrétariat pédagogique M1 Mathématiques et Informatique : Eric Hugounenq

Secrétariat pédagogique M2 Mathématiques et Informatique : Sophie Cazanave Pin

Parcours Modélisation et Analyse NUmérique (MANU)   AFFICHE

MANU est un programme qui conjugue des éléments des parcours traditionnels en mathématiques appliquées  avec une ouverture vers les applications dans différents domaines. Son but est de former des étudiants avec un sens concret des problèmes et une maîtrise approfondie des outils d’approximation numérique, aussi bien que des techniques d’analyse les plus récentes. Le parcours intègre un noyau important d’UE avancées d’analyse numérique et théorique des EDP avec des cours d’optimisation, d’informatique, et de modélisation. Un atout important est la familiarisation avec les outils avancés de mise en œuvre.

Objectifs :

  • Former des étudiants capables d’interagir dans un contexte multi-disciplinaire
  • Assurer une formation théorique solide permettant la poursuite en thèse académique ou industrielle
  • Répondre à la demande des centres R&D des grandes entreprises/EPIC d’ingénieurs-docteurs capables d’intervenir dans le noyau de calcul d’un simulateur
  • Donner des ouvertures sur les nouveaux champs d’applications du calcul scientifique (environnement, santé, etc.)

Débouchés :

A l’issue de ce parcours, les élèves auront la possibilité de continuer avec une thèse académique ou industrielle pour intégrer le monde de la recherche fondamentale où les divisions recherche des grandes entreprises (en tant que ingénieurs ou ingénieurs-docteurs).

Ils pourront également intégrer directement après le M2 les divisions développement des petites et moyennes entreprises.

Inscriptions :

MANU s’adresse prioritairement aux titulaires d’une licence Mathématiques ou formation équivalente. Le parcours n’est pas adapté a des étudiants issus directement de Licence professionnelle. La possibilité d’accéder directement à la seconde année est également possible sur dossier. Elle est offerte aux étudiants de niveau M1 d’universités françaises ou étrangères de formation initiale en mathématiques, aux étudiants d’écoles d’ingénieurs françaises ou étrangères ou aux normaliens.

L’application e-candidat sera ouverte à partir du 15 avril 2018

M1

Responsable: Térence Bayen

Liste des UE :

Semestre 1 :

  • Analyse Numérique 1
  • Analyse des EDP 1
  • Analyse Fonctionnelle
  • Optimisation Numérique

Semestre 2 :

  • Analyse Numérique 2
  • Notions de mécanique pour les mathématiciens
  • Objets avancés
  • Géométrie Différentielle
  • Projet

M2

Responsable:  Fabien Marche

Dates rentrée 2019-2020 :

  • Réunion de rentrée : …..
  • Début des cours : ….
  • Partenaires industriels : BRGM, EDF

Liste des UE  :

Semestre 3 :

  • Analyse Numérique 3
  • Analyse des EDP 2
  • Commande optimale
  • Estimation a posteriori
  • Introduction aux problèmes inverses

Semestre 4 :

  • Programmation Avancée pour le Calcul Scientifique
  • Modélisation Numérique
  • Stage

Parcours Biostatistique   Affiche Biostat.

Responsable : Elodie Brunel

Secrétariat M1 : Eric Hugounenq

Début du M1  :

Secrétariat M2 : Laurence Roux

Début du M2  :

Inscriptions :

Ce parcours s’adresse à des étudiant-e-s titulaires d’une licence de mathématiques ou équivalent.

Objectifs : L’ambition du parcours est de répondre aux attentes des étudiant-e-s intéressé-e-s par la statistique et l’aléatoire dans les domaines appliqué et théorique. Les aspects statistiques abordés dans ce parcours vont de la modélisation du vivant jusqu’aux problématiques les plus théoriques de la statistique et de la modélisation stochastique. Deux objectifs sont visés par la formation.

  • Le premier est de former des chercheuses et chercheurs ou enseignants-chercheurs et enseignantes-chercheuses dans le domaine des probabilités ou de la statistique théorique ou appliquée. Elles ou ils pourront ensuite intégrer, après un doctorat, des laboratoires dans les universités, les grandes écoles d’ingénieurs ou les organismes de recherche, tels le CNRS, l’INRA, le CIRAD, l’INSERM, … Il est aussi possible d’intégrer, directement après le M2, une entreprise ou un laboratoire de recherche.
  • Le deuxième objectif est de former des statisticien-ne-s de haut niveau pour des organismes de recherche ou des entreprises, en particulier les laboratoires pharmaceutiques, pour lesquels la statistique est un outil indispensable.

Cette formation bénéficie du soutien du labex Numev. Nous offrons la possibilité d’un double diplôme avec l’Université de Sherbrooke au Canada.

Débouchés : Types d’emplois accessibles

  • biostatisticien-ne
  • chercheur-euse
  • enseignant-e chercheur-euse
  • ingénieur-e d’étude statisticien-ne

dans les secteurs

  • recherche et/ou enseignement public ou privé
  • secteur recherche et développement des grands organismes ou entreprises
  • établissements publics de recherche (CNRS, INRA, CIRAD, INSERM,…)
  • laboratoires pharmaceutiques
  • entreprises ou instituts techniques du secteur agronomique
  • entreprises de cosmétologie
  • sociétés de service…

M1

Premier Semestre – Intitulé ECTS Volume horaire
Code Apogée
Introduction aux théories de l’information et de la décision 2,5 10,5h C + 10,5h TD HMMA101
Statistique inférentielle 7,5 30h C + 30h TD HMMA102
Processus stochastiques 7,5 30h C + 30h TD HMMA103
Maths numériques 5 15h C + 24h TP HMMA105
Analyse des données multidimensionnelles 5 21h C + 21h TD HMMA127
Modèles de durée et fiabilité 2,5 10,5h C + 10,5h TD  HMMA128
Deuxième Semestre – Intitulé ECTS Volume horaire Code Apogée
Modèle linéaire 5 21h C + 21h TD HMMA201
Séries temporelles 5 21h C + 21h TD HMMA205
Introduction à l’épidémiologie 2,5 10,5h C + 10,5h TD HMMA208
Statistique des durées de vie avancées 2,5 10,5h C + 10,5h TD HMMA236
Séries temporelles avancées 2,5 10,5h C + 10,5h TD HMMA237
Développement logiciel 7,5 27h C + 31,5h TP HMMA238
Projet 5 HMMA210

