PÉRIODE D’ACCRÉDITATION : 2016 / 2021

UNIVERSITÉ PAUL SABATIER

SYLLABUS MASTER

Mention Mathematiques et applications

M1 statistique et informatique décisionnelle

http://www.fsi.univ-tlse3.fr/
http://departement-math.univ-tlse3.fr/
master-mention-mathematiques-et-applications-620690.kjsp

2019 / 2020

6 JANVIER 2020
 SOMMAIRE

SCHÉMA ARTICULATION LICENCE MASTER . . . . . . . . . . . 3

PRÉSENTATION . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
PRÉSENTATION DE LA MENTION ET DU PARCOURS . . . . . . . . . . . . 4
Mention Mathematiques et applications . . . . . . . . . . . . . . . . . . . . . 4

Parcours . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4

PRÉSENTATION DE L’ANNÉE DE M1 statistique et informatique décisionnelle 4

RUBRIQUE CONTACTS . . . . . . . . . . . . . . . . . . . . . . . 6
CONTACTS PARCOURS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
CONTACTS MENTION . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
CONTACTS DÉPARTEMENT : FSI.Math . . . . . . . . . . . . . . . . . . . . 6

Tableau Synthétique des UE de la formation . . . . . . . . . . . . . 7

LISTE DES UE . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
GLOSSAIRE . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
TERMES GÉNÉRAUX . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
TERMES ASSOCIÉS AUX DIPLOMES . . . . . . . . . . . . . . . . . . . . . . 32
TERMES ASSOCIÉS AUX ENSEIGNEMENTS . . . . . . . . . . . . . . . . . . 32

2
 SCHÉMA ARTICULATION LICENCE MASTER

De la licence au master : la poursuite d’études

Dans la continuité de la licence, le cursus master est organisé en 4 semestres.

Articulation Licence - Master

Mentions de licence MEEF

Mentions de master
Chimie
Chimie Génie des procédés et des bio-procédés
MEEF Sciences et génie des matériaux
Mathématiques Mathématiques et applications
Électronique, énergie Électronique, énergie électrique,
électrique, automatique automatique
Domaine Sciences, technologies, santé

Génie civil Génie civil

Énergétique, thermique
Mécanique Mécanique
Génie mécanique
MEEF
Physique Physique fondamentale et applications
Sciences de l’univers et technologies spatiales

Sciences de la Terre Sciences de l’océan, atmosphère, climat

Sciences de la Terre et des planètes, environnement
Miashs Miage
Informatique
Informatique Réseaux et télécommunication
Bio-informatique
MEEF Biotechnologies
Sciences de la vie Biologie-santé
Biologie végétale
Biodiversité, écologie et évolution
MEEF Entraînement et optimisation de la performance sportive
Sciences et techniques des
activités physiques et sportives Activité physique adaptée et santé
Management du sport
Domaine Droit, Économie,
Gestion Management des systèmes d’information
Sciences sociales
Domaine Sciences humaines et
sociales Information, communication
Information, communication
Sciences humaines, Droit, Sciences de la vie,
Santé, Professionnels de santé Ethique
Sciences humaines, Droit, Sciences de la vie,
Informatique, Mathématiques, Mathématiques
Santé publique
appliquées, Santé, Professionnels de santé

MEEF : cf. page 10, Projet métiers de l’enseignement

15

3
 PRÉSENTATION

PRÉSENTATION DE LA MENTION ET DU PARCOURS

MENTION MATHEMATIQUES ET APPLICATIONS

L’objectif du master mention Mathématiques et Applications est de former des mathématiciens pouvant travailler
dans les métiers liés à l’ingénierie(parcours MApI3, SID, RO, SE, RI), à la recherche(parcours RI, RO, MApI3)
et à l’enseignement(parcours ES),
Les métiers de l’ingénierie sont typiquement chefs de projets, chargés d’études, ingénieurs et chercheurs dans des
secteurs d’activités tels que l’industrie, les services, le marketing.
Les métiers de l’enseignement concernent des postes de professeur de mathématiques en lycée, à l’université en
passant par les classes préparatoires.
La recherche peut-être de nature académique, théorique et/ou appliquée, ou être tournée vers l’innovation et le
développement dans le secteur privé.
Que ce soit pour les métiers de l’ingénierie, de l’enseignement ou de la recherche le nombre d’étudiants formés aux
mathématiques en France est très inférieur au nombre de postes à pourvoir. De ce fait, l’insertion des étudiants
titulaires d’un master en Mathématiques est excellente

PARCOURS
Le parcours SID-Big Data (Statistique et Informatique Décisionnelle), labelisé CMI (Cursus de Master en Ingénierie)
est une formation résolument tournée vers les métiers de l’ingénierie des données, qui en aborde tous les aspects :
de la collecte à l’exploitation statistique et au machine learning en passant par le stockage et la gestion de bases
de données massives et distribuées de type big data.
Il permet d’acquérir une double compétence en Statistique et en Informatique décisionnelle, complétée par une
connaissance de l’entreprise et une pratique professionnelle acquise au travers des projets et de plusieurs stages.
Cette double compétence, à l’ère du Big Data, est très appréciée sur le marché de l’emploi.
Les débouchés de la formation SID-Big Data (Licence et Master) se trouvent dans tous les secteurs où la mise en
place, l’administration, l’exploitation et la valorisation de l’information sont primordiales pour la prise de décision.

