D’UNE FILIERE DU CYCLE INGENIEUR

1

Université : Etablissement ne relevant pas de l’université Etablissement:INSTITUT NATIONAL DE STATISTIQUE ET D’ECONOMIE APPLIQUEE – INSEA

N° d’ordre CNaCES Date d’arrivée

….….../ ……../2018

DESCRIPTIF DE DEMANDE D'ACCREDITATION

D’UNE FILIERE DU CYCLE INGENIEUR

Nouvelle demande Demande de renouvellement

d’accréditation, selon le nouveau CNPN

Intitulé de la filière (en français et en arabe) : Data Science (DS)

Science de données البياناتعلم

Option (s)le cas échéant (en français et en arabe) :

Session 2018 _ date limite de dépôt des demandes d’accréditation : 31 Décembre 2018

Royaume du Maroc Ministère de l’Enseignement Supérieur,

de la Recherche Scientifique et de la Formation des Cadres

ⵜⴰⴳⵍⴷⵉⵜⵏⵍⵎⴰⵖⵔⵉⴱ

ⵜⴰⵎⴰⵡⴰⵙⵜⵏⵓⵙⵙⵍⵎⴷⴰⵏⴰⴼⵍⵍⴰ

ⴷⵓⵔⵣⵣⵓⴰⵎⴰⵙⵙⴰⵏ

المملكةالمغربية

وزارةالتعليمالعالي والبحثالعلمي

وتكوينالأطر

2

IMPORTANT 1. Ce descriptif comporte 14 pages, il doit être renseigné et transmis à la Direction de

l’Enseignement Supérieur et du Développement Pédagogique par courrier normal

avant le 31 décembre 2018.

2. Ce descriptif doit être remis en 2 exemplaires sur support papier et une copie sur

support électronique (format Word et format PDF, comportant les avis et visas

requis ainsi que tous documents annexes). La version électronique du descriptif est

obligatoire.

3. Le descriptif renseigné doit obligatoirement se conformer au Cahier des Normes

Pédagogiques Nationales des deux années préparatoires au cycle ingénieur adopté

en 2017.

4. Toutes les rubriques du descriptif doivent être remplies, les avis et visas apportés.

5. Si l’espace réservé à une rubrique est insuffisant, l’adapter au contenu ou utiliser

des feuilles supplémentaires.

6. Il est demandé de joindre à ce descriptif :

Un CV succinct du coordonnateur de la filière ;

Les engagements des intervenants externes à l’établissement ;

Les engagements des partenaires. 7. Toute filière soumise pour accréditation ou pour un renouvellement d’accréditation

doit être soumise au préalable à une auto-évaluation aux niveaux de l’établissement

et du Conseil de coordination pour examiner notamment l’opportunité de la

formation, sa faisabilité (ressources humaines et matérielles suffisantes), sa qualité

scientifique et pédagogique et sa conformité avec les normes pédagogiques

nationales.

8. Les demandes d’accréditation de l’établissement sont accompagnées d’une note de

présentation de l’offre globale de formation de l’établissement (Opportunité,

articulation entre les filières, les passerelles entre les filières, …).

9. L’offre de formation de l’établissement doit être cohérente et se baser sur des

critères d’opportunité, de qualité, de faisabilité et d’optimisation des ressources

humaines et matérielles, à l’échelle du département et de l’établissement.

3

AVIS ET VISAS

Le coordonnateur pédagogique de la filière

Le coordonnateur de la filière appartient à l’établissement d’attache de la filière Joindre un CV succinct du coordonateur de la filière.

Nom et Prénom : Imade BENELALLAM Grade : PH

Etablissement : INSEA Département : INFORMATIQUE

Spécialité(s) : INFORMATIQUE

Tél. : 06 70 18 59 11 Fax : 05 37 77 94 57 E. Mail : [email protected]

Date et signature :

Le chef du département dont relève le coordonnateur pédagogique de la filière

L’avis du département dont relève le coordonnateur, exprimé par son chef, devrait se baser sur des critères précis de qualité,

d’opportunité, de faisabilité, et d’optimisation des ressources humaines et matérielles, à l’échelle du département.

Nom et Prénom : KABBAJ ADIL

Avis favorable Avis défavorable

Motivations :

Date, signature et cachet du Chef du département :

6

SOMMAIRE

FILIERE : Data Science

Page Descriptifs des modules

Semestre

Code du module

Intitulé du module

S1

INF11 Algorithmique et Programmation C 27

INF12 Architecture des ordinateurs et Systèmes d'exploitation 31

INF13 Analyse et Conception Relationnelles & Bases de données

36

SDA11 Analyse de données et Programmation avec SAS 40

SDA12 Probabilités et Inférence statistique 45

MRO11 Programmation linéaire 1 &Mathématiques pour Data Science 50

EF11 Principes de l'économie et histoire de la pensée économique 55

SSCL11 Sciences sociales, Communication and Business English 1 59

S2

INF21 Structures de données et Programmation Avancée 64

INF22 Programmation Orientée Objet 68

SDA21 Régression linéaire et Séries chronologiques 71

MRO21 Calcul scientifique pour Data Science 75

MRO22 Processus stochastiques & Files d'attente 79

EF21 Principes de l’Économie II et Comptabilité nationale et Comptabilité Nationale

84

EF22 Entreprenariat I 88


S3

INF31 Data Viz language & Multimedia Information Systems 97

INF32 Modélisation Orientée Objet des SI 103

SDA32 Data Architectures & Security blockchains 107

MO31 Statistiques multivariées et Séries chronologiques avancées 110

SDA34 Apprentissage statistique supervisé et non supervisé 114

MRO21 Théorie des graphes et modèles discrets 119


EF31 Entreprenariat II 128

S4

INF41 Business Intelligence&Knowledge Discovery 133

INF42 Software engineering, Agile &DataOps 139

INF43 Intelligence Artificielle 144

SDA41 Régression sur variables catégorielles et Modèles GLM 149

MRO41 Simulation I & Programmation non linéaire 154

MO41 Projet encadré 159

EF41 Entrepreneuriat III 162


S5

INF51 Big Data 171

INF53 Machine and Deep Learning 177

SDA51 Echantillonnage et traitement des valeurs manquantes 181

SDA52 Statistique pour le Big Data 186

SDA53 Apprentissage par Markov Cachés et Filtrage 195

MRO51 Métaheuristiques &Optimisation stochastique& Méthodes de décomposition

196

EF51 Entrepreneuriat IV 201

PFE Projet de Fin d'Etudes 204

7

1. IDENTIFICATION DE LA FORMATION

Intitulé de la filière : Data Science

Options (le cas échéant) : Discipline(s) (Par ordre d’importance relative) : Ingénierie des données, Statistique, Mathématiques Appliquées, Recherche opérationnelle. Spécialité(s) (Par ordre d’importance relative) : Ingénierie des données, Statistique appliquée, Analyse de données, Modélisation statistique, Informatique décisionnelle, Machine Learning, Apprentissage statistique, Séries chronologiques, Statistique en grande dimension, Bases de Données, Recherche opérationnelle, Intelligence Artificielle, Aide à la décision, Optimisation, Big Data. Mots clés : Ingénierie des données, statistique, Base de données, Informatique décisionnelle, Big data, Machine Learning, Modélisation statistique, Apprentissage statistique, Séries chronologiques, Statistique en grande dimension, Systèmes d’information, Intelligence Artificielle, Recherche opérationnelle, Aide à la décision, Optimisation numérique, Modélisation mathématique, Intelligence Artificielle, Systèmes d’information. 2. OBJECTIFS DE LA FORMATION

L’objectif de la filière est de former un profil spécialisé dans la gestion et l'analyse pointue de données massives « Big Data ». Ce profil recherché, à savoir le « Data Scientist », est une intégration des profils « Data Analyst » et « Data Engineer » ; il est capable de générer des valeurs prédites à partir de données brutes. Il détermine en se basant sur des sources de données multiples, dispersées et non structurées, des modèles de prédiction et des indicateurs permettant la mise en place d'une stratégie répondant à une problématique précise. Il est donc spécialisé en Informatique, Statistique, Mathématiques Appliquées et connait parfaitement le secteur ou la fonction d'application des données analysées. L’ingénieur bénéficie aussi de cours en Economie, Entreprenariat, Sociologie, Communication et langues pour renforcer des compétences en Soft Skills. Cette formation triplement polyvalente permet à l’ingénieur Data Scientist de l’INSEA d’analyser tout type de problèmes reliés aux données massives, de proposer des solutions informatiques et des modèles de prédictions adaptés et de qualité, d’intégrer aisément le monde professionnel, et d’intervenir dans tous les domaines et spécialisations de la Data Science.

8

3. COMPETENCES A ACQUERIR (Spécifier les compétences que doit acquérir le lauréat). La filière DS a pour objectif de former des ingénieurs maitrisant les compétences suivantes :

Mise enœuvre, gestion et exploitation des environnements Big Data ;

Mise en œuvre des modèles de prédictions, techniques et outils d’analyse de données : apprentissage statistique (statisticallearning), apprentissage automatique (machine learning), data, web et textmining, analyse de données temps réel (time series, flux d’évènements), traitement des données imprécises/incertaines, etc. ;

Conception et utilisation des modèles mathématiques en vue d'analyser et d'optimiser des systèmes très variés avec des données massives

Acquisition de données non structurées : crawling, scrapping, ETL ;

Manipulation de données : nettoyage (cleansing), stockage (NoSQL, bases colonnes, bases graphes), analyse de qualité, intégration, extraction des métadonnées, distribution des données ;

Utilisation des données des réseaux sociaux et moteurs de recherche ;

Passage à l’échelle, parallélisme (Hadoop, map/reduce) ;

Développement des systèmes informatique « Data product » : architecture matérielle/logicielle ;

Visualisation de données massives (dataviz) et explication des résultats ;

Développement des applications à base de technologies de l’IA ;

Manipulation des données SIG

Mise en œuvre des outils d’aide à la décision informatisés ;

Développement de systèmes décisionnels : OLAP, Exploitation des BDs décisionnelles (BI) ;

Gestion des BDs : SQL et NoSQL

Elaboration des indicateurs métiers pour les systèmes d’aide à la prise de décision ;

Gestion des projets informatique : Agile, DevOps, DataOps ;

Développement des architectures logicielles avancées orientées processus et services ;

Soft skills : Gestion de l’entreprise selon une approche « data scientist »;

4. DEBOUCHES ET RETOMBEES DE LA FORMATION (Spécifier les profils et les métiers visés par la formation et préciser le cas échéant les besoins en formation exprimés par les employeurs potentiels).