M2

Troisième Semestre – Intitulé ECTS Volume horaire Code Apogée
Modèles paramétriques avancés 5 21h C HMMA301
Modèles linéaires avancés 5 21h C HMMA307
Apprentissage statistique 5 21h C HMMA308
Estimation fonctionnelle 5 21h C HMMA309
Statistique bayésienne 5 21h C HMMA310
Processus en temps continu 5 21h C HMMA312
Quatrième Semestre – 3UE au choix + stage
ECTS Volume horaire Code Apogée
Analyse des séquences biologiques 5 21h C HMMA412
Statistique pour l’environnement 5 21h C HMMA413
Modélisation en écologie 5 21h C HMMA414
Modélisation en génétique des populations 5 21h C HMMA415
Statistique bio-médicale 5 21h C HMMA416
Stage 15 HMMA411

Description des cours de M1


Introduction aux théories de l’information et de la décision, enseignants 2017-2018 Xavier Bry, Jean-Michel Marin

1) Théorie de l’information
Information et Codage – Entropie de Shannon – Entropies conditionnelle et mutuelle. Contrastes et métriques d’information.
2) Théorie de la décision:
Formalisation du problème de décision: règle de décision déterministe ou mixte, pertes et risques.
Qualités d’une règle de décision: décision sans biais, convergente, optimale.

3) Au confluent des deux théories: pseudo-vraie loi des observations au sein d’un modèle, estimation du chi2-minimum…


Statistique inférentielle, enseignants 2017-2018 Xavier Bry, Gilles Ducharme

Modèles statistique ; log-vraisemblance et information de Fisher, Modèles exponentiels.
Estimation ponctuelle : estimateur exhaustif, sans biais à variance minimale, borne de Cramer-Rao, Améliorée de Rao-Blackwell, Théorène de Lehmann.
Tests d’hypothèses : test UPP, type d’erreur, Lemme de Neyman-Pearson, Théorème de Lehmann, test UPP sans biais.
Intervalle de Confiance : approches ad hoc ; approche en inversant un test d’hypothèses.

Méthode des moments, méthode du maximum de vraisemblance. Propriétés asymptotique de ces estimateurs. Utilisation de celles-ci pour obtenir des régions de confiance asymptotique.
Tests de Wald, de Rao et du rapport de vraisemblance dans le cas d’hypothèses nulles simple et composites. Quelques applications.
Quelques propriétés de la fonction de réparitition empirique.
Robustesse : Estimateurs basés sur les quantiles empiriques, estimateurs L et R. Comportement asymptotique.


Processus stochastiques, enseignante 2017-2018 Benoîte de Saporta

1) Généralités sur les processus, filtrations, temps d’arrêt
2) Espérance conditionnelle
3) Chaînes de Markov à temps discret
4) Martingales à temps discret
5) Applications


Développement logiciel, enseignant-e-s 2017-2018 Elodie Brunel, Mathieu Ribatet

Partie développement logiciel

1) Introduction:
– La problématique du développement logiciel: besoins, fonctionnalités,problèmes.
– Étapes du développement logiciel: analyse des besoins, conception
(modélisation), construction, tests, maintenance, portage. Évolution et
intégration continue. Développement collaboratif.
2) Notions de base en architecture logicielle: couches logicielles & spécifications.

Partie programmation R et SAS

1)La programmation:
– algorithmes, modules, tests.
– variables, vecteurs, tableaux, listes.
– fonctions, conditions, boucles.
– objets
– interprétation & compilation
– librairies dynamiques
2) Principes et pratique du débogage.
3) Gestion des versions
4) Documentation
5) Environnements de développement intégré.


Maths numériques, enseignant 2017-2018 Benjamin Charlier

analyse hilbertienne, analyse de Fourrier et introduction à la théorie du signal et au traitement d’image


Modèle linéaire, enseignant 2017-2018Lionel Cucala

1) Introduction aux modèles avec covariables

2) Le modèle linéaire ordinaire: aspects géométriques
– Hypothèses, formulation et interprétation des coefficients
– Estimateurs des moindres carrés ordinaires
– Théorème de Gauss-Markov
– Théorème de Frish-Waugh
– Estimateur sous contrainte linéaire sur les coefficients.
– Quelques avatars du modèle général : modèle avec interactions, modèles d’ANOVA.
3) Le modèle linéaire gaussien ordinaire: aspects inférentiels
– Loi des estimateurs
– Tests sur les coefficients: Student, Fisher, Wald, Rapport des maxima de vraisemblance.
Application aux modèles avec interaction et aux modèles d’ANOVA.
– Tests d’une hypothèse linéaire sur les coefficients.
– Prédiction
4) Diagnostics et corrections du modèle ordinaire
– Diagnostics et tests d’hétéroscédasticité; corrections.
– Diagnostics de non-linéarité et corrections.
– Tests d’hétérogénéité et observations atypiques; corrections.
5) Le modèle linéaire général.
– Le modèle
– La forme sphéricisée
– Estimateurs des moindres carrés généralisés
– Lois des estimateurs
– Tests
– Prédiction
6) Estimations régularisées (Ridge, Lasso)


Analyse des données multidimensionnelles, enseignant 2017-2018 Xavier Bry

1) Rappels de statistique bivariée:
– corrélations linéaires et de rang,
– correspondances
– analyse de variance.
– Insuffisances de la statistique bivariée.
2) Traduction d’un tableau de données en espaces métriques
– Nuages de points: nuage direct et nuage dual
– Inerties
3) Classification automatique
– Problématique de la classification
– Classification conceptuelle: treillis de Galois
– Classification en espace métrique:
Hiérarchies de partitions
Partition localement optimale: K-means
Classification ascendante hiérarchique
Classification mixte
Interprétation d’une partition
Classification descendante: segmentation
4) Analyse factorielle d’un groupe de variables
– Variables quantitatives: ACP réduite
– Formalisme général de l’ACP
– Variables qualitatives: Analyses des correspondances
Correspondances binaires
Correspondances non-symétriques
Correspondances multiples
– Variables mixtes: ACP mixte
5) Analyse factorielle des liaisons entre deux groupes de variables
– Critère et programme générique, solution et propriétés générales
– Analyse canonique
– Analyse discriminante linéaire
– Analyse des redondances maximales / ACPVI
– Analyse discriminante PLS
– Analyse inter-batteries et analyse/régression PLS
– Analyses de co-inertie
6) Analyses multi-tableaux élémentaires
– Critère et programme générique, solution et propriétés générales
– Analyse canonique généralisée
– Analyse Factorielle Multiple