PRÉSENTATION DE L’ANNÉE DE M1 STATISTIQUE ET INFORMATIQUE DÉCISIONNELLE

Une fois acquis les concepts fondamentaux en Mathématiques/Statistique et Informatique/Base de données en L3

SID, les enseignements du Master SID-Big Data sont axés sur le perfectionnement et la spécialisation de méthodes
plus avancées, avec un juste équilibre entre informatique/bases de données et mathématiques/statistique. En
Master 1, les méthodes classiques dans le domaine des sciences des données sont approfondies et des méthodes
plus novatrices, orientée vers la big data sont introduites. En Master 2, toutes ces compétences sont renforcées
pour que les étudiants puissent maı̂triser de bout en bout les différents aspects de leur futur métier dans le
domaine des sciences des données.
Les principales thématiques abordées en Master SID-Big Data :
— Statistique exploratoire
— Modélisation aléatoire
— Séries chronologiques, sondages
— Apprentissage / Big data
— Exploitation et analyse de données multi-support
— Data mining / Text mining
— Optimisation numérique
4
 — Base de données avancées
— Business intelligence
Au cours des deux années du Master SID-Big Data, en parallèle des enseignements classiques (cours, TD et TP),
de nombreux projets sont mis en place, balayant l’ensemble des compétences enseignées.
En M1, un stage de 3-4 mois est obligatoire au 2nd semestre.
Les étudiants peuvent suivre le M2 SID-Big data selon deux formules :
— en formation initiale, sur un mode d’organisation classique : cours, TD, TP, projets, et enfin un stage de
5-6 mois couvrant tout le 2nd semestre.
— en alternance, avec des périodes (de 2 à 4 semaines) à l’université (avec les étudiants en formation initiale)
ou en entreprise.

5
 RUBRIQUE CONTACTS

CONTACTS PARCOURS
RESPONSABLE M1 STATISTIQUE ET INFORMATIQUE DÉCISIONNELLE
CHHAIBI Reda
Email : reda.chhaibi@math.univ-toulouse.fr
MOKADEM Riad
Email : riad.mokadem@irit.fr
CHOUQUET Cécile
Email : cecile.chouquet@math.univ-toulouse.fr Téléphone : 05.61.55.69.84

SECRÉTAIRE PÉDAGOGIQUE
NICOLAS Clement
Email : clement.nicolas2@univ-tlse3.fr

CONTACTS MENTION
RESPONSABLE DE MENTION MATHEMATIQUES ET APPLICATIONS
COSTANTINO Francesco
Email : Francesco.Costantino@math.univ-toulouse.fr

CONTACTS DÉPARTEMENT: FSI.MATH

DIRECTEUR DU DÉPARTEMENT
BUFF Xavier
Email : xavier.buff@univ-tlse3.fr Téléphone : 5 76 64

SECRETARIAT DU DÉPARTEMENT
RODRIGUES Manuella
Email : manuella.rodrigues@univ-tlse3.fr Téléphone : 05 61 55 73 54
Université Paul Sabalier
1TP1, bureau B13
118 route de Narbonne
31062 TOULOUSE cedex 9

6
 TABLEAU SYNTHÉTIQUE DES UE DE LA FORMATION

Obligatoire
Facultatif

Stage ne
ECTS

Projet
Cours

Stage
TD

TP
page Code Intitulé UE
Premier semestre
10 EMMAB1AM ALGÈBRE LINÉAIRE 3 O 12 18
11 EMMAB1BM MATHÉMATIQUES POUR L’INGÉNIERIE 3 O 12 12 6
12 EMMAB1CM STATISTIQUE EXPLORATOIRE 3 O 12 9 9
13 EMMAB1DM SÉRIES CHRONOLOGIQUES ET SONDAGES 3 O 12 9 9
14 EMMAB1EM APPRENTISSAGE ET COMPLEXITÉ 3 O 12 9 9
15 EMMAB1FM DATA WAREHOUSE ET OLAP 3 O 12 9 9
16 EMMAB1GM TRANSFORMATIONS DE MODÈLES 3 O 12 9 9
17 EMMAB1HM GÉNIE LOGICIEL, TRAVAIL EN GROUPE 3 O 12 18
18 EMMAB1IM MARKETING, TECHNIQUES DE COMMUNICATION, 3 O 12 18
SÉCURITÉ, ASPECTS JURIDIQUES
19 EMMAB1JM EXTRACTION D’INFORMATION DANS LES DOCUMENTS 3 O 9 9 14
TEXTES, AUDIO, VIDÉO
20 EMMAB1TM STAGE FACULTATIF 3 F 0,5
Second semestre
21 EMMAB2AM OPTIMISATION 3 O 12 9 9
22 EMMAB2BM MODÉLISATION ALÉATOIRE 3 O 12 6 12
23 EMMAB2CM ALGORITHMES DE CLASSIFICATION, DATA MINING ET 3 O 12 6 12
TEXT MINING
24 EMMAB2DM PRINCIPES ET MÉTHODES DES SYSTÈMES DE BASES DE 3 O 12 12 6
DONNÉES RÉPARTIES
25 EMMAB2EM PROJET 3 O 100
Choisir 1 UE parmi les 2 UE suivantes :
26 EMMAB2GM STAGE EN ENTREPRISE 12 O 3
27 EMMAB2HM STAGE EN ENTREPRISE 12 O 3
Choisir 1 UE parmi les 4 UE suivantes :
7
 Obligatoire
Facultatif