La filière de Data science permet d’acquérir un profil hautement qualifié, à l’interface entre informatique pour données massives et analyse statistique, pour lequel les débouchés sur le marché du travail sont extrêmement variés : industries technologiques, services financiers innovants, marketing, santé, etc. Actuellement, les tendances du marché vont vers les profils suivants :

Consultant en Data Science

Consultant Data Analyst ;

Consultant Business Analytics

Consultant Data Architect ;

Consultant Machine Learning et Deep Learning

Consultant en Ingénierie de données

Ingénieur Big Data ;

Concepteur des Systèmes d’information Décisionnels ;

Gestionnaire et développeur de projets informatiques orientés vers la Data « Data driven » ;

Consultant en modélisation des systèmes complexes ;

9

5. MODALITES D’ADMISSION

10

6. ARTICULATION ENTRE LES SEMESTRES DE LA FILIERE (Pré-requis, progressivité,….)

Le premier semestre vise à développer les connaissances de base en Informatique,

statistique, Mathématiques appliquées, économie etcommunication. Les pré-requis exigés sont ceux de l’admission à l’INSEA (cursus des classes préparatoires).

Le deuxième semestre approfondit les connaissances de base des étudiants avec une ouverture sur des outils d’analyse statistique et de Mathématiques appliquées. Ce semestre offre aussi des enseignements sur les techniques d’entrepreneuriat. A la fin de ce semestre, l’étudiant effectue un stage de découverte du milieu professionnel qu’il soutient devant un jury pour évaluation.

Le troisième semestre introduit des modules statistiques de spécialisation de la filière DS. Les modules des semestres S1 et S2, notamment ceux de la statistique et des Mathématiques appliquées, constituent des pré-requis pour ce troisième semestre.

Le quatrième semestre est un semestre d’approfondissement du métier Data scientist où le futur ingénieur bénéficie d’une formation pointue et adaptée aux exigences de la profession. Ce quatrième semestre est suivi d’un stage d’application soutenu devant un jury pour évaluation.

Le cinquième semestre complète la formation etse caractérise, entre autres, par l’intervention des professionnels du métier sur des modules de spécialisation avancés.

Le sixième semestre est entièrement consacré à la réalisation d’un projet de fin d’études

(PFE). Ce semestre est couronné par une soutenance publique.

7. ARTICULATION DE LA FILIERE AVEC LES AUTRES FORMATIONS (Notamment avec les deux années préparatoires au cycle ingénieur)

La formation au sein de la filière DS est en adéquation avec la formation mathématique des Centres Préparatoires aux Grandes Ecoles (CPGE).

8. PASSERELLES

8.1 Passerelles avec les formations dispensées au niveau de l’Etablissement (notamment avec les autres formations du cycle ingénieur) En fonction des capacités d’accueil, des passerelles sont possibles pour accéder à la deuxième année de la filière DS à partir des autres filières de l’établissement*, sur étude du dossier et éventuellement concours.

* : Statistique- Economie Appliquée ; DSE ;Actuariat-Finance ;Statistique- Démographie

;Recherche opérationnelle et aide à la décision.

8.2 Passerelles avec les formations dispensées au niveau d’autres établissements

En fonction des capacités d’accueil, des passerelles sont possibles pour accéder à la deuxième année de la filière DS à partir d’autres établissements, sur étude du dossier et éventuellement concours.

11

9. ORGANISATION MODULAIRE DE LA FILIERE

9.1 .Organisation par bloc de modules

Bloc de modules Modules VH global

du bloc

Pourcentage du VH

(1)

Modules scientifiques de base et de spécialisation

(2)

Algorithmique et Programmation C

Architecture des ord. et Syst. d'exploitation

Analyse de données et Programmation avec

SAS

Probabilités et Inférence statistique

Programmation linéaire 1 & Mathématiques

pour Data Science

Principes de l'économie et histoire de la pensée

économique

Structures de données et Prog. Avancée

Programmation Orientée Objet

Analyse et Conception Relationnelles& Bases

de données

Régression linéaire et Séries chronologiques

Calcul scientifique pour Data Science

Processus stochastiques & Files d'attente

Principes de l’Économie II et Comptabilité

nationaleet Comptabilité Nationale

Data Viz&Multimedia information systems

Modèlisation Orientée Objet des SI

Data Architectures & Security

Apprentissage statistique supervisé et non

supervisé

Statistiques multivariées et Séries

chronologiques avancées

Théorie des graphes et modèles discrets

Business Intelligence&Knowledge Discovery

Software engineering, Agile &DataOps

Intelligence Artificielle

Regression sur variables catégorielles et

Modèles GLM

Simulation I&Programmation non linéaire &

Modélisation 1

Projet encadré

Big Data

Machine and Deep Learning

Echantillonnage et traitement des valeurs

manquantes

Statistique pour le Big Data

Apprentissage par Markov Cachés et Filtrage

Métaheuristiques &Optimisation

stachastique& Méthodes de décomposition

1766 79.19%

Modules de management (3)

Entreprenariat I

Entreprenariat II

Entrepreneuriat III

Entrepreneuriat IV

218 9.8%

Modules de langues, de communication et des TIC

(4)

Sciences sociales, Communication and

Business English 1


Business English 2


Business English 3


Business English 4

246 11.03%

Total 2230 100 %

12

(1) Pourcentage du VH global du bloc par rapport au VH global des 5 premiers semestres.

(2) Le bloc des modules scientifiques et techniques de base et de spécialisation représente 60 à 80% du volume horaire global des cinq premiers semestres de la filière.

(3) Le bloc des modules de management représente 10 à 20% du volume horaire global des cinq premiers semestres de la filière.

(4) Le bloc des Modules de langues, de Communication et des TIC représente 10 à 20% du volume horaire global des cinq premiers semestres de la filière

13

9.2. ORGANISATION PAR MODULE

Semestre Liste des Modules Eléments de module VH global du

module(1)

Département

d’attache du module

Coordonnateur du module(2)

Nom et prénom Etablissement Département Spécialité Grade

S1

Modules Scientifiques et techniques de

base et de spécialisation(3) :

Algorithmique et Programmation

Algorithmique

Programmation C 64 Informatique HACHIMI ALAOUI

Ali INSEA Informatique Informatique PA

Architecture des ordinateurs et système

d’exploitation

Architecture des

ordinateurs

Système

d’exploitation

56 Informatique ELHARI Kaoutar INSEA Informatique Informatique PA

Analyse et Conception Relationnelles &

Bases de données

Analyse et Conception

Relationnelles

Bases de données

56 Informatique RADGUI Maryam INSEA Informatique Informatique PA

Analyse de données et Programmation

avec SAS

Statistique Descriptive

Techniques de

réduction de

dimension

Programmation en

SAS

56 Statistique, Démographie

et Actuariat

EL HAJ TIRARI

MOHAMMED INSEA

Statistique, Démographie

et Actuariat Statistique PH

Probabilités et Inférence statistique Probabilités

Inférence statistique 64


et Actuariat EL ABDI FOUAD INSEA


et Actuariat Statistique PES

Programmation linéaire 1 et

Mathématiques pour Data science

Programmation

linéaire 1

Mathématiques pour

Data science

56 Mathématique et

Recherche Opérationnelle

BELKORA Samir INSEA

Mathématique et

Recherche

Opérationnelle

Mathématique PES

Principes de l'économie et histoire de la

pensée économique

Principes de

l’économie 1

Comptabilité générale

56 Economie et Finance ZAOUJAL NOUZHA INSEA Economie et Finance Economie PH

Modules de Management(4) :

Modules de langues, de Communication et des TIC (5) :

Sciences sociales,Communication and

Business English 1

Sciences sociales 1

Français 1

Business English 1 66

Sciences Sociales et

Techniques d’Expression et

de Communication

CHEKRAOUI

ABDERRAHIM INSEA


Techniques d’Expression

et de Communication

Sociologie PH

14

VH globale du semestre 1 474

S2



Structures de donnéeset Programmation

Avancée

Structures de données

Programmation

Avancée 60 Informatique ELHARI Kaoutar INSEA Informatique Informatique PA

Programmation Orientée Objet Programmation

Orientée Objet 48 Informatique

SAIDI Mohammed

Nabil INSEA Informatique Informatique PH

Régression linéaire et Séries

chronologiques

Régression linéaire

Séries chronologiques 56


et Actuariat

EL HAJ TIRARI

Mohammed INSEA



Scientific Computing Calcul scientifique

pour Data Science I

Calcul scientifique

pour Data Science II


et Actuariat Mohamed Ouzineb INSEA



Processus stochastiques & Files d'attente Processus

stochastiques

Files d'attente

50 Mathématique et

Recherche Opérationnelle KADRANI Abdeslam INSEA

Mathématique et

Recherche

Opérationnelle

Recherche

Opérationnelle PH

Introduction à la microéconomie/ à la

macroéconomie et Comptabilité Nationale

Principes d'Economie

II

Comptabilité

nationale

58 Economie et Finance ZAOUJAL NOUZHA INSEA Economie et Finance Economie PH


Entreprenariat I

Economie d'Entreprise

Plan d'affaires

Modèles d'affaires

56 Economie et Finance EFFINA DRISS INSEA

Economie et Finance

Economie

PH


Sciences sociales,Communication and

Business English 2

Sciences sociales 2

Français 2

Business English 2 84


Techniques d’Expression et

de Communication

CHERKAOUI

Abderrahim INSEA



et de Communication

Anglais PH

VH global du semestre 2 468

(1) Le volume horaire global d’un module correspond à 48 heures au minimum d’enseignement et d’évaluation.

(2) Le coordonnateur du module appartient au département d’attache du module.