Statistique des durées de vie, enseignant 2017-2018 Mathieu Ribatet

I – Description des données de survie.
1) Observation incomplète : censures à droite, à gauche, par intervalles.
2) Fonctions de survie et de risque instantané.
3) Caractéristiques : temps médian, temps moyen.
4) Estimation nonparamétrique d’une fonction de survie : estimateurs de Kaplan-Meier et de Nelson-Ålen.
5) Gestion de la censure à gauche et par intervalles.
6) Estimation non-paramétrique d’une matrice de transition markovienne.
II – Modélisation :
1) Modèles paramétriques de durée de vie.
2) Modèle semi-paramétrique de Cox.
3) Modélisation semiparamétrique d’une matrice de transition markovienne


Introduction à l’épidémiologie, enseignant-e-s 2017-2018 Isabelle Carrière, Hugues Chevassus, Joanna Norton

– construire et interpréter les indicateurs épidémiologiques
– construire et interpréter les indicateurs d’association entre un facteur de risque et un problème de santé, selon le type d’enquête,
– définir les phénomènes de confusion et en tenir compte dans une analyse multivariée,
– analyser des phénomènes de santé avec des modèles de simulation.


Processus : modèles et inférence, enseignant 2017-2018 Ali Gannoun

Processus à temps discret, à espace d’états discret ou continu. Chaînes de Markov, semi-Markov, Martingales, séries chronologiques : les caractéristiques et leur estimation.


Projet

Étude d’un ou plusieurs problèmes réels ou académiques issus de recherches effectuées à l’Université de Montpellier, recherche bibliographique et résolution du problème. Le projet donne lieu à un rapport et une soutenance.


Description des cours de M2


Modèles paramétriques avancés, enseignant 2017-2018 Gilles Ducharme

Ce cours présente les techniques avancées pour l’analyse des durées de vie censurées et tronquées. L’accent sera mis sur les applications en biologie et en santé. Il fait suite et complète le cours de M1 où les outils de base ont été présentés. Le contenu est le suivant :

I) Modélisations de base (rappels de M1)
• les fonctions d’intérêt : fonction de survie, fonction de risque instantané et cumulé, moyenne de vie résiduelle, médiane de survie.
• Quelques modèles paramétriques univariés.
• Modèles de régression.
• Risques compétitifs.

II) Echantillonnage avec censure et troncature
• censure à droite, à gauche et par intervalle.
• Troncature.
• Exemples de jeux de données réelles
• construction de la vraisemblance dans les modèles d’échantillonnage avec censure et troncature.
• Processus de comptage

III) Estimation non-paramétrique pour des données tronquées et/ou censurées
• estimation de la survie et de la fonction de risque cumulé pour des données censurées.
• Intervalles/bandes de confiance.
• estimation de la survie pour des données censurées à droite et tronquées à gauche,
avec risque compétitifs.

IV) Modèles à risque proportionnel
• modèles de régression semi-paramétriques pour des covariables fixes.
• Covariables dépendant du temps.
• Modèles stratifiés.
• Analyse de résidus de régression (cas du modèle de Cox)

V) Modèles de régression additive
• modèles non-paramétrique de Aalen.
• modèles de régression paramétrique (Weibull, log-logistique).
• modèles de fragilité.

Références
Survival Analysis: Techniques for Censored and Truncated Data. J. P. Klein, M. L. Moeschberger, Springer, 2nd édition, 2003.
Applied Survival Analysis. D. W. Hosmer, S. Lemeshow, John Wiley & Sons, 2008.


Modèles linéaires avancés, enseignantes 2017-2018 Catherine Trottier, Marie Denis

Modèles linéaires et linéaires généralisés sont des bases incontournables pour la modélisation dans des domaines variés comme la médecine, l’écologie, la génétique, l’agronomie ou encore les sciences de l’ingénieur… Néanmoins, ils présentent des limites liées à l’hypothèse d’échantillon indépendant. La prise en compte d’une dépendance entre les unités statistiques s’avère souvent nécessaire. Parmi les modélisations possibles de cette dépendance, l’introduction d’effets aléatoires est maintenant répandue. L’objectif de ce cours est de présenter le sens de ces effets aléatoires, puis l’extension des modèles linéaires aux modèles linéaires mixtes. Nous aborderons les questions d’estimation des paramètres d’effet fixe comme ceux de variance au sein de ces modèles. Nous les mettrons en œuvre sur différents cas pratiques à l’aide du package lme4 du logiciel R. Enfin nous envisagerons également l’introduction des effets aléatoires dans les modèles linéaires généralisés.

Références

Searle, S.R.; Casella, G. and McCulloch, C.E. (1992). Variance components, Wiley Series in Probability and Statistics.
Journal of Société Française de Statistique (2002) Special Number on Modèles Mixtes et Biométrie. Vol.143 – No 1-2
Bates D.M. (2010). lme4: Mixed-effects modeling, with R, Springer, https://lme4.r-forge.r-project.org/book/
Pinheiro, J. C., and Bates, D. (2000), Mixed Effects Models in S and S-PLUS, New York: Springer.


Apprentissage statistique, enseignant 2017-2018 Nicolas Verzelen

Le but de ce cours est de parcourir les méthodes d’apprentissage (régression ou classification) en partant des modèles linéaires jusqu’aux méthodes de machine learning modernes comme la régression ridge, le Lasso et ses dérivés, SVM, CART, Random Forest ou AdaBoost. L’idée est de présenter aussi quelques techniques de sélection de modèles par validation ou validation croisée.

Une moitié du cours présente les méthodes, c’est-à-dire leurs principes et leurs mises en œuvre avec R. Une seconde moitié apporte un éclairage théorique sur les problèmes de classification (en particulier la théorie de Vapnik) et en sélection de modèles (fléau de la dimension, analyse du Lasso, du critère AIC).

Références

Giraud, C. (2014) Introduction to high-dimensional statistics. CRC Press

Hastie, T., Tibshirani, R., Friedman, J., Hastie, T., Friedman, J., & Tibshirani, R. (2009). The elements of statistical learning. Springer, New York.