Stage ne
ECTS

Projet
Cours

Stage
TD

TP
page Code Intitulé UE
8

28 EMMAB2VM ANGLAIS 3 O 24
29 EMMAB2WM ALLEMAND 3 O 24
30 EMMAB2XM ESPAGNOL 3 O 24
31 EMMAB2YM FRANÇAIS GRANDS DÉBUTANTS 3 O 24
LISTE DES UE

9
 UE ALGÈBRE LINÉAIRE 3 ECTS 1er semestre

EMMAB1AM Cours : 12h , TD : 18h

ENSEIGNANT(E) RESPONSABLE
SERRURIER Mathieu
Email : Mathieu.Serrurier@irit.fr
TAPIA Joseph
Email : joseph.tapia@math.univ-toulouse.fr Téléphone : (poste) 63.76

OBJECTIFS D’APPRENTISSAGE
Apprendre à manipuler des formes bilinéaires, à construire des bases orthonormées, à travailler avec des normes.
Effectuer une DVS

DESCRIPTION SYNTHÉTIQUE DES ENSEIGNEMENTS

Algèbre bilinéaire : matrices symétriques, formes bilinéaires et produits scalaires, bases orthonormées et procédé
de Gram-Schmidt. Décomposition en valeurs singulières.

PRÉ-REQUIS
algèbre linéaire élémentaire : espaces vectoriels, bases, applications linéaires, représentations matricielles, chan-
gements de base. Valeurs et vecteurs propres,

RÉFÉRENCES BIBLIOGRAPHIQUES
S. Lipschutz, M. Lipson ”Algèbre Linéaire”, ed. Schaum’s

MOTS-CLÉS
produit scalaire, norme, Gram-Schmidt, DVS

10
 UE MATHÉMATIQUES POUR L’INGÉNIERIE 3 ECTS 1er semestre

EMMAB1BM Cours : 12h , TD : 12h , TP : 6h

ENSEIGNANT(E) RESPONSABLE
PAUWELS Edouard
Email : edouard.pauwels@irit.fr

OBJECTIFS D’APPRENTISSAGE
Présenter des outils mathématiques pour la modélisation et la résolution de problèmes d’optimisation.

DESCRIPTION SYNTHÉTIQUE DES ENSEIGNEMENTS

1) Calcul dans Rˆn : généralités sur les fonctions de plusieurs variables, courbes de niveaux, gradient, hessienne,
points singulier
2) Formules de Taylor à l’ordre n, développements limités, applications
3) Intégrales multiples : formules de changement de variables, théorème de Fubini. Applications aux probabilités.
4) Analyse de Fourier : introduction aux séries de Fourier, applications.

PRÉ-REQUIS
base d’algèbre linéaire et d’analyse (calcul matriciel, calcul différentiel et calcul d’intégrales simples)

RÉFÉRENCES BIBLIOGRAPHIQUES
Mathématiques pour les sciences de l’ingénieur, F. Bertrand, M. Maumy-Bertrand, S. Ferrigno, A. Muller-Gueudin,
D. Marx, Edition Dunod

MOTS-CLÉS
Intégrales multiples, développement limités dans Rˆn, calcul différentiel, séries de Fourier

11
 UE STATISTIQUE EXPLORATOIRE 3 ECTS 1er semestre
EMMAB1CM Cours : 12h , TD : 9h , TP : 9h

ENSEIGNANT(E) RESPONSABLE
CHOUQUET Cécile
Email : cecile.chouquet@math.univ-toulouse.fr Téléphone : 05.61.55.69.84

OBJECTIFS D’APPRENTISSAGE
L’objectif de ce module est de donner une introduction aux méthodes de statistique descriptive multidimension-
nelle. On étudiera les méthodes factorielles classiques basées sur la projection des données sur des espaces propres
associées à la diagonalisation de matrices estimées sur les données. Les méthodes de classification supervisée ou
non supervisée feront l’objet de la dernière partie.

DESCRIPTION SYNTHÉTIQUE DES ENSEIGNEMENTS

Norms on vector spaces, orthogonal base changes and projections. Decomposition in singular values. Base notions
of statistics (quantitative or qualitative variables, Gaussian distribution).

PRÉ-REQUIS
Changement de bases orthogonnales et projections. Decomposition en valeurs singulières. Notions de bases en
statistiques (loi Gaussienne)

RÉFÉRENCES BIBLIOGRAPHIQUES
Lebart, Morineau, Piron Statistique exploratoire multidimensionnelle

MOTS-CLÉS
analyse multidimensionnelle, classification

12
 UE SÉRIES CHRONOLOGIQUES ET SONDAGES 3 ECTS 1er semestre

EMMAB1DM Cours : 12h , TD : 9h , TP : 9h

ENSEIGNANT(E) RESPONSABLE
DUPUIS Jérôme
Email : jerome.dupuis@math.univ-toulouse.fr Téléphone : (poste) 6984

OBJECTIFS D’APPRENTISSAGE
Ce module a pour objectif d’introduire des techniques de modélisation statistique au travers de l’étude de séries
chronologiques. Dans un premier temps, on présentera l’analyse déterministe des séries chronologiques
et de leur prédiction (régression linéaire, lissage exponentiel. . .)
Dans un second temps, quelques modèles classiques de séries chronologiques stationnaires seront
présentés (ARMA, GARCH. . .). L’étude de tels processus et de leurs indices caractéristiques permettra
de présenter les techniques de prédiction.