15

9.2. ORGANISATION PAR MODULE (SUITE)

S3

Liste des Modules Eléments de module VH global du

module(1)

Département

d’attache du module

Coordonnateur du module(2)

Nom et prénom Etablissement Département Spécialité Grade



Data Viz & Multimedia information systems

Data Viz with R

Geographic Information

Systems

56 Informatique BENELALLAM Imade INSEA Informatique Informatique PH

Modélisation Orientée Objet des SI Modélisation Orientée

Objet

Ingénierie Dirigée par les

modèles

56 Informatique SAIDI Rajaa INSEA Informatique Informatique PH

Data Architectures & Security and

Blockchains

Data Architectures

Security and Blockchains 48 Informatique BENELALLAM Imade INSEA Informatique Informatique PH

Statistiques multivariée – series

chronologiques avancées

Statistique multivariée

Séries chronologiques

avancées


et Actuariat Fouad EL ABDI INSEA

Statistique,

Démographie et

Actuariat

Statistique PES

Apprentissage Statistique supervisé et non

supervisé

Fondements de

l'apprentissage statistique

Apprentissage statistique

non supervisé


supervisé


et Actuariat

EL HAJ TIRARI

Mohammed INSEA

Statistique,

Démographie et

Actuariat

Statistique PH

Théorie des Graphes et Modèles discrets Théorie des graphes

Modèles discrets 52

Mathématiques et

Recherche

Opérationnelle

BELKORA SAMIR INSEA

Mathématiques et

Recherche

Opérationnelle

Recherche

Opérationnelle PES


Entreprenariat II

Finance d'entreprise

Marketing

Introduction au droit

56 Economie et Finance EFFINA DRISS INSEA

Economie et Finance

Economie

PH


Sciences sociales,Communication and Business English 3

Professional English I

Techniques d'expression et

de communication 48



et de Communication

TOUHTOUH Rachid INSEA


Techniques

d’Expression et de

Communication

Anglais PH

16


S4



Business INTELLIGENCE & KNOWLEDGE

DISCOVERY

Data warehouse et Business

Analytics

Knowledge Discovery 56 Informatique BENELALLAM Imade INSEA Informatique Informatique PH

Software engineering, Agile &DataOps Software engineering

Agile &DataOps 56 Informatique

Maryam Radgui INSEA Informatique Informatique PA

Intelligence Artificielle Programmation

fonctionnelle et logique

Intelligence Artificielle

64

Informatique KABBAJ Adil INSEA Informatique Informatique PA

regression sur variables catégorielles et

modeles linéaires generalisés (glm)

Régression sur variables

catégorielles

Modèle de régression

linéaire


et Actuariat

EL HAJ TIRARI

Mohammed INSEA

Statistique,

Démographie et

Actuariat

Statistique PH

Simulation à événements discrets I & Programmation non linéaire & Modélisation I

Simulation à événements

discrets I

Programmation non

linéaire

Modélisation I

82

Mathématiques et

Recherche

Opérationnelle

BENMANSOUR Rachid INSEA

Mathématiques et

Recherche

Opérationnelle

Recherche

Opérationnelle PA

Projet encadré Projet encadré 70 INSEA


Entrepreneuriat III

Management de projet

Suivi de projet 48 Economie et Finance EFFINA DRISS INSEA

Economie et Finance

Economie PH

Modules de langues, de Communication et des TIC (5) : Sciences sociales,Communication and Business English 4

Professional English II

L'écrit Professionnel

Psychosociologie des

organisations

48



et de Communication

TOUHTOUH Rachid INSEA


Techniques

d’Expression et de

Communication

Anglais PH


17

S5



Big Data

Big dataPlatforms

Big dataLangages 56 Informatique BENELALLAM Imade INSEA Informatique Informatique PH

Machine and Deep learning Technologies du machine

learning

Deep learning

48 Informatique SAIDI Mohammed Nabil INSEA Informatique Informatique PH

Echantillonnage et Traitement des valeurs

manquantes

Techniques

d’échantillonnage et de

redressement

Méthodes de

rééchantillonnage

Traitement des valeur

manquantes


et Actuariat

EL HAJ TIRARI

Mohammed INSEA

Statistique,

Démographie et

Actuariat

Statistique PH

Statistique pour le Big Data Statistiques en grande

dimension

Apprentissage en grande

dimension


et Actuariat

EL HAJ TIRARI

Mohammed INSEA

Statistique,

Démographie et

Actuariat

Statistique PH

Apprentissage par Markov Cachés et

Filtrage

Modèles de Markov Cachés

Filtrage 48 Statistique, Démographie

et Actuariat

EL HAJ TIRARI

Mohammed INSEA Economie et Finance Finance PA

Métaheuristiques &Optimisation

stochastique& Méthodes de décomposition

Métaheuristiques

Optimisation stochastique

Méthodes de

décomposition

62

Mathématiques et

Recherche

Opérationnelle

Kadrani Abdeslam

INSEA

Mathématiques et

Recherche

Opérationnelle

Recherche

Opérationnelle PH


Entrepreneuriat IV

Séminaire d’ouverture,

Visite d'Entreprises,

Cerifications etc.

58 Informatique SAIDI Mohammed Nabil INSEA Informatique Informatique PH


(1) Le volume horaire global d’un module correspond à 48 heures au minimum d’enseignement et d’évaluation.

(2) Le coordonnateur du module appartient au département d’attache du module.

10. DESCRIPTION DES STAGES (Deux stages au minimum sont nécessaires durant les quatre premiers semestres. Pour chaque stage, préciser les objectifs, les activités prévues, la durée, la programmation, le lieu, les modalités d’évaluation et de validation, …) Au cours de leur scolarité, les étudiants sont tenus d’effectuer deux stages d’été : STAGE 1 :Un stage de découverte à la fin du deuxième semestre, d’une durée de quatre à six semaines. Le but du stage est de permettre aux étudiants de découvrir le monde du travail

d’observer et de comprendre les rouages de la gestion

de confronter les connaissances acquises aux pratiques en vigueur. STAGE 2 :Un stage d’application à la fin du quatrième semestre, d’une durée de six à huit semaines. L’objectif du stage consiste à mobiliser toutes les connaissances acquises durant la première et la deuxième année pour résoudre un problème pratique ou apporter une réponse à une situation donnée faisant appel à une ou plusieurs techniques de la formation en Data Science. A la fin de chacun des deux stages, l’organisme d’accueil remet à l’INSEA une appréciation sur la qualité du travail effectué et l’assiduité de l’étudiant. L’étudiant rend un rapport de stage à l’INSEA et le soutient devant un jury qui lui attribue une note d’évaluation. AUTRES STAGES (LE CAS ECHEANT) :

11. MODALITES DE VALIDATION

11.1. Validation de l’année (Préciser les 3 conditions nécessaires à la validation de l’année : la moyenne d’année minimale requise, le nombre maximal des modules non validés de l’année ainsi que la note minimale du module requise)

Une année de la filière est validée et donne droit à l’inscription à l’année suivante si les trois conditions suivantes sont satisfaites :

La moyenne générale de l’année est supérieure ou égale à 12/20.

Le nombre de modules non validés de l'année n’excède pas 4 pour la première et la deuxième année (dont au plus 2 de spécialité) ;

Aucune note de module ne doit être inférieure à 06/20.

11.2. Validation du 5ème semestre (Préciser les 3 conditions nécessaires à la validation du 5ème semestre : la moyennedu semestre minimale requise pour la validation, le nombre maximal des modules non validés du semestre ainsi que la note minimale du module requise)

Le cinquième semestre est validé si les trois conditions suivantes sont satisfaites :

La moyenne générale du cinquième semestre est supérieure ou égale à 12/20 (la moyenne de validation d’année) ;

Le nombre de modules non validés du semestre n’excède pas 2 avec au plus 1 module de spécialité ;

Aucune note de module n'est inférieure à 06/20.

12. EQUIPE PEDAGOGIQUE

Nom et Prénom Département

d’attache Spécialité Grade

Intervention

Module

Elément(s) du module Nature

(Cours, TD, TP, encadrement de stage, de projets, ...)

1. Intervenants de l’établissement d’attache :

OUAZZANI TOUHAMI Aziz informatique informatique PA Algorithmique et Programmation C Algorithmique Cours, TD, TP

HACHIMI ALAOUI Ali informatique informatique PA Algorithmique et Programmation C Programmation C Cours, TD, TP

ELHARI Kaoutar informatique informatique PA Architectures des ordinateurs et système

d’exploitation Architectures des ordinateurs Cours, TD

ELHARI Kaoutar informatique informatique PA Architectures des ordinateurs et système

d’exploitation Système d’exploitation Cours, TP

RADGUI Maryam informatique Informatique PA Analyse et Conception Relationnelles &

Bases de données

Analyse et Conception

Relationnelles Cours, TD

Imade BENELALLAM informatique Informatique

PH Analyse et Conception Relationnelles &

Bases de données Bases de données Cours, TD, TP

El Haj Terrari Statistique, Démographie et Actuariat Statistique PES Analyse de données et programmation

avec SAS Analyse de données Cours, TD,

EL ABDI FOUAD Statistique, Démographie et Actuariat Statistique PES Probabilités et inférence statistique Probabilité Cours, TD

EL ABDI FOUAD Statistique, Démographie et Actuariat Statistique PES Probabilités et inférence statistique Inférence statistique Cours, TD

BELKORA SAMIR Mathématique et Recherche

Opérationnelle RO PES

Programmation linéaire et Mathématiques

pour Data sciences Programmation linéaire Cours, TD

Ouzineb Mohamed Mathématique et Recherche

Opérationnelle Mathématique PA

Programmation linéaire et Mathématiques

pour Data sciences

Mathématiques pour data

sciences Cours, TD, TP

ZAOUJAL Nouzha Economie Finance Economie PH Principes de l'économie et histoire de la

pensée économique Principes de l’économie 1 Cours, TD

20

CHERKAOUI Abderrahim Statistique, Démographie et Actuariat Sociologie PH Sciences sociales, Communication and

Business English 1 Sciences sociales 1 Cours, TD

EL YAMANI YAMINE Statistique, Démographie et Actuariat Français PA Sciences sociales, Communication and

Business English 1 Français 1 Cours, TD

TOUHTOU Rachid Statistique, Démographie et Actuariat

Anglais PH Communication and Business English 1 Business English 1 Cours, TD

ELHARI Kaoutar informatique informatique PA Structures de données Structures de données Cours, TD, TP

ELHARI Kaoutar informatique informatique PA Structures de données Programmation Avancée Cours, TD, TP

SAIDI Mohammed Nabil informatique informatique PH Programmation Orientée Objet Programmation Orientée

Objet Cours, TD, TP

Fadoua el Badaoui Statistique, Démographie et Actuariat

Statistique PA

régressionlinéaire et séries chronologiques Modèle de régression linéaire Cours, TD, TP

Mostapha Bourouyene

Statistique, Démographie et Actuariat

Statistique Ingénieur

régressionlinéaire et séries chronologiques Séries chronologiques Cours, TD, TP

Kadrani Abdeslam Mathématique et Recherche

Opérationnelle RO PH Processus Stochastiques et Files d’attente Processus Stochastiques Cours, TD, TP

Belkora Samir Mathématique et Recherche

Opérationnelle RO PES Processus Stochastiques et Files d’attente Files d’attente Cours, TD, TP

ZAOUJAL NOUZHA Economie et Finance Economie PH Introduction à la microéconomie/ à la

macroéconomie et Comptabilité Nationale Principes d'Economie II Cours, TD

EFFINA DRISS Economie Finance Economie PH Entreprenariat I Economie d'Entreprise Cours, TD

EFFINA DRISS Economie Finance Economie PH Entreprenariat I Plan d'affaires Cours, TD