Van der Vaart, A (2000) Asymptotic Statistics. Cambridge University  Press


Estimation fonctionnelle, enseignants 2017-2018 Ali Gannoun, Lionel cucala

En utilisant uniquement des hypothèses de régularitée mathématique sur la nature des distributions des données, nous construisons des estimateurs dits ”non paramétriques” de la fonction de répartition, de la densité, de la densité conditionnelle, de la régression et de certains quantiles. Ces estimateurs sont flexibles et faciles à programmer et jouissent de plusieurs propriétés théoriques. Certains de ces estimateurs seront utilisés pour la construction de prédicteurs non paramétriques en vue de la prévisions de processus

Plan du cours:

  • ˆ Introduction (Fonction de répartition, histogramme, propriétés d’un estimateur)
  • Estimation d’une densité (méthode à noyau)
  • Régression non paramétrique (régresssogramme et méthode à noyau)
  • Aspects supplémentaires (traitement des bornes, estimation des dérivées, aspects multivariés)
  • Estimation de la médiane et du mode conditionnels
  • Application à la prévision des séries chronologiques

Références:
D. Bosq, J.P. Lecoutre (1991): Théorie de l’estimation fonctionnelle
J. Simono (1996): Smoothing Methods in Statistics
W. Härdle (1990): Smoothing Techniques, With Implementations in S
B. Silverman (1986): Density estimation for Statistics and Data Analysis
M. Wand, R. Jones (1995): Kernel smoothing
J. Fan, I. Gijbels (1996): Local Polynomial Modelling and Its Applications
R. Eubank (1988): Spline Smoothing and Nonparametric Regression


Statistique bayésienne, enseignant-e-s 2017-2018 Christophe Abraham, Meïli Baragatti

Ce cours propose une exploration de la statistique bayésienne à travers les principes de bases et quelques modèles caractéristiques. Après une introduction à travers l’étude de modèles élémentaires (données binomiales, multinomiales et  normales), nous aborderons, dans une seconde leçon, le modèle linéaire et le facteur de Bayes. La 3e leçon sera consacrée au calcul bayésien et au diagnostic. Les dernières leçons seront consacrées à des modèles caractéristiques de la statistique bayésienne : sélection de variables, modèles de mélanges et classification par le processus de Dirichlet. Une séance sera consacrée à des applications pratique avec le logiciel R.


 Processus en temps continu, enseignants 2017-2018Pierre Fernique, Yann Guédon

L’objectif ce cours est de donner les bases probabilistes, statistiques et algorithmiques nécessaires pour l’application de modèles stochastiques très largement utilisés en biologie (analyse du génome, de la dynamique de populations, du développement et de la structure des plantes …). Ces modèles stochastiques permettent notamment d’analyser des événements récurrents, d’identifier des motifs ou de détecter des zones homogènes et des ruptures dans des données structurées en séquences ou en arborescences.

(1) Processus stochastiques : L’objectif est ici de donner un point de vue cohérent sur les processus stochastiques en se basant sur les idées de théorie du renouvellement et de dépendance locale. Cela permet d’introduire alors différentes familles de modèles stochastiques, principalement à temps discret, très utilisés en biologie comme les chaînes de Markov d’ordre variable et les (semi-)chaînes de Markov cachées.

(2) Modèles graphiques probabilistes : Les modèles graphiques probabilistes sont un formalisme basé   sur les graphes pour représenter des indépendances conditionnelles dans des lois multivariées et plus généralement dans des processus stochastiques. Nous aborderons les modèles graphiques basés sur des graphes orientés et non-orientés et illustrerons cette approche par l’identification de modèles graphiques correspondant à des lois discrètes multivariées et par la représentation des structures d’indépendance conditionnelle dans des processus stochastiques pour données arborescences.

(3) Méthodes d’estimation pour modèles stochastiques partiellement observables : Du fait soit de mécanismes de censure (processus de renouvellement et processus semi markoviens), soit de la présence de variables non-observables (modèles markoviens cachés), se posent des problèmes d’estimation aux données incomplètes. Les méthodes d’estimation correspondantes sont alors introduites et notamment l’algorithme EM et ces variantes stochastiques (algorithme MCEM).

(4) Algorithmes pour modèles stochastiques à variables latentes : Les modèles intégrant des variables dépendantes non-observables comme les modèles markoviens cachés nécessitent d’utiliser une algorithmie spécifique (algorithmes de type filtrage/lissage et algorithmes de programmation dynamique) que ce soit pour l’estimation des paramètres du modèle ou la restauration des variables latentes.

Le cours est illustré par de nombreux exemples issus de différents champs de la biologie et en particulier de la biologie végétale avec l’analyse du développement et de la structure des plantes. Une large base d’exercices corrigés est disponible. Une séance de travaux pratiques permet d’appliquer les modèles et méthodes développés dans le cours.

Références:

Applebaum, D. (2008). Probability and Information: An Integrated Approach, 2ème édition. Cambridge : Cambridge University Press.

Barbu, V. S. & Limnios, N. (2008). Semi-Markov Chains and Hidden Semi-Markov Models toward Applications: Their Use in Reliability and DNA Analysis. New York : Springer.

Cappé, O., Moulines, E. & Ryden, T. (2005). Inference in Hidden Markov Models. New York : Springer.

Cover, T. M. & Thomas, J. A. (2006). Elements of Information Theory, 2ème édition. Hoboken, NJ : Wiley.

Durbin, R., Eddy, S. R., Krogh, A. & Mitchison, G. J. (1998). Biological Sequence Analysis: Probabilistic Models of Proteins and Nucleic Acids. Cambridge : Cambridge University Press.

Frühwirth-Schnatter, S. (2006). Finite Mixture and Markov Switching Models. New York: Springer.

Guttorp, P. (1995). Stochastic Modeling of Scientific Data. London : Chapman & Hall.

Karlin, S. & Taylor H. M. (1975). A First Course in Stochastic Processes, 2ème édition. Academic Press.

Karlin, S. & Taylor, H. M. (1981). A Second Course in Stochastic Processes. Academic Press.

Koller, D. & Friedman N. (2009). Probabilistic graphical models: principles and techniques.

Cambridge, MA : MIT press.

Lauritzen, S. (1996). Graphical models. Oxford University Press.

Kulkarni, V. G. (1995). Modeling and Analysis of Stochastic Systems. London : Chapman & Hall.

Lindsey, J. K. (2004). Statistical Analysis of Stochastic Processes in Time. Cambridge : Cambridge University Press.