DESCRIPTION SYNTHÉTIQUE DES ENSEIGNEMENTS

Analyse déterministe des séries chronologiques et de leur prédiction (régression linéaire, lissage exponentiel)
Modèles classiques de séries chronologiques stationnaires (ARMA, GARCH, ...) et présentation des techniques de
prédiction
Bases de la théorie des sondages

PRÉ-REQUIS
bases des probabilités et de la statistique, séries entières

RÉFÉRENCES BIBLIOGRAPHIQUES
P. Brockwell and R. Davis. Time Series

MOTS-CLÉS
séries chronologiques et sondages

13
 UE APPRENTISSAGE ET COMPLEXITÉ 3 ECTS 1er semestre

EMMAB1EM Cours : 12h , TD : 9h , TP : 9h

ENSEIGNANT(E) RESPONSABLE
LOUBES Jean-Michel
Email : loubes@math.univ-toulouse.fr Téléphone : 05 61 55 85 73

OBJECTIFS D’APPRENTISSAGE
Comprendre la notion d’apprentissage statistique supervisé et la notion de modèle complexe

DESCRIPTION SYNTHÉTIQUE DES ENSEIGNEMENTS

* Classification supervisée : définition de l’erreur d’ajustement et erreur de généralisation
* Notion de sur-ajustement et sparsité
* théorie de Vapnik-Chervonenkis
et entropie*Pénalités liées à la complexité du modèle
*Extension au cadre de la régression et sélection de modèle

PRÉ-REQUIS
Probabilités

RÉFÉRENCES BIBLIOGRAPHIQUES
*Statistical Learning (Hastie & Tibshirani)

MOTS-CLÉS
Apprentissage et complexité

14
 UE DATA WAREHOUSE ET OLAP 3 ECTS 1er semestre
EMMAB1FM Cours : 12h , TD : 9h , TP : 9h

ENSEIGNANT(E) RESPONSABLE
HUBERT Gilles
Email : hubert@irit.fr

OBJECTIFS D’APPRENTISSAGE
Concevoir un système décisionnel à base d’entrepôts et magasins de données

DESCRIPTION SYNTHÉTIQUE DES ENSEIGNEMENTS

Marché du décisionnel/Outils.
Problématique des Entrepôts de données.
Entrepôts de données et Magasins de données.
Modélisation multidimensionnelle.
Modélisation logique R-OLAP.
Modélisation physique.
Conception d’une solution décisionnelle

PRÉ-REQUIS
Modèle conceptuel de données, Bases de données relationnelles, SQL, algorithmique et programmation

RÉFÉRENCES BIBLIOGRAPHIQUES
The Data Warehouse Toolkit, R. Kimball and M. Ross.
OLAP Solutions : Building Multidimensional Information Systems, E. Thomsen.

MOTS-CLÉS
Entrepôts de données, magasins, OLAP, Solution décisionnelle

15
 UE TRANSFORMATIONS DE MODÈLES 3 ECTS 1er semestre

EMMAB1GM Cours : 12h , TD : 9h , TP : 9h

ENSEIGNANT(E) RESPONSABLE
BAHSOUN Wahiba
Email : wbahsoun@irit.fr Téléphone : 05 61 55 69 45

OBJECTIFS D’APPRENTISSAGE
Maı̂triser la conception objet UML.
Concevoir, mettre en œuvre et manipuler une base de données orientée objet.
Concevoir, mettre en œuvre et manipuler une base de données semi-structurées (json, XML).
Migrer une solution d’un modèle vers un autre.

DESCRIPTION SYNTHÉTIQUE DES ENSEIGNEMENTS

Concepts UML, Conception UML, de UML à SQL, Concepts des bases de données objet, Manipulation de base de
données objet-relationnelle, Transformation d’une base relationnelle en base objet, Concepts des bases de données
semi-structurées (XML, DTD...)

PRÉ-REQUIS
Modèle Entité-association,.
Bases de données relationnelles

MOTS-CLÉS
Transformation. UML. Bases de données relationnelles. Bases de données semi-structurées

16
 UE GÉNIE LOGICIEL, TRAVAIL EN GROUPE 3 ECTS 1er semestre

EMMAB1HM Cours : 12h , TD : 18h

ENSEIGNANT(E) RESPONSABLE
BAHSOUN Wahiba
Email : wbahsoun@irit.fr Téléphone : 05 61 55 69 45
CHAUDET Christelle
Email : Christelle.Chaudet@irit.fr Téléphone : (poste) 84.56

OBJECTIFS D’APPRENTISSAGE
Modéles de developpemen logiciel.
Langage de Modelisation UML.
Tests unitaires.
Métriques.

DESCRIPTION SYNTHÉTIQUE DES ENSEIGNEMENTS

1. Ingenierie du Logiciel : Processus de developpement ( Méthodes Agiles : RUP, Scrum, Open Up, collabora-
tif...). Gestion de Projet : differentes méthodes de modélisation (Gantt, Pert... ), Gestion de configuration,
Integration continue, Referentiels, Normes. Gestion des Risques . Définition des Exigences. Métrologie :
Mesures et Diagnostic Qualité Logiciel ( diagramme de Kiviat...).
2. Qualite du logiciel :Langage de modélisation UML et programmation objet : Les , oncepts du langage
UML et les régles applicables, Les principaux diagrammes utilisés......Navigation dans un modèle.
3. Implementation de la modélisation. Diagramme de séquence détaillée, classes participantes, implémentationn
, métriques.