EFFINA DRISS Economie Finance Economie PH Entreprenariat I Modèles d'affaires Cours, TD

CHERKAOUI Abderrahim Statistique, Démographie et Actuariat Sociologie PH Sciences sociales, Communication and

Business English 2 Sciences sociales 2 Cours, TD


Business English 2 Français 2 Cours, TD

21

TOUHTOU Rachid Statistique, Démographie et Actuariat Anglais PH Sciences sociales, Communication and

Business English 2 Business English 2 Cours, TD

El Annas Monir Mathématique et Recherche

Opérationnelle RO ingénieur

Data Viz & Geographic Information Systems Data Viz with R Cours, TD

SAIDI Rajaa Informatique informatique PH Modélisation Orientée Objet des SI Modélisation Orientée Objet

des SI Cours, TD, TP

BENELALLAM Imade informatique Informatique PH DATA ARCHITECTURES & SECURITY AND

BLOCKCHAINS

DATA ARCHITECTURES Cours, TD, TP

BENELALLAM Imade informatique Informatique PH DATA ARCHITECTURES & SECURITY AND

BLOCKCHAINS

SECURITY AND BLOCKCHAINS Cours, TD, TP

El ABDI Fouad Statistique, Démographie et Actuariat Statistique PES Statistiques multivariée – series

chronologiques avancées Statistiques multivariée Cours, TD, TP

KABBAJ Adil Informatique informatique PES Intelligence Artificielle

Programmations

fonctionnelle, logique et par

contraintes

Cours, TD, TP

KABBAJ Adil Informatique informatique PES Intelligence Artificielle Intelligence Artificielle Cours, TD, TP

GUEDIRA Mohammed Faiçal Statistique, Démographie et Actuariat Statistique PA Théorie des graphes et modèles discrets Théorie des graphes Cours, TD, TP

Samir BELKORA Mathématiques et Recherche

Opérationnelle Recherche

Opérationnelle PES Théorie des graphes et modèles discrets Modèles discrets Cours, TD

KADRANI Abdeslam Mathématiques et Recherche


Opérationnelle PH Processus Stochastiques et Files d’attente

Processus Stochastiques et

Files d’attente Cours, TD

Samir Belkora Mathématiques et Recherche


Opérationnelle PH

Simulation 1 et Programmation Non

Linéaire & modélisation 1 Simulation 1 Cours, TD, TP



Opérationnelle PH


Linéaire & modélisation 1 Programmation Non Linéaire Cours, TD, TP

Ouzineb Mohamed Mathématiques et Recherche


Opérationnelle PH


Linéaire & modélisation 1 Modélisation 1 Cours, TD, TP

Skalli Ahmed Informatique Informatique PH Projet encadré Projet encadré Cours, TD, TP

22



Opérationnelle PH

Métaheuristiques, Optimisation

Stochastique et Méthodes de

décompostion

Optimisation Stochastique Cours, TD, TP

TOUHTOU Rachid Statistique, Démographie et Actuariat Anglais PH


Business English 3

Professional English I Cours, TD


Business English 3

Techniques d'expression et de

communication Cours, TD

BENELALLAM Imade informatique informatique PH Business INTELLIGENCE & KNOWLEDGE

DISCOVERY

- Data warehouse et Business

Analytics Cours, TD, TP

BENELALLAM Imade informatique informatique PH Business INTELLIGENCE & KNOWLEDGE

DISCOVERY - Knowledge Discovery Cours, TD, TP

TOUHTOU Rachid Statistique, Démographie et Actuariat Anglais PA Sciences sociales, Communication and Business English 4 Professional English II Cours, TD

EL YAMANI Yamine Statistique, Démographie et Actuariat Français PA Sciences sociales, Communication and Business English 4 L'écrit Professionnel Cours, TD, TP

CHERKAOUI Abderrahim Statistique, Démographie et Actuariat Sociologie PH Sciences sociales, Communication and Business English 4

Psycosociologie des

organisations Cours, TD

BENELALLAM Imade informatique Informatique PH Big Data Big data platforms Cours, TP

BENELALLAM Imade informatique Informatique PH Big Data Big data languages Cours, TP

SAIDI Mohammed Nabil informatique informatique PH Machine et Deep Learning Machine Learning Cours, TD, TP

SAIDI Mohammed Nabil informatique informatique PH Machine et Deep Learning Deep Learning Cours, TD, TP

EL HAJ TIRARI Mohammed Statistique, Démographie et Actuariat Statistique PH Apprentissage statistique supervisé et non

supervisé

Fondement de l’apprentissage

statistique Cours, TD, TP


supervisé

Apprentissage statistique non

supervisé Cours, TD, TP


supervisé


supervisé Cours, TD, TP

EL QALLI Yassine Economie et Finance Finance PA Apprentissage par Markov Caché et Filtrage Modèles de Markov Cachés Cours, TD, TP

23

EL QALLI Yassine Economie et Finance Finance PA Apprentissage par Markov Caché et Filtrage Filtrage Cours, TD, TP

EL HAJ TIRARI Mohammed Statistique, Démographie et Actuariat Statistique PH Echantillonnage et traitement des valeurs

manquantes

Techniques d’échantillonnage

et de redressement Cours, TD, TP


manquantes

Méthodes de

rééchantillonnage Cours, TD, TP


manquantes Traitement des valeurs

manquantes Cours, TD, TP

Ahmed Skalli Informatique Informatique PA SOFTWARE ENGINEERING, AGILE &

DATAOPS SOFTWARE ENGINEERING Cours, TD, TP

EFFINA DRISS Economie Finance Economie PH Entreprenariat II Finance de l’entreprise Cours, TD

EFFINA DRISS Economie Finance Economie PH Entreprenariat II Diagnostic financier Cours, TD

EFFINA DRISS Economie Finance Economie PH Entreprenariat II Evaluation de l’entreprise Cours, TD

EFFINA DRISS Economie Finance Economie PH Entreprenariat III Stratégie d’entreprise Cours, TD

EFFINA DRISS Economie Finance Economie PH Entreprenariat III Business Model Cours, TD

EFFINA DRISS Economie Finance Economie PH Entreprenariat III Business Plan Cours, TD

Maryam Radgui Informatique Informatique PA SOFTWARE ENGINEERING, AGILE &

DATAOPS SOFTWARE ENGINEERING Cours, TD, TP

2. Intervenants d’autres établissements externes à l’université (Préciser l’établissement et joindre les documents d’engagement des intéressés) :

Abdellah Abarda

Université Hassan 1er, Settat Statistique PA



regression sur variables

catégorielles Cours, TD, TP

Abdellah Abarda

Université Hassan 1er, Settat Statistique PA



modeles linéaires generalisés

(glm) Cours, TD, TP

Abdellah Abard Université Hassan 1er, Settat Statistique PA Analyse de données et programmation

avec SAS Programmation avec SAS Cours, TP

Imad EL Harraki ENIM RO PA Calcul scientifique pour Data Science

Calcul scientifique pour Data

Science I Cours, TP

24

Imad EL Harraki ENIM RO PA Calcul scientifique pour Data Science

Calcul scientifique pour Data

Science II Cours, TP

El Annas Monir SI2M Lab RO ingénieur Data Viz & Geographic Information Systems Data Viz with R Cours, TD

EL HADDAD Mohammed FSJE Economie PED Comptabilité générale Cours, TD EL HADDAD Mohammed

El Annas Monir SI2M Lab RO ingénieur Data Viz & Geographic Information Systems GIS Cours, TD

3. Intervenants socioéconomique(Préciser l’organisme et joindre les documents d’engagement des intéressés) :

25

13. MOYENS MATERIELS ET LOGISTIQUES SPECIFIQUES

13.1. Disponibles Amphi : 08 Classes de Cours : 14 Salles informatique et Multimédia : 05 Nombre de PC et d’Imprimantes : 80 Bibliothèque : 01 Salle de lecture : 01 Salles de réunion : 03 Salles de Conférence et Salle d’Accueil : 01/01 Bureaux des départements : 06 Bureaux des Filières : 05 Bureaux des Enseignants : 42 Internat : 01 Restaurant : 01 Salle de Tirage : 01 Buvette : 01 Foyer : 01 Terrains de sport : 04

13.2. Prévus

14. PARTENARIAT ET COOPERATION

14.1 Partenariat avec des établissements de formation (Joindre les documents d’engagement)

Institution Nature et modalités du partenariat

Université de Laval-Canada Elaboration et participation à des programmes de formation initiale et continue

Echange des étudiants dans le cadre de leur formation

Accueil des étudiants dans le cadre de leurs projets de fin d’études

Université de Sherbrooke-Canada

Université Littorale Côte d’Opale

ENSAE ParisTech - France

ENSAI -France

ENSTA ParisTech - France

14.2 Partenariat socio -professionnel (Joindre documents d’engagement)

Institution Domaine d’activité Nature et modalités du partenariat

Association Marocaines des Actuaires (AMA) Ministère des

Assurance

Les lauréats de la filière Actuariat-Finance sont reconnus en tant qu’actuaires membres de l’AMA et automatiquement en tant qu’actuaires reconnus par l’Association Actuarielle Internationale (AAI)

26

Finances Association marocaine des lauréats de l’INSEA (Sigma21) Ministère de l’économie et des finances

Banque Centrale Populaire

Caisse Nationale de

Sécurité Sociale

Assurance et Finance Tutorats et parrainage Finance

Banque

Prévoyance

Contribution au financement de la formation des ingénieurs actuaires financiers Etablir et maintenir entre tous les lauréats de l’INSEA les relations professionnelles et promouvoir les fonctions et rôles des lauréats. Promouvoir les activités communs de for mations, de recherches et des changes d’expériences. L’échange d’information et de données, réalisation d’études, encadrement des stagiaires, promotion des travaux réalisés par les étudiants. Participation des enseignants de l’institut dans les séminaires organisé par la banque L’échange et coopération entre les deux parties : Formation, stages, recrutement, séminaires, expertises.

14.3 Autres partenariats (à préciser) (Joindre documents d’engagement)

Institution Domaine d’activité Nature et modalités d’intervention

15. RENSEIGNEMENTS OU OBSERVATIONS QUE VOUS CONSIDEREZ PERTINENTS ET QUI NE SONT PAS ABORDES DANS LES COMPOSANTES DU PRESENT FORMULAIRE

27

DESCRIPTIF DU MODULE

Intitulé du module ALGORITHMIQUE ET PROGRAMMATION

Etablissement dont relève le module Institut National de Statistique et d'Economie Appliquée (INSEA)

Département d’attache Informatique

Nature du module (Modules scientifique et technique de base et de spécialisation, modules de management ou modules de langues, communication et des TIC).