McLachlan, G. J. & Krishnan, T. (2008). The EM Algorithm and Extensions, 2ème édition. Hoboken, NJ : Wiley.

Zucchini, W. & MacDonald, I. L. (2009). Hidden Markov Models for Time Series: An Introduction Using R. Boca Raton, FL : Chapman & Hall/CRC.


Analyse des séquences biologiques, enseignant-e-s 2017-2018 Laurent Bréhelin, Stéphane Guindon, Sophie Lèbre, Fabio Pardi

Les séquences biologiques (ADN, protéines) constituent une source d’information majeure sur le vivant. Avec les progrès de la génomique, elles sont aujourd’hui acquises à très bas coût et trouvent des applications dans de nombreux domaines en biologie moléculaire et cellulaire, santé, agronomie et environnement. Ce module présentera les modèles utilisés pour analyser ces séquences. On distinguera les modèles évolutifs « verticaux », basés sur des processus de Markov à temps continu, qui sont utilisés pour représenter l’évolution des séquences le long de l’arbre du vivant, et les modèles « horizontaux », basés sur des modèles de Markov discrets et des modèles de Markov cachés, destinés à représenter les séquences elles-mêmes et l’enchainement des caractères qu’elles contiennent.
Complémentaire de la génomique, la post-génomique étend l’observation du fonctionnement de la cellule à travers l’étude du transcriptome et du protéome. Il s’agit de savoir quand et dans quelles conditions un gène s’exprime, notamment pour enclencher la fabrication de protéines, et quelle est l’activité des protéines fabriquées. Les motifs présents dans la région promotrice d’un gène conditionnent la transcription de ce gène. Ce module présentera des méthodes statistiques pour l’identification de régulations géniques, en particulier par la détection de motifs au sein de régions promotrices (Modèles de Markov cachés) et l’inférence de réseaux de régulation à partir de données d’expression (Modèles graphiques et sélection de variables en grande dimension).
Le cours présentera le versant biologique, les modèles statistiques et les algorithmes permettant de les mettre en oeuvre.

Plan
1 Modèles probabilistes d’évolution des séquences biologiques

2 Inférence des phylogénies

3 Modèles de Markov cachés pour la détection de motifs

4 Modèles graphiques et inférence de réseaux de régulation génique


Statistique pour l’environnement, enseignants 2017-2018 Lionel Cucala, Mathieu Ribatet

De nombreux phénomènes possédant un caractère aléatoire sont définis continûment dans l’espace, e.g. champs de précipitations ou de températures, présence ou non d’une espèce végétale… Nous sortons donc clairement du cadre classique de la modélisation de variables/vecteurs aléatoires pour nous intéresser à celui des fonctions aléatoires réelles définies sur des domanies de dimension plus grande que 1. Cette branche spécifique de la statistique est connue sous le nom de statistiques spatiales et l’objectif de ce cours sera d’en introduire ses fondements théoriques. Puisque bien souvent le but principal des statistiques spatiales relève de la prédiction en un point non renseigné, ce cours introduira les éléments fondamentaux de la prédiction spatiale et fera également la part belle aux applications. Afin de couvrir un large panel des statistiques spatiales, ce cours s’articulera autour de deux parties : les processus ponctuels et la géostatistique. De plus si le temps le permet, une ouverture vers la théorie des extrêmes spatiaux sera introduite. Lors de ce module, les thèmes suivants seront abordés :

Processus Ponctuels
• Exemples de jeux de données environnementales modélisables par des processus
ponctuels. Statistiques de résumé.
• Processus de Poisson homogènes et hétérogènes: méthodes d’estimation
paramétriques et non-paramétriques et de simulation.
• Processus de Cox: modélisation de l’attraction ou de la répulsion entre événements.
• Etude de cas pratique: la détection d’agrégats sur des données de cancer.

Géostatistiques
• Processus gaussiens et leur propriétés (stationarité, isotropie…)
• Notions de dépendance spatiale (fonction de covariance, variogramme, …)
• Estimation et prédiction
• Simulation non conditionnelle et conditionnelle
• Processus max-stable (si le temps le permet)

Références
J.P. Chilès, P. Delfiner, (1999) Geostatistics: Modelling Spatial Uncertainty, Wiley Series in Probability
and Mathematical Statistics
Diggle, P., Ribeiro, P., and Justiniano, P. (2007). Model-based Geostatistics. Springer Series in
Statistics
Möller, J. and Waagepetersen, R. (2004). Statistical Inference and Simulation for Spatial Point
Processes. CRC Press.


Modélisation en écologie, enseignant-e-s 2017-2018 Bertrand Cloez, Benoîte de Saporta

Il s’agit d’introduire les processus stochastiques en temps continu comme outil de modélisation en écologie et dans les sciences de la vie en général. Les aspects analytiques sont introduits aussi bien que les outils de simulation de ces processus (techniques de Monte Carlo). Comme les processus de Markov de saut pur ont déjà été introduits au Master, ce cours se concentre sur l’intégrale et le calcul de Itô et sur les équations différentielles
stochastiques, Nous ferons également le lien avec les modèles classiques à base d’équations différentielles ordinaires.

Mots clefs: processus de Markov en temps continu, calcul stochastique, Monte Carlo, modélisation


Modélisation en génétique des populations, enseignants 2017-2018 Raphaël Leblois, Jean-Michel Marin, François Rousset

L’objectif de ce cours est de présenter les concepts de base de l’inférence des processus en génétique des populations. Pour cela on présente d’abord des rappels de génétique, puis on introduit quelques processus canoniques (modèle de Wright-Fisher, modèles de structuration des population, processus mutationnels des marqueurs génétiques) et leur méthodes d’analyse mathématique (coalescence, diffusion). Les méthodes classiques d’inférence fondées sur les probabilités d’identité de paires de gènes, et les développements plus récents (algorithmes pour le calcul de la vraisemblance, approximate Bayesian computation) sont développés sur ces bases. Des thématiques complémentaires (par exemple, détection des effets  de la sélection naturelle sur des marqueurs) peuvent être abordées à travers des analyses d’articles.


Statistique bio-médicale, enseignant 2017-2018 Nicolas Molinari

1. Introduction aux données de la recherche clinique, aspects réglementaires et méthodologiques

2. Fonction de vraisemblance et applications aux données bio-médicales

3. Rappels sur les données de survie, modèles à risques compétitifs, test basé sur une U-statistique

4. Modèles d’analyse de données de fertilité

5. Diagnostic médical et courbes ROC comme application d’une U-statistique

6. Méta-analyses

7. Analyses de données ponctuelles d’une pathologie


Stage de 4 à 6 mois en entreprise ou en laboratoire de recherche

Les stages donnent lieu à un rapport et une soutenance publique.