RÉFÉRENCES BIBLIOGRAPHIQUES
Sotware Metrics Norman E Fenton, Software Engineering In Higher Education

MOTS-CLÉS
Génie logiciel.
Gestion de projets.

17
 MARKETING, TECHNIQUES DE COMMUNI-
UE 3 ECTS 1er semestre
CATION, SÉCURITÉ, ASPECTS JURIDIQUES
EMMAB1IM Cours : 12h , TD : 18h

ENSEIGNANT(E) RESPONSABLE
MOKADEM Riad
Email : riad.mokadem@irit.fr

OBJECTIFS D’APPRENTISSAGE
L’objectif de cette UE est de sensibiliser, au delà des compétences techniques sur la gestion des données, aux
questions afférentes : sécurité des données, problématiques juridiques, valorisation marketing.
En outre, les cours de communication poursuivent le développement chez les étudiants d’un savoir-être interper-
sonnel, en se focalisant progressivement sur la gestion de projet et le management d’équipe

DESCRIPTION SYNTHÉTIQUE DES ENSEIGNEMENTS

Communication : développement personnel : découverte de soi, gestion du temps, styles de management, mana-
gement et animation d’une équipe, conduite de réunion.
Les étudiants devront aussi être capables de valoriser leurs talents et potentiels de travail lors d’un bilan de
compétences, d’une réponse à des offres de stage ou d’emploi...
Sécurité : l’étude des problèmes liés à l’intégrité des bases de données (BD) actives puis décrire les mécanismes
que fournit un système de gestion de BD (SGBD) pour assurer la cohérence des données ; étudier les protocoles
d’accès à la BD permettant d’assurer la confidentialité des données selon un schéma défini dans les applications
métiers, apprendre à écrire des programmes d’application qui garantissent la cohérence de la BD dans un envi-
ronnement concurrentiel, étudier les mécanismes qui permettent la reprise de fonctionnement normal d’une BD
après la survenue d’une panne. Les aspects juridiques relatifs aux données seront également évoqués à travers
des conférences d’intervenant spécialistes de la thématique

PRÉ-REQUIS
Communication : le cv vu en L3

RÉFÉRENCES BIBLIOGRAPHIQUES
IT Governance : An International Guide to Data Security and ISO27001 / ISO27002 - Alan Calder et Steve
Watkins
Traitement des données personnelles, guide juridique - de Fabrice Mattatia

MOTS-CLÉS
Communication, marketing, sécurité, droit informatique

18
 EXTRACTION D’INFORMATION DANS LES
UE 3 ECTS 1er semestre
DOCUMENTS TEXTES, AUDIO, VIDÉO
EMMAB1JM Cours : 9h , TD : 9h , TP : 14h

ENSEIGNANT(E) RESPONSABLE
MORENO José
Email : jose.moreno@univ-tlse3.fr Téléphone : 05 61 55 63 22

OBJECTIFS D’APPRENTISSAGE
Extraire à partir de tout support d’information (texte, image, son, vidéo), les caractéristiques de contenu et de
forme

DESCRIPTION SYNTHÉTIQUE DES ENSEIGNEMENTS

I. Objectifs, enjeux et applications.
II. Extraction d’informations à partir de textes : Préliminaires (Typologie des tâches d’extraction (entités nommées,
relations, indices temporels, lexique...) • Domaines d’applications • Systèmes d’extraction de l’information :
architecture de base et technologies.
III. Principes et méthodes : Méthodes symboliques (expressions régulières, règles et patrons) • Méthodes super-
visées (CRF, arbres de décisions),
IV. Extraction d’information de type audio : Présentation du signal sonore, Numérisation, Extraction de paramètres
temporels et fréquentiels,
V. Extraction d’information de type image et vidéo : Présentation de l’image numérique, Quantification, Extraction
de paramètres liés à la couleur,
VI. Évaluation : Méthodologie et métriques, Campagnes d’évaluation.

PRÉ-REQUIS
Méthodes de classification

RÉFÉRENCES BIBLIOGRAPHIQUES

1. Information extraction in a retrieval context : algorithms & propsects, Springer, M. F. Moens

2. Reconnaissance automatique de la parole : Du signal à son interprétation, Dunod, Haton
3. Image numérique couleur. Dunod, Trémeau

MOTS-CLÉS
Extraction de paramètres, entité nommées, relations sur le texte, traitement du signal (audio et video)

19
 UE STAGE FACULTATIF 3 ECTS 1er semestre
EMMAB1TM Stage ne : 0,5h

20
 UE OPTIMISATION 3 ECTS 2nd semestre
EMMAB2AM Cours : 12h , TD : 9h , TP : 9h

ENSEIGNANT(E) RESPONSABLE
JAN Sophie
Email : sophie.jan@math.univ-toulouse.fr Téléphone : (poste) 76.58, (dom)
05.61.81.82.91
LAPORTE Serge
Email : serge.laporte@math.univ-toulouse.fr

OBJECTIFS D’APPRENTISSAGE
Je caractérise un minimum avec et sans contrainte dans un problème multivarié.