Module scientifique et technique de base et de spécialisation

Semestre d’appartenance du module Semestre1

28

1. SYLLABUS DU MODULE

1.1. OBJECTIFS DU MODULE Permettre aux étudiants l’apprentissage de l’algorithmique et du langage de programmation C.

1.2.PRE-REQUIS PEDAGOGIQUES

(Indiquer les modules requis pour suivre ce module et le semestre correspondanten respectant la progression des enseignements d’un semestre à l’autre et d’une année à l’autre).

Aucun pré-requis

1.3. VOLUME HORAIRE

Elément(s) du module Volume horaire (VH)

Cours TD TP Activités Pratiques Evaluation VH global

1. : Algorithmique 18 12 2 32

2. : Programmation en C 18 12 2 32

VH global du module 36 12 12 4 64

% VH 56.25% 18.75% 18.75% 6.25% 100%

1.4. DESCRIPTION DU CONTENU DU MODULE

Fournir une description détaillée des enseignements et/ou activités pour les différents éléments de module (Cours, TD, TP, Activités Pratiques, évaluation) Elément 1 : Algorithmique 1- Notion d’algorithme 2- Valeurs, types et variables 3- Opérations de base : lecture, écriture et affectation 4- Expressions arithmétiques et logiques 5- Structures de contrôle de base : séquence, alternative et répétitives 6- Tableaux et méthodes de recherche et de trie 7- Chaines de Caractères 8- Décomposition en modules : Sous-algorithmes (Fonctions et procédures)

Raisons du découpage d’un algorithme Communication des informations

- Par valeur - Par adresse

9- Récursivité Elément 2 : Programmation C 1- Forme générale d’un programme C 2- Les identificateurs et les types de données 3- Les opérations et les expressions 4- Quelques fonctions particulières 5- Les instructions et les structures de contrôle 6- Les tableaux 7- Les Chaines de caractères 8- Pointeurs 9- Procédures et fonctions 10- Récursivité 11- Fichiers

29

1.5. MODALITES D’ORGANISATION DES ACTIVITES PRATIQUES

2. DIDACTIQUE DU MODULE

(Indiquer les démarches didactiques et les moyens pédagogiques prévus.)

- Un support du cours sera distribué aux étudiants - Le cours sera donné avec l’utilisation de data show

3. EVALUATION

3.1. MODES D’EVALUATION

(Indiquer les modes d’évaluation des connaissances : examens, test, devoir, exposés, rapports de stage ou tout autre moyen de contrôle continu)

Examen final à la fin de chaque élément du module.

3.2. NOTE DU MODULE

(Préciser les coefficients de pondération attribués aux différentes évaluations et éléments du module pour obtenir la note du module.)

Algorithmique : 50% Programmation C : 50%

3.3. VALIDATION DU MODULE

Préciser la note minimale requise pour la validation du module : 12/20

Préciser, le cas échéant, la note minimale requise pour chaque élément du module : 6/20

30

Préciser les modalités de prise en considération de la note de rattrapage dans celle du module : Après examens de rattrapage dans les éléments de modules, l’étudiant aura la note sup (Note avant examen de rattrapage ; Note de l’examen de rattrapage). Le cas d’une absence non justifiée à un examen de rattrapage obligatoire (note inférieure à 06/20) et les fraudes lors de ces examens, l’étudiant aura automatiquement la note de «00/20».

4. COORDONNATEUR ET EQUIPE PEDAGOGIQUE DU MODULE

Coordonnateur :

Nom et Prénom Grade Spécialité Département Etablissement

Nature

d’intervention*

HACHIMI

ALAOUI My Ali

PA Informatique Informatique INSEA Cours, TD

Intervenants :

Nom et prénom

OUAZZANI

TOUHAMI AZIZ

PA Informatique Informatique INSEA Cours, TD

HACHIMI

ALAOUI My Ali

PA Informatique Informatique INSEA Cours, TP

* Enseignements ou activités dispensés : Cours, TD, TP, encadrement de stage, de projets, ...

31


Intitulé du module ARCHITECTURE DES ORDINATEURS ET SYSTEMES D’EXPLOITATAION

Etablissement dont relève le module INSEA

Département d’attache INFORMATIQUE


MODULES SCIENTIFIQUE ET TECHNIQUE DE BASE

Semestre d’appartenance du module SEMESTRE 1

32


1.1. OBJECTIFS DU MODULE

Ce module vise la compréhension du fonctionnement de base d’un ordinateur. D’une part, il s’intéresse à son aspect matériel : ses différents composants, leurs architectures ainsi que les interactions qui les lient. D’autre part à son aspect logiciel en étudiant le rôle et les fonctions des systèmes d’exploitation et de la programmation systéme.

1.2. PRE-REQUIS PEDAGOGIQUES


Néant

1.3. VOLUME HORAIRE



Architecture des ordinateurs 18 4 4 2h 28h

Système d’exploitation 18 8 2h 28h


% VH 64% 7% 21% 0% 7% 100%


Fournir une description détaillée des enseignements et/ou activités pour les différents éléments de module (Cours, TD, TP, Activités Pratiques, évaluation)

Intitulé du cours :Architecture des Ordinateurs Département : Objectifs du cours :Comprendre l’organisation matérielle et l'architecture d’un ordinateur ainsi que

son fonctionnement basique et avoir une idée sur les architectures des super-ordinateurs actuels. Pré requis : Néant. Plan du cours : Architecture des Ordinateurs

Chapitre 1 : Histoire de l’ordinateur

I. Introduction

II. Développement historique et conceptuel

III. Naissance de l'industrie informatique

Chapitre 2 : Présentation et structure générale

I. Introduction

II. Principaux éléments d'un ordinateur

III. Principes de fonctionnement du matériel

Chapitre 3 : Systèmes de numération & Codage

I. Introduction

II. Représentation du numérique

III. Représentation du non numérique

33

Chapitre 5 : Algèbre de Boole

I. Définitions et théorèmes

II. Fonctions booléennes et représentations

III. Simplification des fonctions booléennes

Chapitre 6 : Les circuits combinatoires

I. Circuits arithmétiques

- Demi Additionneur

- Additionneur complet

- Circuits comparateurs

Chapitre 7 : Les circuits séquentiels et mémoire

I. Définitions

II. Bascules Latch et FlipFlop : RS

III. Hiérarchie des mémoires

IV. Organisations des informations

V. Caractéristiques de la mémoire

VI. Types de mémoires

Chapitre 8 : Super Ordinateurs - MicroProcesseur

I. Introduction

- Accroissement de la puissance des ordinateurs

- Technologie et performane

- Évaluation de la performance

- Parallélisme

II. Microprocesseurs

- Evolution des microprocesseurs

- Architectures actuelles

- Tendances futures

Références bibliographiques : 1. « Architecture et technologie des ordinateurs », Paolo Zanella, Yves Ligier, Emmanuel

Lazard

2. « Mini manuel d’Architecture de l’ordinateur », Jacques Jorda, Abdelaziz M’zoughi

Intitulé du cours :Système d’exploitation Département : Informatique

Objectifs du cours :Cet élément de module est une introduction aux concepts qui régissent les

systèmes d’exploitation et aux fonctions de base qu’un tel système offre aux utilisateurs. Pré requis : Néant.

Plan du cours : Système d’Exploitation

Introduction

Historique des SE

Les principaux SE

Rôle et position d’un Système d’Exploitation (SE)

Evolution des fonctions d’un SE

Gestion des ressources

La gestion des processus

Ordonnancement

Synchronisation des processus

Gestion de la mémoire

Le système d’exploitation Linux

Programmation Système

34


Besoins pour les activités pratiques: Salle Informatique



Support de cours Projection du PPT Travaux dirigés Travaux pratiques

3. EVALUATION



Architecture des ordinateurs : Examen final

Système d’exploitation : Examen final Note de module = 0,5*Architecture des ordinateurs +0,5* Système d’exploitation

3.2. NOTE DU MODULE


La note finale du module est NM = Architecture des ordinateurs *0,5+ Systèmes d’exploitation*0,5




35



Coordonnateur :


Nature

d’intervention*

CHRAIBI ABDELLATIF PES SYSTEMES ET

RESEAUX

INFORMATIQUE INSEA Cours

Intervenants :

Nom et Prénom

CHRAIBI ABDELLATIF

PES SYSTEMES ET

RESEAUX

INFORMATIQUE INSEA Cours

ELHARI KAOUTAR PA Informatique Informatique INSEA Cours / TD/ TP


36


Intitulé du module ANALYSE ET CONCEPTION RELATIONNELLES ET BASES DE DONNEES


Département d’attache INFORMATION


MODULES SCIENTIFIQUE ET TECHNIQUE DE BASE ET DE SPECIALISATION


37



L’objectif de l’élément « Analyse et conception relationnelles » est d’introduire la problématique de l’analyse et la conception des systèmes d’information pour exposer ensuite la méthode MERISE avec ses différents composants et modèles. L’étude est illustrée par des études de cas. L’objectif de l’élément «Bases de données» est l’étude d’une conception logique d’une BD, l’étude du modèle Relationnel et ensuite l’étude de SQL. L’élément est achevé par la conception et la réalisation d’un projet en BD.



1.3. VOLUME HORAIRE


Cours TD TP Activités Pratiques

Evaluation VH global

Analyse et conception relationnelles 12h 14h 2h 28h

Bases de données 10h 16h 2h 28h

VH global du module 22h 14h 16h 4h 56h

% VH 39,29% 25% 28,58% 7,14% 100%



Elément 1 : Analyse et conception relationnelles Chapitre 1 : Présentation de l’ACSI

I. Processus de développement d’un logiciel II. Les méthodes d’Analyse et de Conception des Systèmes d’Information

Chapitre 2 : Présentation de MERISE I. Etude de l’existant : Modèle de communication (Acteurs / Flux)

II. Le schéma de circulation des documents III. Modèle Conceptuel des Traitements (MCT) IV. Modèle Organisationnel des Traitements (MOT) V. Modèle Conceptuel des Données (MCD)

VI. Modèle Logique des Données relationnel (MLD) Chapitre 3 : Etudes de cas Elément 2 : Bases de données Chapitre 1 : Concepts fondamentaux d’une Base de Données

I. Généralités et définitions

38

II. Fonctions d’un SGBD III. Différents niveaux pour la représentation d’une BD IV. Mise en œuvre d’un SGBD

Chapitre 2 : Du modèle conceptuel au modèle relationnel I. Le modèle « Lien – Entité »

II. Le modèle relationnel III. L'algèbre relationnelle IV. Schéma relationnel et Contraintes d’Intégrité

Chapitre 3 : Langages de manipulation de données : SQL I. Présentation d’un SGBD

II. Introduction III. Structure QueryLanguage (SQL) IV. Langage de programmation pour SQL

Chapitre 4 : La normalisation I. Dépendances fonctionnelles

II. Axiomes d'Armstrong et couverture minimale III. Décomposition d'un schéma relationnel IV. Formes normales V. Conception et réalisation d’un projet en Base de Données




Support de Cours, Présentation, Exemples, Travaux pratiques sur machines et études de Cas.