Parcours Mathématiques de l’INformation et de la Décision (MIND)

Affiche Master MINDAffiche Master MIND programmeSyllabus

Responsable: Xavier BRY (xavier.bry@umontpellier.fr)

Informations rentrée 2019-2020 : 

Inscriptions :

– La réunion de rentrée

– Les cours

Objectifs :

L’objectif du Master MIND est de fournir une formation de haut niveau à double compétence (1: mathématiques appliquées & statistiques, 2: gestion) afin de fournir aux étudiants les connaissances et outils contemporains d’analyse et synthèse de l’information utile aux métiers de décision et gestion en environnement risqué. Ce diplôme est destiné aux étudiants scientifiques ayant un profil mathématique (MATHS fondamentales ou appliquées, MASS).

Le master s’adresse à des étudiants non formés à la gestion, à qui il propose une ouverture à la gestion d’entreprise. Via cette double compétence, il facilite la recherche d’un emploi d’ingénieur ou de cadre.

Ce Master est conduit en coopération avec l’IAE de l’UM, lequel en fournit les enseignements de management. Moyennant une double inscription pédagogique (l’une à la Fac de Sciences, l’autre à l’IAE), les étudiants obtiendront un double-diplôme (Mathématique et Management).

Compétences visées :

Gestion et analyse de données statistiques. Extraction d’information & de connaissances. Outils et techniques d’aide à la décision, Gestion de projet, de risques, de portefeuille, de clientèle, de ressources et de qualité. Études de marché, prévision et stratégie.

Débouchés :

Organisations, entreprises : 

Grandes entreprises et organisations (services de marketing et clientèle, de prévision et stratégie, de gestion des ressources…), Banques, Assurances (gestion de portefeuille), Sociétés de service en technologies de l’information (gestion de données, extraction d’information et de connaissance), Bureaux d’études, …

Métiers : 

Métiers du secondaire ou du tertiaire qui requièrent une expertise en mathématiques (statistique, optimisation), informatique, économie et gestion: fouille de données économiques, qualité, fiabilité, études et prévision, gestion d’entreprise, gestion de projet.

Exemples: Statisticien d’entreprise, Data-miner, Data-manager, Chargé d’études marketing, Manager de la relation client, Manager des risques financiers, Responsable de pilotage et contrôle des risques, ETC.

 

Inscriptions au parcours : via e-candidat à partir du 02/05/19 au 01/07/19.

Dates d’ouverture des demandes d’admission 2019-2020

PROGRAMME

M1

Secrétariat pédagogique: Éric HUGOUNENQ: eric.hugounenq@umontpellier.fr

Programme:

Semestre 1:

UE ECTS Heures
 Introduction aux théories de l’information et de la décision 2.5  12 CM 13.5 TD
 Statistique inférentielle 7.5  33 CM 42 TD
 Processus stochastiques  7.5  33 CM 42 TD
 Développement logiciel  7.5  25 CM 25 TD 25 TP
 Microéconomie 5  25.5 CM 25.5 TD

Semestre 2:

UE ECTS Heures
Modèle linéaire 5 25.5 CM 25.5 TD
Analyse des données multidimensionnelles 5 25.5 CM 25.5 TD
Modèles de durée et fiabilité 2.5 13.5 CM  12 TD
Modèles multivariés 2.5 13.5 CM  12 TD
Séries temporelles 5

25.5 CM  25.5 TD

Économie générale et financière 5 25.5 CM  25.5 TD
Stage | projet 5

M2

Secrétariat pédagogique: Laurence Roux: laurence.roux@umontpellier.fr

Programme:

Semestre 1:

UE ECTS Heures
Modèles linéaires avancés 5

25.5 CM 25.5 TD

Statistique non-paramétrique 5 25.5 CM 25.5 TD
Discrimination & scoring 5 25.5 CM 25.5 TD
Modèles linéaires généralisés 5 25.5 CM 25.5 TD
Marketing 2.5

13.5 CM, 12 TD

Management des risques 7.5

37.5 CM 37.5 TD

Semestre 2:

UE ECTS Heures
Statistique computationnelle 2.5 13.5 CM, 12 TD
Bases de données 2.5

10.5 CM 10.5 TD 4.5 TP

Modèles à variables latentes & applications 2.5 13.5 CM, 12 TD
Sondages et enquêtes 2.5 13.5 CM, 12 TD
Gestion de projet optimisée 2.5

13.5 CM, 12 TD

Stratégie d’entreprise 2.5  13.5 CM, 12 TD
STAGE 15

Parcours « Préparation à l’Agrégation externe de Mathématiques »

L’Agrégation de mathématiques est un concours de recrutement très sélectif qui permet d’enseigner dans les lycées, les classes préparatoires (CPGE) ou à l’université (PRAG). La possession du titre d’Agrégé peut aussi s’avérer un élément très positif dans l’optique d’un éventuel recrutement dans une entreprise privée, dans la mesure où elle est le signe d’une importante capacité de travail et de concentration.

Responsable : Matthieu HILLAIRET

Présentation du parcours

Pour s’inscrire au parcours « Préparation à l’Agrégation externe de Mathématiques » il faut être titulaire d’un Master 1 de  mathématiques, de préférence à forte dominante en mathématiques fondamentales. Ce parcours vous propose une formation intensive qui vous permettra d’aborder le concours avec les meilleures chances de succès. Les principales qualités requises pour aborder le concours (et qui seront également développées au cours de la préparation) sont la solidité des connaissances, la culture et le recul sur l’ensemble des connaissances acquises depuis la Licence.

La formation se décline suivant les enseignements suivants :

Préparation à l’écrit:

Des cours de “révisions” du programme de Licence et Master 1,

Des sujets d’écrits blancs qui sont corrigés et commentés,

Des sessions de TD centrés sur un sujet d’écrit.

Préparation aux oraux:

Des leçons préparées tout au long de l’année,

Des colles permettant de tester ses choix de développements.

Préparation aux oraux d’option:

Nous proposerons une préparation à l’options C (algèbre et calcul formel).