DESCRIPTION SYNTHÉTIQUE DES ENSEIGNEMENTS

Iintroduction à l’analyse convexe et optimisation, schémas numériques

PRÉ-REQUIS
Algèbre linéaire, calcul différentiel

RÉFÉRENCES BIBLIOGRAPHIQUES
Bierlaire M., Introduction à l’optimisation différentiable, Presse Polytechniques et Universitaires Romandes, 2006

MOTS-CLÉS
Optmisation, analyse convexe, schémas numériques

21
 UE MODÉLISATION ALÉATOIRE 3 ECTS 2nd semestre
EMMAB2BM Cours : 12h , TD : 6h , TP : 12h

ENSEIGNANT(E) RESPONSABLE
AZAÏS Jean-Marc
Email : jean-marc.azais@math.univ-toulouse.fr Téléphone : 05 61 55 60 07
GAMBOA Fabrice
Email : fabrice.gamboa@math.univ-toulouse.fr Téléphone : +33 6 60 74 14 36

OBJECTIFS D’APPRENTISSAGE
- Découvrir plusieurs modèles statistiques utiles en présence de variables explicatives ou d’un processu temporel.
- Se confronter à plusieurs cas concrets et apprendre à les modéliser à l’aide de l’un de ces différents modèles.

DESCRIPTION SYNTHÉTIQUE DES ENSEIGNEMENTS

1. Modèle linéaire généralisé :
- régression logistique
- modèle log-linéaire, régression de Poisson
2. Modélisation des processus :
- chaı̂nes de Markov
- files d’attente
Des exemples concrets sont fournis pour chaque notion (suivis médicaux, etc.)

PRÉ-REQUIS
modèle linéaire, maximum de vraisemblance, variables aléatoires discrètes et continues, indépendance, espérance
conditionnelle, probabilité conditionnelle.

RÉFÉRENCES BIBLIOGRAPHIQUES
J.J. Droesbeke, M. Lejeune, G. Sapota ; Modèles statistiques pour données qualitatives, 2005.
M. Tenenhaus ; Statistique : Méthodes pour décrire, expliquer et prévoir, 2007.
S. M. Ross ; Initiation aux probabilités, 2014.

MOTS-CLÉS
modèle linéaire généralisé, processus stochastique

22
 ALGORITHMES DE CLASSIFICATION, DATA
UE 3 ECTS 2nd semestre
MINING ET TEXT MINING
EMMAB2CM Cours : 12h , TD : 6h , TP : 12h

ENSEIGNANT(E) RESPONSABLE
MORENO José
Email : jose.moreno@univ-tlse3.fr Téléphone : 05 61 55 63 22
PITARCH Yoann
Email : yoann.pitarch@irit.fr Téléphone : 05 61 55 6323

OBJECTIFS D’APPRENTISSAGE
L’objectif de ce cours est double. Dans un premier temps, il s’agira de présenter les méthodes les plus populaires
de classification supervisée. Ces méthodes introduites, nous étudierons comment ces classifieurs peuvent être
combinés pour accroı̂tre la qualité de la prédiction. La seconde partie du cours sera consacrée à l’adaptation des
techniques de machine learning étudiées jusqu’ici à un contexte de plus en plus populaire : le Web. Nous verrons
que l’analyse de données Web regroupe 3 aspects bien différents (l’analyse du Web en tant que réseau, l’analyse
de son contenu et l’analyse de ses usages) et que chacun oblige à repenser en partie les approches classiques
d’apprentissage.

DESCRIPTION SYNTHÉTIQUE DES ENSEIGNEMENTS

Classification
1- Algorithmes de classification supervisée : regression logistique, SVM, methode des plus proches voisins, reseaux
de neurones, arbres de decision.
2- Agrégation de classifieurs combinaison d’experts (super-learning), bagging, boosting, random forest.
3- Structure de graphes. Notions de centres de graphes, de clusters de graphes et de plus courts chemins), Web
Mining (a- Fouille de structure : caractérisation d’un noeud dans un graphe (prestige, centralité, popularité) ;
détection de communauté, extractions de sous-graphes sous contraintes, b- Fouille de contenu : classification
de données textuelles, fouille d’opinion, analyse de sentiments, détection de contenu spam, c- Fouille d’usage :
identification de sessions utilisateurs, clustering d’utilisateurs/de documents, détection de fraudes)

PRÉ-REQUIS
Introduction au Machine Learning (L3)
Bases de la théorie des graphes

RÉFÉRENCES BIBLIOGRAPHIQUES
The elements of statistical learning (Hastie Tibshirani) Web Data Mining : Exploring Hyperlinks, Contents, and
Usage Data (Data-Centric Systems and Applications) par Bing Liu

MOTS-CLÉS
Apprentissage statistique, machine learning, apprentissage supervisé,classification, régression, validation croisée,
fouille du Web.

23
 PRINCIPES ET MÉTHODES DES SYSTÈMES
UE 3 ECTS 2nd semestre
DE BASES DE DONNÉES RÉPARTIES
EMMAB2DM Cours : 12h , TD : 12h , TP : 6h

ENSEIGNANT(E) RESPONSABLE
HAMEURLAIN Abdelkader
Email : hameurlain@irit.fr

OBJECTIFS D’APPRENTISSAGE
Présenter les principaux problèmes posés et d’introduire les méthodes proposées dans la conception et le développement
des SGBD répartis.