3. EVALUATION



Pour tous les éléments du module : 0,7 Examen et 0,3 Projet

3.2. NOTE DU MODULE


Analyse et conception relationnelles 50%

39

Bases de données 50%



Préciser les modalités de prise en considération de la note de rattrapage pour la validation du module :Après examens de rattrapage dans les éléments de modules, l’étudiant aura la note sup (Note avant examen de rattrapage ; Note de l’examen de rattrapage). Le cas d’une absence non justifiée à un examen de rattrapage obligatoire (note inférieure à 06/20) et les fraudes lors de ces examens, l’étudiant aura automatiquement la note de «00/20».


Coordonnateur :


Nature

d’intervention*

RADGUI MARYAM PA Informatique Informatique INSEA Cours / TD

Intervenants :

Nom et Prénom

RADGUI MARYAM PA Informatique Informatique INSEA Cours / TD

BENELALLAM IMADE PH Informatique Informatique INSEA Cours / TP


40


Intitulé du module ANALYSE DE DONNEES ET PROGRAMMATION AVEC SAS


Département d’attache STATISTIQUE, DEMOGRAPHIE ET ACTUARIAT


MODULE SCIENTIFIQUE ET DE SPECIALISATION


Important

1. Ce formulaire, dûment rempli pour chaque module de la filière, doit être joint au descriptif de la filière.

2. Adapter les dimensions des tableaux aux contenus.

3. Joindre des annexes en cas de besoin.

41



L’objectif de ce moduleest de fournir aux élèves les outils statistiques descriptives pour qu’ils soient capables :

De faire l’étude descriptive d’une série d’observations.

D’étudier le lien entre deux séries d’observations.

D’analyser les résultats des méthodes d’analyse exploratoire multivariée qui sont l’Analyse en Composantes Principales (ACP), l’Analyse Factorielle des Correspondances (AFC), l’Analyse des Correspondances Multiples (ACM).

Savoir programmer avec le logiciel SAS tout en mettant en œuvre les méthodes d’analyse de données enseignées dans ce module.

Les séances de TP auront lieu en salles informatiques et permettront aux étudiants de pratiquer le logiciel SAS.



1.3. VOLUME HORAIRE



Statistiques descriptives 14 4 2 20

Techniques de réduction de dimension 14 4 2 20

Programmation en SAS 14 2 16

VH global du module 28 22 6 56

% VH 50% 39.30% 10.70% 100%



Fiche descriptive d'élément Intitulé du cours :Statistiques descriptives

Département :Statistique, Démographie et Actuariat

Objectifs du cours :Fournir les outils permettant de faire l’étude descriptive d’une série d’observation

ainsi que d’étudier le lien entre deux séries d’observation.

Pré requis :

Plan du cours :

Chapitre 1 : Généralités et concepts fondamentaux :

Statistique, population, individu, enquêtes statistiques exhaustives et partielles (recensement et

42

échantillonnage).

Caractères statistiques qualitatifs et variables statistiques discrètes et continues, questionnaire.

Chapitre 2 : Statistique descriptive univariée :

Présentation des données (individuelles et groupées)

Tableaux de fréquences (absolues et relatives)

Types de représentations graphiques

Paramètres de position et de tendance centrale

Paramètres de dispersion,

Paramètres de forme et de concentration.

Réalisation d’une étude descriptive univariée avec SAS

Chapitre 3 : Statistique descriptive bivariée :

Etude de lien existant entre deux variables quantitatives

Etude de lien existant entre deux variables qualitatives

Etude de lien existant entre une variable quantitative et une variable qualitative

Réalisation d’une étude descriptive bivariée avec SAS

Intitulé du cours :Techniques de réduction de dimension


Objectifs du cours :Fournir les outils permettant de réduire la dimension de travail à travers les

méthodes factorielles.

Pré requis :

Statistiques descriptives.

Plan du cours :

Chapitre 1 : Introduction aux méthodes factorielles :

Analyse d'un nuage de points quelconque : inertie d’un nuage de points, choix d’un espacevectoriel

optimal, projection, dualité, notion d’éléments supplémentaires, représentationsgraphiques,

aides à l'interprétation (contribution à l’inertie et qualité de représentation).

Réalisation d’une ACP avec SAS

Chapitre 2 : Analyse en composantes principales (ACP) :

Méthode d’analyse d’un tableau individus X variablesquantitatives (étude conjointe des

ressemblances entre individus et des corrélations linéaires entrevariables).


Chapitre 3 :· Analyse factorielle des correspondances (AFC) :

Méthode d’analyse d’un tableau de contingence (étudedétaillée de l’écart à l’indépendance

entre deux variables qualitatives).

Réalisation d’une AFC avec SAS

Chapitre 4 :· Analyse des correspondances multiples (ACM) :

Méthode d’analyse d’un tableau individus X variablesqualitatives (étude conjointe des

ressemblances entre individus et des liaisons entre variablesqualitatives).


Intitulé du cours :Programmation en SAS Département :Statistique, Démographie et Actuariat Objectifs du cours :Maitriser le langage de programmation sous le logiciel SAS.

Pré requis : Plan du cours :

Chapitre 1 : Généralités :

Le système SAS, l’environnement de travail, les fondements de travail avec SAS.

Notions de table SAS, de variables SAS : création, stockage.

Chapitre 2 : Les bases de la programmation : l’étape Data

43

Les règles d’écriture et les étapes d’un programme SAS.

Création, transformations et recodage de variables.

Opérateurs arithmétiques et logiques.

Manipulation de chaînes de caractères.

Chapitre 3 : Généralités sur les procédures

Procédures de base : CONTENTS, PRINT, FORMAT, SORT, IMPORT, EXPORT.

Présentation de quelques procédures statistiques : FREQ, MEANS, SUMMARY.

Chapitre 4 : Les traitements conditionnels, les boucles

Utilisation de SELECT, WHERE.

Présentation de traitements avancés utilisant IF.

Utilisation de DO, DO WHILE, DO UNTIL.

Chapitre 5 : Gestion avancée des tables

Gestion de tables SAS : tri, concaténation, fusion avancée.

Chapitre 6 : La procédure SQL

Utilisation du langage SQL implémenté dans SAS.

Chapitre 7 : Utilisation de l’ODS

Utilisation de l’ODS via deux exemples : les ODS PDF et OUTPUT.

Présentation d’autres sorties ODS dont l’ODS vers Excel.

Références bibliographiques :

1. Elément de statistique, Droebeke J.-J., Vermandelle C., 2015, Editions Ellipses

2. Probabilités, Analyse de données et Statistique, Saporta G., 2006, Edition Technip. 3. Analyse de données avec R, Husson F., LE S/, Pagès G. 2009. 4. SASIntroduction pratique : du data management au reporting, Ringuédé S., 2011, Pearson

Education.




Le cours est une succession de fiches Pour chaque fiche :

Présentation du concept

Illustration à travers un exemple d'application

Exercices

44

3. EVALUATION



Examen Oral des travaux pratiques et du projet TPE Contrôle écrit Examen final

3.2. NOTE DU MODULE


Element1 = /25%/ Contrôle continu /75%/ Examen final Elément2 =/25%/ Contrôle continu /75%/ Examen final Element3 =/25%/ Contrôle continu /75%/ Examen final La note finale du module est NM = 0.4*elément1+0.3*elément2+0.3*elément3



Préciser, le cas échéant, la note minimale requise pour chaque élément du module : 10


Coordonnateur :


Nature

d’intervention*

El Haj Tirari

Mohammed

PH Statistique Statistique,

Démographie et

Actuariat

INSEA Cours, TP et projet

Intervenants :

Nom et Prénom

El Haj Tirari

Mohammed


Démographie et

Actuariat


Abdellah Abarda

PA Statistique Statistique Université

Hassan 1er,

Settat

Cours, TP et projet


45


Intitulé du module PROBABILITES ET INFERENCE STATISTIQUE






Important




46



Le but du premier élément de ce module est de reprendre les notions fondamentales de la théorie de la mesure en se concentrant sur les outils utilisés par les probabilistes. On traitera plus à fond les caractéristiques usuelles des variables et des vecteurs aléatoires discrets et continus, certaines lois utilisées en Statistiques seront mises en évidence. On traitera plus à fond les notions d’indépendance, des lois conditionnelles, des couples gaussiens et des théorèmes de convergence.

L’objectif du deuxième élément de ce module est de fournir les outils statistiques et mathématiques permettant de

- Maîtriser les notions générales relatives à l'inférence statistique sur un échantillon. - Se familiarité avec les estimateurs empiriques associés à un échantillon. - D’acquérir les connaissances théorique et pratique des méthodes classiques d'estimation. - D’utiliser les notions d’estimation pour la construction de tests statistiques. - De comprendre le cheminement de la construction d’un test et des enjeux de sa mise en œuvre. - De connaissance des tests classiques et du cadre de leur application. - D’assimiler les notions théoriques sur les tests paramétriques



1.3. VOLUME HORAIRE



Probabilités 22 8 2 32

Inférence statistique 22 8 2 32


% VH 68.75% 25% 6.25% 100%



Fiche descriptive d'élément Intitulé du cours :Probabilités

Département : Statistique, Démographie et Actuariat

Objectifs du cours : Fournir les notions de probabilités discrètes aux lois continues tout en présentant

lois usuelles, et de leurs utilisations. L’assimilation des méthodes de détermination et de manipulation

des lois et la connaissance des grands théorèmes de convergence en vue des applications à la

statistique.

Pré requis :

47

Plan du cours :

Chapitre 1 : Rappel sur le calcul des probabilités :

Probabilité discrète, probabilité uniforme.

Probabilité conditionnelle et indépendance.

Chapitre 2 : Variable aléatoire, fonction de répartition, espérance

Variable aléatoire, événement

Fonction de probabilité d'une variable aléatoire

Fonction de répartition

Transformation d'une variable aléatoire

Espérance mathématique

Variance, écart type

Chapitre 3 : Lois de probabilités discrètes :

Loi de Bernoulli

Loi de Poisson

Loi binomiale

Chapitre 4 : Formulation probabiliste :

Variables aléatoires réelles continues – Loi – Fonction de répartition et fonction

caractéristique – Moment d’ordre p d’une variable aléatoire

Vecteurs aléatoires réels continus – Formule de changement de variables

Lois marginales

Indépendance

Lois Usuelles Réelles (Uniforme, Exponentielle, Normale, Gamma, Bêta, Khi-2, Student,

Ficher).