Inscription au concours

Pour s’inscrire au concours de l’agrégation externe, il faut se rendre sur le site spécifique du ministère

Attention, l’inscription au parcours est distincte de l’inscription au concours !

Présentation du concours

Pour pouvoir être candidat, il faut avoir validé un Master en Mathématiques (ou équivalent, par ex. diplôme d’ingénieur), plus d’information sur le site du ministère de l’éducation nationale.

Inscriptions :

Master MEEF second degré, parcours Mathématiques


 A partir de la rentrée 2014, la formation des enseignants est prise en charge au niveau académique par l’  ESPE : https://www.espe-lr.fr/ qui propose 4 mentions de master MEEF (Métiers de l’enseignement, de l’éducation et de la formation).

Le parcours Mathématiques  de la mention de master MEEF second degré  est destiné aux étudiants titulaires d’une licence de mathématiques et intéressés par l’enseignement des mathématiques dans l’enseignement général (collèges et lycées du secondaire).

Il offre à la fois une préparation complète au concours du CAPES, un complément de formation en mathématiques axé sur les mathématiques de l’enseignement secondaire, une formation en didactique et épistémologie des mathématiques, et une initiation aux métiers de l’enseignement. La deuxième année se fait en alternance : les étudiants sont à mi-temps fonctionnaires stagiaires dans un établissement du second degré.

Nouveauté à la rentrée 2016-2017 :

Le M1 MEEF prépare aussi à l’option « informatique » du CAPES de mathématiques. Pour plus d’informations sur cette option, cliquer ici.

Informations concernant le master :

La formation se déroule sur 2 ans : une première année (M1) dévolue principalement à la préparation au concours, et une seconde année (M2) dévolue à la formation professionnelle articulée autour d’un stage en établissement (9 heures par semaines, rémunéré).

Les inscriptions au concours du CAPES sont indispensables en plus de l’inscription au master.

Master MEEF second degré, parcours Maths-Sciences en lycée professionnel


A partir de la rentrée 2014, la formation des enseignants est prise en charge au niveau académique par l’École Supérieure du Professorat et de l’Éducation (ESPE) , qui propose 4 mentions de masters MEEF (Métiers de l’enseignement, de l’éduaction et de la formation).

Le parcours Maths-Sciences en lycée professionnel de la mention de master MEEF second degré est destiné aux étudiants titulaires d’une licence scientifique ou équivalent et intéressés par une carrière d’enseignant de Mathématiques, Physique et Chimie en Lycée Professionnel.

Pour plus d’informations, cliquer ici.

Responsable: Jean-Michel OUDOM

PLAQUETTE

Parcours « Statistique pour les Sciences de la Vie » (SSV)

Responsables : Jean-Noël Bacro ; Robert Sabatier

Objectifs :

Le master « Statistique pour les Sciences de la Vie » s’adresse aux titulaires d’une licence de spécialité biologie (au sens large : biologie-mécanismes du vivant, biologie-écologie, biologie-santé, agronomie, génétique, …). La  formation offre la possibilité d’assurer aux étudiant(e)s une double compétence : sciences de la vie et biostatistique. Le principal objectif du master est d’acquérir les connaissances nécessaires pour :

  1. Superviser et contrôler la mise en place, le déroulement et l’avancement d’expériences scientifiques permettant d’obtenir des données expérimentales en bonne adéquation avec des problématiques issues de la biologie et/ou santé ;
  2. Superviser les traitements statistiques de données ;
  3. Analyser les résultats de traitements statistiques et rédiger des rapports et/ou des articles scientifiques sur les résultats obtenus et les avancées scientifiques.

Débouchés:

  • Biostatisticien dans des organismes de recherche publics ou privés

  • Biostatisticien dans des CRO (Contract Research Organization) publiques ou privées

  • Ingénieur statisticien dans des laboratoires de biologie publics ou privés

  • Chargé de recherche clinique dans des organismes de recherche publics ou privés

  • Data Manager dans des organismes de recherche ou laboratoire publics ou privés

  • Data-Manager dans des CRO (Contract Research Organization) publiques ou privées

  • Chercheur de spécialité biologie avec une forte composante en statistique.

Inscriptions via e-candidat :  https://ecandidat.umontpellier.fr/ecandidat/#!accueilView

Info Faculté des Sciences : https://sciences.edu.umontpellier.fr/candidatures-inscriptions/inscriptions/

M1  –  Responsables : Jean-Noël Bacro ; Robert Sabatier

UE Semestre 1 Volume Horaire (H) ECTS
Algorithmique et système : mise à niveau 0
Mathématiques Générales CM : 12 ; TD : 8 2,5
Anglais TD : 40 5
Introduction épidémilogie recherche clinique CM : 12 ; TD : 8 2,5
Aspects technologiques du recueil de données -omiques CM : 6 ; TD : 8 ; TP : 6 2,5
Introduction à la statistique inférentielle CM : 24 ; TD : 16 5
Analyse des données niveau 1 CM : 10 ; TD : 10 5
Programmation CM : 12 ; TD : 8 5
Base de données niveau 1  CM : 12 ; TD : 8 2,5
UE Semestre 2  
Communication CM : 3 ; TD : 2 ; TP : 20 2,5
O-miques 2,5
Interventions de Professionnels  CM : 24 2,5
Méthodes en recherche clinique  : Diag-Pron CM : 10 ; TD : 10 2,5
Méthodes en recherche clinique : ECR 2,5
Programmation en R et SAS TD : 20 2,5
E-données CM : 4 ; TD : 6 ; TP : 10 2,5
Modèle linéaire général CM : 15 ; TD : 5 2,5
Stage 10

Dates importantes : à venir

Emploi du temps: (n  et n+1)

M2  –  Responsable : Jean-Noël Bacro ; Robert Sabatier

UE Semestre 3 Volume Horaire (H) ECTS
Analyse statistique des données -omiques CM : 6 ; TD : 14 2,5
Séminaire de recherche CM : 12 ; TD : 8 2,5
Analyse des données censurées CM : 14 ; TD : 6 2,5
Programmation SAS niveau 2 TD : 20 2,5
Statistique temporelle CM : 12 ; TD : 8 2,5
Analyse des données niveau 2 CM : 10 ; TD : 10 2,5
Modèle linéaire généralisé CM : 14 ; TD : 6 2,5
Statistique spatiale CM : 14 ; TD : 6 2,5
Recueil planifié de données : plan d’expériences et échantillonnage CM : 12 ; TD : 8 2,5
Base de données niveau 2 CM : 8 ; TD : 12 2,5
Maîtrise statistique des processus (option) CM : 8 ; TD : 12 2,5
Analyse des données niveau 3 (option) CM : 6,5 ; TD : 13,5 2,5
Constitution du signal en imagerie et systèmes bruités (option) 2,5
Méthodes en imagerie quantitative neurologique et oncologique (option) 2,5
UE Semestre 4 Volume Horaire (H) ECTS
Stage 30