DESCRIPTION SYNTHÉTIQUE DES ENSEIGNEMENTS

1. Introduction aux BD réparties BDR.

2. Principales fonctions des SGBD répartis.
3. Architecture logiciel des SGBDR.
4. Approches et stratégies de conception d’une BDR.
5. Principe d’évaluation de requêtes réparties.

PRÉ-REQUIS
Systèmes de bases de données relationnels

RÉFÉRENCES BIBLIOGRAPHIQUES
Principles of Distributed Database Systems, February 2011. M Tamer Ozsu et Patick Valduriez,Springer-Verlag,
3rd, ed. 2011, ISBN-13 : 978-1441988331

MOTS-CLÉS
BD distribuées, Fragmentation, Localisation, Traitement des requêtes réparties

24
 UE PROJET 3 ECTS 2nd semestre
EMMAB2EM Projet : 100h

ENSEIGNANT(E) RESPONSABLE
MOKADEM Riad
Email : riad.mokadem@irit.fr

OBJECTIFS D’APPRENTISSAGE
Gestion de projets et évaluation d’une compilation d’enseignements : de la modélisation d’un système d’information
vers la visualisation de données

DESCRIPTION SYNTHÉTIQUE DES ENSEIGNEMENTS

Analyse des besoins.
Modélisation d’un système d’information.
Conception et mise en œuvre d’un système d’aide à la décision permettant de faire des analyses détaillées à partir
des données issues d’une part, des bases de Données et d’autre part, de source d’informations hétérogènes.
Visualisation des données via le web.
Gestion de projet.

PRÉ-REQUIS
Modèle conceptuel de données, interrogation de données, algorithmique et programmation

RÉFÉRENCES BIBLIOGRAPHIQUES
Software Engineering In Higher Education

MOTS-CLÉS
Gestion de projet, Modélisation, Interrogation et Visualisation de données

25
 UE STAGE EN ENTREPRISE 12 ECTS 2nd semestre
EMMAB2GM Stage : 3 mois minimum

ENSEIGNANT(E) RESPONSABLE
MOKADEM Riad
Email : riad.mokadem@irit.fr

OBJECTIFS D’APPRENTISSAGE
L’objectif est d’acquérir les compétences professionnelles aussi bien dans le domaine de la statistique que l’infor-
matique, et d’appliquer les différentes méthodes dans tous les secteurs. Ce stage sera également l’occasion pour
l’étudiant d’acquérir une certaine autonomie relative à son niveau d’études.

DESCRIPTION SYNTHÉTIQUE DES ENSEIGNEMENTS

Mise en place, administration et exploitation de l’information pour la prise de décision.

PRÉ-REQUIS
Concepts fondamentaux en : programmation, bases de données et recherche d’informations.

MOTS-CLÉS
Statistique, Informatique

26
 UE STAGE EN ENTREPRISE 12 ECTS 2nd semestre
EMMAB2HM Stage : 3 mois minimum

ENSEIGNANT(E) RESPONSABLE
CHHAIBI Reda
Email : reda.chhaibi@math.univ-toulouse.fr
MOKADEM Riad
Email : riad.mokadem@irit.fr

OBJECTIFS D’APPRENTISSAGE
Je sais mettre en oeuvre les connaissances et compétences acquises jusqu’en Master 1 pour répondre à différentes
missions en science des données dans un contexte applicatif industriel ou recherche.

DESCRIPTION SYNTHÉTIQUE DES ENSEIGNEMENTS

Missions dans un contexte applicatif industriel ou recherche.

PRÉ-REQUIS
Ensemble de compétences mathématiques et informatiques acquises jusqu’en M1 dépendant du contexte appli-
catif.

MOTS-CLÉS
Mission, cadre applicatif, industrie, recherche

27
 UE ANGLAIS 3 ECTS 2nd semestre
EMMAB2VM TD : 24h

ENSEIGNANT(E) RESPONSABLE
CHAPLIER Claire
Email : claire.chaplier@univ-tlse3.fr

OBJECTIFS D’APPRENTISSAGE
Niveau C1 du CECRL (Cadre Européen de Certification en Langues)
Développer les compétences indispensables aux étudiant/es en vue de leur intégration dans la vie professionnelle.
Perfectionner les outils de communication permettant de s’exprimer dans le contexte international d’aujourd’hui
et acquérir l’autonomie linguistique nécessaire à cette intégration.

DESCRIPTION SYNTHÉTIQUE DES ENSEIGNEMENTS

- Outils de communication de l’écriture scientifique (dossier du projet, synthèse, compte-rendu (sur CO), abstract,
rédaction, résumé...)
- Outils d’expression permettant de maı̂triser une présentation orale ou une discussion critique dans le domaine
scientifique (rhétorique, éléments linguistiques
- Eléments de maı̂trise d’un projet sur une thématique spécifique dans le domaine de spécialité
- Structures communicatives et linguistiques utilisées dans le cadre d’une simulation de tâche professionnelle
Compétences
Compréhension orale - Expression écrite - Expression orale - Compréhension écrite
- Savoir communiquer en anglais scientifique
- Savoir repérer les éléments constitutifs d’une communication écrite ou orale dans le domaine de spécialité
- Savoir prendre la parole en public (conférence ou réunion) dans le cadre d’un colloque, projet de recherche,
projet professionnel

PRÉ-REQUIS
N/A

RÉFÉRENCES BIBLIOGRAPHIQUES
N/A

MOTS-CLÉS
=12.0ptProjet - Repérer - Rédaction anglais scientifique - style - registre - critique - professionnel