Chapitre 5 : Espérance conditionnelle

Probabilité conditionnelle

Loi conditionnelle : Définition, Cas de couple aléatoire continu (a une densité) – Densité

conditionnelle, Propriétés de l’espérance conditionnelle

Chapitre 6 : Fonction caractéristique d’un vecteur aléatoire – Vecteurs Gaussiens

Théorèmes de convergence

Convergence en probabilité

Lois des grands nombres

Convergence en loi : Convergence en loi et fonction de répartition, Convergence en loi et

fonction caractéristique, Théorème de limite centrale.

Intitulé du cours :Inférence statistique


Objectifs du cours :Fournir les outils statistique et mathématique permettant de faire de l’inférence sur

un échantillon afin d’extrapoler les résultats observés à la population entière.

Pré requis :

Probabilités.

Plan du cours :

Chapitre 1 : Introduction à l’inférence statistique :

Notions de population et échantillon, Distributions d’échantillonnage, Définition de

l’inférence.

Modèles statistiques, vraisemblance, famille exponentielle.

Caractéristiques stochastiques d'un échantillon : moments et fonction de répartition

empiriques, statistiques d'ordre.

Exhaustivité et information de Fisher.

Chapitre 2 :Estimation ponctuelle

Qualités d’un estimateur : Biais, erreur moyenne quadratique, consistance, Borne de Cramer,

48

amélioration des estimateurs, théorème de Rao-Blackwell et Lehmann-Scheffé.

Méthodes d’estimation : Estimateur du maximum de vraisemblance, Estimateur des moments,

Méthode Delta.

Chapitre 3 :Intervalle de confiance et tests

Définition et détermination d’un intervalle de confiance

Test usuels : paramétriques, du rapport de vraisemblance, non paramétriques.

Méthode d’évaluation et régime d’examens : /25%/ Contrôle continu /75%/ Examen final Références bibliographiques :

5. Probabilités, Analyse de données et Statistique, Saporta G., 2006, Edition Technip. 6. Introduction to mathematical Statistics, Hogg R. V. and A.T. Craig., , 1997, 5 th ed, Printice

Hall, NJ.

7. Probability and Statistical Inference, Hogg R. V. and E. A. Tanis. 1997. Sixth edition, Prentice Hall, NJ.







Exercices

3. EVALUATION



Pour chaque élément de module /25%/ Contrôle continu /75%/ Examen final

3.2. NOTE DU MODULE


La note finale du module est NM = 0,5*élément 1 +0,5*élément2

49





Coordonnateur :


Nature

d’intervention*

Fouad El Abdi PES Statistique Statistique,

Démographie et

Actuariat


Intervenants :

Nom et Prénom

Fouad El Abdi PES Statistique Statistique,

Démographie et

Actuariat



50


Intitulé du module PROGRAMMATION LINEAIRE I & MATHEMATIQUES

POUR DATA SCIENCE


Département d’attache MATHEMATIQUES ET RECHERCHE OPERATIONNELLE




51



Programmation linéaire I : A la fin de ce cours, les étudiants doivent être en mesure de :

1. Identifier les problèmes qui peuvent être résolus par la programmation linéaire 2. Formuler des problèmes réels sous forme de programmes mathématiques 3. Résoudre des programmes linéaires graphiquement et à l’aide de différentes variantes de

l’algorithme du Simplexe 4. Analyser en profondeur les solutions obtenues en combinant les fondements de la dualité et de

l’analyse de sensibilité 5. Utiliser avec grande maîtrise des logiciels spécifiques de programmation linéaire dont notamment

l’outil Solveur d’Excel et LINDO et LINGO.

Mathématiques pour Data Science:

L’objectif de cet élément de module est d’introduire les concepts de base des mathématiques (calcul formel) pour Data science avec une approche orientée calcul symbolique et pratique logiciel : Sagemath, Matlab ou Maple



Aucun

1.3. VOLUME HORAIRE



Programmation Linéaire I 20 8 2 30

Mathématiques pour Data

science 10 14 2 26


% VH 53.57% 14.29% 25% 0% 7.14% 100%

52



Fiche descriptive d'élément PROGRAMMATION LINEAIRE I Avant-propos sur la Recherche Opérationnelle

Chapitre I. Introduction à la programmation linéaire

I.1 Présentation d’un programme linéaire

I.2 Définitions et notations

Chapitre II. Résolution graphique

II.1 Eléments de géométrie

II.2 Résolution graphique

II.3 Théorème de la forme globale

Chapitre III. Quelques concepts fondamentaux de la programmation linéaire

III.1 Systèmes linéaires de plein rang

III.2 Concepts fondamentaux de la programmation linéaire

III.3 Théorème fondamental de la programmation linéaire

Chapitre IV. La méthode de résolution du simplexe

IV.1 Introduction

IV.2 L’algorithme du simplexe

IV.3 Méthode en deux phases et méthode M

Chapitre V. La dualité

V.1 Introduction à la dualité

V.2 Théorèmes de la dualité

V.3 Dualité et résolution

Chapitre VI. L’analyse de sensibilité

VI.1 Les changements discrets

VI.2 Les variations continues

Chapitre VII. Résoudre avec un solveur

VII.1 Les solveurs du commerce

VII.2 Le solveur d’Excel

Fiche descriptive d'élément Mathématiques pour Data Science Chapitre I. Initiation au logiciel Sage I.1 Sage comme calculatrice I.2 Programmation et structures de données I.3 Graphiques I.4 Domaines de calcul Chapitre II. Sage pour l´algèbre et le calcul formel

II.1 Corps finis et théorie des nombres II.2 Polynômes II.3 Algèbre linéaire II.4 Systèmes polynomiaux II.5 Équations différentielles et récurrences Chapitre III. Sage pour le calcul numérique III.1 Nombres à virgule flottante III.2 Équations non linéaires III.3 Algèbre linéaire numérique III.4 Matrices creuses III.5 Intégration numérique Chapitre IV. Sage pour le combinatoire IV.1 Dénombrement et combinatoire

53

IV.2 Théorie des graphes IV.3 Programmation mathématique


Besoins pour les activités pratiques : Salle Informatique



Cours magistraux

Travaux dirigés

Diapositives

Polycopié

Ressources en ligne et forum de discussion Messagerie électronique

3. EVALUATION



Programmation linéaire : 0,1 Participation, 0,2 Contrôle écrit et 0,7 Examen final Mathématiques pour Data Science : 0.15Examen des travaux pratiques, 0,15 du projet et 0,7 Examen final

3.2. NOTE DU MODULE


50% Programmation linéaire I + 50% Mathématiques pour Data Science



54



Coordonnateur :


Nature

d’intervention*

BELKORA Samir PES Recherche opérationnelle

Mathématiques et Recherche Opérationnelle

INSEA Cours, TD

Intervenants : Nom et Prénom



INSEA Cours, TD

OUZINEB Mohamed

PH Recherche opérationnelle


INSEA Cours, TP


55


Intitulé du module PRINCIPES DE L’ECONOMIE 1 ET COMPTABILITE GENERALE


Département d’attache ECONOMIE ET FINANCE




56



Le premier élément de ce module (Principes d’analyse économique 1) a pour objectifs d’initier les étudiants aux concepts et définitions de base de l’économie relatives au fonctionnement des marchés, aux comportements des agents consommateurs et producteurs et au fonctionnement d’une économie dans sa globalité. Le module vise en particulier à préparer les étudiants afin qu’ils puissent suivre les cours qui leurs seront dispensés dans les semestres futurs de leur cursus à l’INSEA. Le deuxième (comptabilité général) leur permet d’apprendre comment enregistrer et écrire de façon comptable les différentes opérations relatives à l’activité d’une entreprise.



Les pré-requis d’admission à l’INSEA

1.3. VOLUME HORAIRE



Principes d'Economie I 26 10 2 38

Comptabilité générale 16 2 18


% VH 75% 17.86% 7.14% 100%


Fournir une description détaillée des enseignements et/ou activités pour les différents éléments de module (Cours, TD, TP, Activités Pratiques, évaluation) Eléments de module Description des programmes

1. Principes d’analyse économique 1

1. Introduction générale 2. Concepts de l’économie 3. L’échange 4. Le marché concurrentiel 5. Autres types de marchés 6. Le système fiscal 7. Le revenu national 8. Le coût de la vie 9. La croissance économique et ses déterminants

2. Comptabilité générale

1. Introduction 2. Les écritures comptables 3. Travaux d’inventaire 4. Etablissement des états de synthèse

57




- Pour l’élément « Principes d’analyse économique 1 » le cours est dispensé par voie de présentations par

vidéoprojecteur et est complété par un polycopié qui contient le contenu de base. Les séances des travaux dirigés complètent et illustrent par des cas concrets le contenu du cours.

- Pour l’élément « Comptabilité générale » le cours est dispensé directement au tableau avec des exemples concrets et est complété par un polycopié qui facilite aux étudiants l’assimilation du cours.La présence des étudiants aux cours et aux travaux dirigés est obligatoire et les polycopiés ne peuvent en aucun cas remplacer les explications directement données par le professeur.

3. EVALUATION



Un contrôle continu dans chacun des 2 éléments Un exposé dans l’élément « Principes d’analyse économique 1 » Un examen écrit dans chacun des deux éléments

3.2. NOTE DU MODULE


Principes d’analyse économique 1 : 60% du module et décomposée en : Examen 60%, contrôle continu 25%, exposé 15%. Comptabilité générale : 40% du module et décomposée en : Contrôle continu 33%, examen 67%.




58

Préciser les modalités de prise en considération de la note de rattrapage pour la validation du module : Après examens de rattrapage dans les éléments de modules, l’étudiant aura la note sup (Note avant examen de rattrapage ; Note de l’examen de rattrapage). Le cas d’une absence non justifiée à un examen de rattrapage obligatoire (note inférieure à 06/20) et les fraudes lors de ces examens, l’étudiant aura automatiquement la note de «00/20».


Coordonnateur :


Nature

d’intervention*

ZAOUJAL Nouzha PA Economie Economie Finance INSEA Cours, TD

Intervenants :

Nom et Prénom

ZAOUJAL Nouzha PA Economie Economie Finance INSEA Cours, TD

EL HADDAD

Mohammed

PES Economie Economie Finance FSJE Cours, TD


59


Intitulé du module Sciences sociales, communication and Business

English 1


Département d’attache Statistique et Démographie


Modules de langues, communication et des TIC.

Semestre d’appartenance du module Semestre 1

Important




60



Mise à niveau des fondamentaux de la langue française. Initiation à la lecture à haute voix, la rédaction, la pris de parole en public et la maîtrise de l'argumentation.