Parcours « Statistique pour les Sciences de la Santé » (SSS)

Responsable : Pascale FABBRO-PERAY

Objectifs :

  • Développer une double compétence en sciences de la santé et en biostatistique
  • Superviser et contrôler la mise en place, le déroulement et l’avancement d’expériences scientifiques permettant d’obtenir des données expérimentales en bonne adéquation avec des problématiques issues de la biologie ou de la santé.
  • Superviser les traitements statistiques de données.
  • Analyser les résultats de traitements statistiques et rédiger des rapports et/ou des articles scientifiques sur les résultats obtenus et les avancées scientifiques.

L’objectif spécifique dédié aux enseignements du parcours Statistique pour les Sciences de la Santé de ce master mention Mathématiques-Biostatistique, est d’acquérir les bases méthodologiques statistiques indispensables pour les sciences de la santé et particulièrement orienté vers la recherche en santé publique. Il s’agit de maîtriser les concepts et les méthodes statistiques utilisées en santé publique :

– épidémiologie quantitative, étude des états de santé de la population et de leurs déterminants, de l’occurrence, de la distribution et des déterminants des maladies,

– recherche clinique et épidémiologie clinique : étude de protocoles d’évaluation des soins dans les domaines préventif, diagnostique, thérapeutique, pronostique, qualité de vie, et méta-analyses, intégrant les recommandations réglementaires.

– connaissances relatives à l’utilisation des concepts et méthodes de l’e-santé.

– connaissances relatives à l’évaluation médico-économique, ses principaux concepts et ses principales méthodes.

L’objectif est d’orienter des étudiants susceptibles de s’inscrire en thèse dans l’Ecole Doctorale I2S.

Cette offre de formation ambitionne d’attirer de jeunes scientifiques et des étudiants des filières médecine, pharmacie, odontologie, ou maïeutique, vers les méthodes utilisées pour la recherche en santé publique, et capables d’intégrer les hôpitaux universitaires ou les organismes de recherche, ou d’occuper des postes à responsabilité au sein des agences sanitaires.

Débouchés :

  • Enseignant-chercheur ou chercheurs dans l’Enseignement supérieur, dans des organismes de recherche ;

  • enseignants et chercheurs dans les disciplines de la Santé Publique ;

  • chargés d’étude, chargés de mission, postes à responsabilité dans les institutions sanitaires et sociales ;

  • administrateurs de Santé Publique ;

  • ingénieurs de recherche, ingénieurs d’études ;

  • investigateurs, chefs de projets, assistants de recherche clinique, data manager ;

  • médecins et praticiens de Santé Publique ;

Inscriptions : site de l’UM, rubrique Master

https://www.fdsweb.univ-montp2.fr/inscriptions/candidatures-et-inscriptions-administratives-2015-2016-873

M1  –  Responsable :  Pascale FABBRO PERAY

UE Semestre 1
Volume Horaire (H) ECTS
Mathématiques Générales CM : 12 ; TD : 8 2,5
Base de données niveau 1 CM : 12 ; TD : 8 2,5
Anglais TD : 24 5
Introduction épidémiologie recherche clinique CM : 12 ; TD : 8 2,5
Aspects technologiques du recueil de données -omiques CM : 6 ; TD : 8 ; TP : 6 2,5
Introduction à la statistique inférentielle CM : 24 ; TD : 16 5
Analyse des données niveau 1 CM : 10 ; TD : 10 5
Méthodes en épidémiologie quantitative 1 CM : 12 ; TD : 8 2,5
E-santé CM : 4 ; TD : 6 ; TP : 10 2,5
UE Semestre 2  
Communication CM : 3 ; TD : 2 ; TP : 20 2,5
Méthode en épidémiologie quantitative niveau 2 CM : 12 ; TD : 8 2,5
Introduction à la médico-économie CM : 14 ; TD : 14 ; TP : 3 2,5
Méthodes en recherche clinique : ECR 1 CM : 10 ; TD : 10 2,5
Méthodes en recherche clinique : Diag-Pron CM : 10 ; TD : 10 2,5
Programmation en R et SAS TD : 20 2,5
E-données et biologie des systèmes CM : 4 ; TD : 6 ; TP : 10 2,5
Modèle linéaire général CM : 15 ; TD : 5 2,5
Stage 10

M2  –  Responsable :  Pascale FABBRO PERAY

UE Semestre 3 (option* : Epidémiologie / option** : Imagerie) Volume Horaire (H) ECTS
Analyse statistique des données -omiques CM : 6 ; TD : 14 2,5
Séminaire de recherche CM : 12 ; TD : 8 2,5
Analyse des données censurées CM : 14 ; TD : 6 2,5
Programmation SAS niveau 2 TD : 20 2,5
Méthodes en épidémiologie quantitative niveau 3 CM : 12 ; TD : 8 5
Modèle linéaire généralisé CM : 14 ; TD : 6 2,5
Qualité de vie (option*) CM : 10 ; TD : 10 2,5
Méthodes en recherche clinique : Diag-Pro 2 (option*) CM : 10 ; TD : 10 2,5
Méta-analyse (option*) CM : 11 ; TD : 5 2,5
Méthodes en recherche clinique : ECR 2 (option*) CM : 10 ; TD : 10 2,5
Médico-économie CM : 14 ; TD : 3 ; TP : 3 2,5
Constitution du signal en imagerie et systèmes bruités (option**) 2,5
Méthodes en imagerie quantitative neurologique et oncologique (option**) 2,5
Méthodes de diffusion en imagerie (option**)  2,5
Méthodes en imagerie quantitative cardiovasculaire (option**)  2,5
UE Semestre 4 Volume Horaire (H) ECTS
Stage 30

Candidatures et admission (e-candidat et dates d’ouverture) : consulter le site de la FDS

Inscriptions administratives à la FDS  : consulter site de la FDS

lectus libero. Donec nunc ut accumsan