28
 UE ALLEMAND 3 ECTS 2nd semestre
EMMAB2WM TD : 24h

ENSEIGNANT(E) RESPONSABLE
SANTAMARINA Diego
Email : diego.santamarina@univ-tlse3.fr Téléphone : 05 61 55 64 27

PRÉ-REQUIS
Niveau B2 en anglais

29
 UE ESPAGNOL 3 ECTS 2nd semestre
EMMAB2XM TD : 24h

ENSEIGNANT(E) RESPONSABLE
SANTAMARINA Diego
Email : diego.santamarina@univ-tlse3.fr Téléphone : 05 61 55 64 27

OBJECTIFS D’APPRENTISSAGE
Etre capable de travailler en milieu hispanophone ou avec des partenaires hispanophones

DESCRIPTION SYNTHÉTIQUE DES ENSEIGNEMENTS

Activités langagières permettant la maı̂trise de l’espagnol général et de la langue de spécialité

PRÉ-REQUIS
Niveau B2 en anglais - Pas de pré-requis particulier en espagnolEspagnol professionnel, le cours prend en compte
les différents niveaux

MOTS-CLÉS
Espagnol professionnel

30
 UE FRANÇAIS GRANDS DÉBUTANTS 3 ECTS 2nd semestre
EMMAB2YM TD : 24h

ENSEIGNANT(E) RESPONSABLE
JASANI Isabelle
Email : leena.jasani@wanadoo.fr Téléphone : 65.29

OBJECTIFS D’APPRENTISSAGE
Cette UE est conseillée aux étudiants ayant un niveau très faible en français

PRÉ-REQUIS
Niveau B2 en anglais

MOTS-CLÉS
français scientifique

31
 GLOSSAIRE

TERMES GÉNÉRAUX

DÉPARTEMENT
Les départements d’enseignement sont des structures d’animation pédagogique internes aux composantes (ou
facultés) qui regroupent les enseignants intervenant dans une ou plusieurs mentions

UE : UNITÉ D’ENSEIGNEMENT
Unité d’Enseignement. Un semestre est découpé en unités d’enseignement qui peuvent être obligatoire, optionnelle
(choix à faire) ou facultative (UE en plus). Une UE représente un ensemble cohérent d’enseignements auquel est
associé des ECTS.

ECTS : EUROPEAN CREDITS TRANSFER SYSTEM

Les ECTS sont destinés à constituer l’unité de mesure commune des formations universitaires de Licence et de
Master dans l’espace européen depuis sa création en 1989. Chaque UE obtenue est ainsi affectée d’un certain
nombre d’ECTS (en général 30 par semestre d’enseignement). Le nombre d’ECTS est fonction de la charge
globale de travail (CM, TD, TP, etc.) y compris le travail personnel. Le système des ECTS vise à faciliter la
mobilité et la reconnaissance des diplômes en Europe.

TERMES ASSOCIÉS AUX DIPLOMES

Les diplômes sont déclinés en domaines, mentions et parcours.

DOMAINE
Le domaine correspond à un ensemble de formations relevant d’un champ disciplinaire ou professionnel commun.
La plupart de nos formations relèvent du domaine Sciences, Technologies, Santé.

MENTION
La mention correspond à un champ disciplinaire. Elle comprend, en général, plusieurs parcours.

PARCOURS
Le parcours constitue une spécialisation particulière d’un champ disciplinaire choisie par l’étudiant au cours de
son cursus.

TERMES ASSOCIÉS AUX ENSEIGNEMENTS

CM : COURS MAGISTRAL(AUX)
Cours dispensé en général devant un grand nombre d’étudiants (par exemple, une promotion entière), dans de
grandes salles ou des amphis. Au-delà de l’importance du nombre d’étudiants, ce qui caractérise le cours magistral,
est qu’il est le fait d’un enseignant qui en définit lui-même les structures et les modalités. Même si ses contenus
font l’objet de concertations entre l’enseignant, l’équipe pédagogique, chaque cours magistral porte la marque de
l’enseignant qui le dispense.

32
TD : TRAVAUX DIRIGÉS
Ce sont des séances de travail en groupes restreints (de 25 à 40 étudiants selon les composantes), animés par
des enseignants. Ils illustrent les cours magistraux et permettent d’approfondir les éléments apportés par ces
derniers.

TP : TRAVAUX PRATIQUES
Méthode d’enseignement permettant de mettre en pratique les connaissances théoriques acquises durant les CM
et les TD. Généralement, cette mise en pratique se réalise au travers d’expérimentations. En règle générale,
les groupes de TP sont constitué des 16 à 20 étudiants. Certains travaux pratiques peuvent être partiellement
encadrés voire pas du tout. A contrario, certains TP, du fait de leur dangerosité, sont très encadrés (jusqu’à 1
enseignant pour quatre étudiants).

PROJET OU BUREAU D’ÉTUDE

Le projet est une mise en pratique en autonomie ou en semi-autonomie des connaissances acquises. il permet de
vérifier l’acquisition des compétences.

TERRAIN
Le terrain est une mise en pratique encadrée des connaissances acquises en dehors de l’université.

STAGE
Le stage est une mise en pratique encadrée des connaissances acquises dans une entreprise ou un laboratoire de
recherche. Il fait l’objet d’une législation très précise impliquant, en particulier, la nécessité d’une convention pour
chaque stagiaire entre la structure d’accueil et l’université.

33