En outre, le module cherche à rapprocher l’étudiant du domaine de droit et le sensibiliser à l’intérêt que revêt l’outil juridique comme moyen d’organisation, de gestion et de management, plus particulièrement au sein des entreprises.



Les cours s’adressent à tout étudiant ayant accédé à l’INSEA.

1.3. VOLUME HORAIRE


Cours LD TP Activités Pratiques Evaluation VH global

Business English 1 22 2 24

Français 1 24 2 26

Principes de droit 14 2 16

VH global du module 60 6 66

% VH 90.91% 9.09% 100%



Fiche descriptive d'élément

Intitulé du cours :Principes de droit Département :Statistique et Démographie Objectifs du cours : familiarisation de l’élève-ingénieur avec les outils des sciences juridiques. Pré requis :Le cours s’adresse à tout étudiant ayant accédé à l’INSEA

Plan du cours : Chapitre I : La notion de Droit.

I. La définition de la règle de droit II. Les sources du droit. III. La règle de droit et les autres règles d’organisation sociale.

Chapitre 2 :Les caractères de la règle de droit. I. Le processus de la création de lois II. Les branches du droit III. L’application des lois.

61


Intitulé du cours :Français 1 Département : Statistique et Démographie Objectifs du cours :Mise à niveau, initiation à la prise de parole et la rédaction Pré requis :Le cours s’adresse à tout étudiant ayant accédé à l’INSEA

Plan du cours :

I : - MISE À NIVEAU

a) Système verbal du français

b) Le genre, le nombre, les liens logiques.

c) Comment soigner son orthographe, la ponctuation.

d) Lecture & débat

II : LA PRISE DE PAROLE EN PUBLIC

a) La prise de parole improvisée

b) Informer, persuader, motiver et présenter ses idées avec concision

c) Lecture & débat

III- LES TECHNIQUES DE PERSUASION ET D’ARGUMENTATION

a) Argumentation

b) Les plans argumentatifs

c) Lecture & Débat

IV- PRISE DE NOTES ET TECHNIQUES DE REDACTION:

a) Comment prendre les notes à l'oral.

b) Choisir un plan de rédaction : Savoir introduire et conclure

c) Lecture & débat


Intitulé du cours : Business English I

Département : Statistique et Démographie

Objectifs du cours : Reading, Writing, Listening, Speaking and Pronunciation Tasks

Plan du cours :

1- Introductions and Meetings Course outline and approach

Describing your role and responsibilities

Typical & critical scenarios you use the target language in, key issues

Chairing, setting the agenda, controlling the conversation

Participating, turn-taking, listening and taking notes

Being diplomatic, agreeing and disagreeing

2- Business Correspondence and Telephoning

Emails – register, style, standard phrasing

Notes and memos

Business-specific language phrases

Checking & clarifying information

Finance-specific scenarios

Listening to different accents, intonation

3- Making Presentations

Introducing a topic effectively

62

Linking and sequencing ideas

Concluding

Responding to questions

4- Process Management

Describing processes, cause and effect

Criticizing, recommending

Quality assurance, continuous improvement

5- Negotiating

Key negotiating language, framing your argument

Negotiating with suppliers

Negotiating with customers

6- Reports

Skim reading reports and news feeds

How to report information and ideas

Writing reports – style, register, conventions

7- Social English

The first five minutes

Speed networking – the elevator pitch

Small talk, turn-taking

Business conventions

Some examples of other areas of language that could be covered

Case studies

Writing effective proposals

Managing teams

Cross-cultural awareness

Discussing the wider economic picture

Méthode d’évaluation et régime d’examens : 50% Contrôle continu - 50% Examen final




La démarche didactique, pour certains éléments du module, est participative (les élèves préparent cours et

textes à l’avance)

Un support pédagogique regroupant les chapitres du cours sera mis à la disposition des étudiants.

Le reste des éléments de module se présente sous la forme d’un cours magistral en mettant à la disposition des étudiants un texte pour approfondir leurs connaissances en la matière. Les technologies numériques, via vidéoprojecteur, constituent un élément crucial au niveau de la communication didactique avec les étudiants.

3. EVALUATION



Contrôle continu, exposés et examens.

63

3.2. NOTE DU MODULE


La note finale du module : 34% Business English 1 /33 % Français 1 / 33% Principes de droit.



Préciser, le cas échéant, la note minimale requise pour chaque élément du module :


Coordonnateur :


Nature

d’intervention*

CHERKAOUI Abderahim

PH Sciences sociales

INSEA Cours, LD

Intervenants :

Nom et Prénom

Touhtou Anglais INSEA Cours, LD

Yamine Lyamani Français INSEA Cours, LD

CHERKAOUI

Abderahim

Principes de droit INSEA Cours, LD


64


Intitulé du module STRUCTURES DE DONNEES ET PROGRAMMATION AVANCEE

Etablissement dont relève le module Institut National de Statistique et d'Economie Appliquée (INSEA)





Important




65



Ce module contient deux éléments :

L’élément « Structures de données » a pour objectif l’étude des types de données de base et des

algorithmes fondamentaux qui permettent de les manipuler.

L’élément « Programmation avancée » a pour objectif de maitriser des notions de la programmation

avacées en utilisant le langage python.




1.3. VOLUME HORAIRE



Structures de données 14 4 10 2 30

Programmation avancée 14 4 10 2 30


% VH 46.67% 13.33% 33.33% 6.66% 100%



Intitulé du cours :Structures de données Département :Informatique Objectifs du cours :Étudier les structures de données les plus utilisées en programmation, être capable

de choisir la structure adéquate à chaque problème, et pouvoir implémenter ces structures de données

en C

Pré requis : Algorithmique et Programmation. Plan du cours : Structures de données

Chapitre 1 : Concepts de base

I. Algorithmes et définitions

II. Récursivité

III. Structures en C

IV. Modularité

V. Type abstrait de données

Chapitre 2 : Structures de données linéaires :

I. Représentation statique

- Piles

- Files

66

II. Représentation dynamique

- Listes

- Listes doublement chaînées

Chapitre 3 : Structures de données non linéaires :

I. Arbres

- Arbres binaires

- Arbre binaire de recherche

II. Graphes

- Définitions

- Concepts liés

- Les algorithmes de base des graphes :

BFS

DFS

Références bibliographiques : 1. « L’essentiel des structures de données en C », Ellis Horowitz, SartajSahni. 2. « Algorithmes et Structures De Données Génériques : Cours Et Exercices Corrigés en Langage

C », Michel Divay 3. « Initiation à l’Algorithmique et à la Programmation en C », RémyMalgouyres, Rita Zrour,

Fabien Feschet. 4. « Programmer en C », Claude DELANNOY.

Intitulé du cours :Programmation avancée Département :Informatique Objectifs du cours :Permettre aux étudiants l’apprentissage du langage de programmation Python.

Pré requis : Algorithmique et Programmation. Plan du cours : Programmation avancée

1. Introduction aux concepts de programmation Python : Variables et Types, Structures, Structures de contrôle de contrôle, Conteneurs standards, Fonctions, Modules et packages

2. Programmation orientée objet en python 3. Gestion des fichiers et des dossiers en python 4. Interface graphique python et programmation évènementielle 5. Les graphiques scientifiques avec python 6. La programmation asynchrone avec python 7. Introduction à Anaconda et Panda 8. Modules du calcul scientifique 9. Base de données et Python


1. « Apprenez à programmer en Python », Vincent Le Goff. 2. « Apprendre à programmer avec Python 3 », Gérard Swinnen



67

2. DIDACTIQUE DU MODULE (Indiquer les démarches didactiques et les moyens pédagogiques prévus.)

Support de cours

Projection du PPT

Travaux dirigés

Travaux pratiques

3. EVALUATION



Pour les deux éléments : 0,3 Projet 0,7 Examen final

3.2. NOTE DU MODULE


La note finale du module est NM = Structures de données *0,6+ Programmation avancée*0,4


la note minimale requise pour la validation du module : 12/20

La note minimale requise pour chaque élément du module : 6/20



Coordonnateur :


Nature

d’intervention*

ELHARI KAOUTAR PA INFORMATIQUE INFORMATIQUE INSEA Cours, TD, TP

Intervenants :

Nom et Prénom

ELHARI KAOUTAR PA INFORMATIQUE INFORMATIQUE INSEA Cours, TD, TP


68


Intitulé du module PROGRAMMATION ORIENTEE OBJET




MODULE SCIENTIFIQUE ET TECHNIQUE DE BASE ET DE SPECIALISATION


Important




69


1.1. OBJECTIFS DU MODULE Le cours introduit les concepts de base de la Programmation basée Objet et la Programmation Orientée Objet, et illustre ces deux modes de programmation avec le langage Java.


(Indiquer les modules requis pour suivre ce module et le semestre correspondanten respectant la progression des enseignements d’un semestre à l’autre et d’une année à l’autre). Algorithmique et programmation

1.3. VOLUME HORAIRE



Programmation orientée objet 18 14 14 2 48


% VH 37,6 29,1 29,1 4,2 100 %


Fournir une description détaillée des enseignements et/ou activités pour les différents éléments de module (Cours, TD, TP, Activités Pratiques, évaluation) Programmation Orientée Objet

1. Introduction à la programmation orientée objet 2. Un langage de programmation orientée objets : JAVA 3. Classes et Objets 4. Héritage, Interface et classes abstraites 5. Surcharge et Polymorphisme 6. Les Exceptions

7. Collections et Généricité




- Introduction des concepts de base - Exemples - Exercices

Moyens didactiques : Support de cours sur papier Projection

Utilisation du laboratoire informatique pour illustration

70

3. EVALUATION



Contrôle continu 50%, TP et Examen 50%

3.2. NOTE DU MODULE


POO : 100%


La note minimale requise pour la validation du module :12/20

La note minimale requise pour chaque élément du module :06/20

Modalités de prise en considération de la note de rattrapage pour la validation du module : Après examens de rattrapage dans les éléments de modules, l’étudiant aura la note sup (Note avant examen de rattrapage ; Note de l’examen de rattrapage). Le cas d’une absence non justifiée à un examen de rattrapage obligatoire (note inférieure à 06/20) et les fraudes lors de ces examens, l’étudiant aura automatiquement la note de «00/20».


Coordonnateur :


Nature

d’intervention*

SAIDI MOHAMED NABIL PH INFORMATIQUE INFORMATIQUE INSEA COURS, TD, TP

Intervenants :

Nom et Prénom

SAIDI MOHAMED NABIL PH INFORMATIQUE INFORMATIQUE INSEA COURS, TD, TP


71


Intitulé du module REGRESSION LINEAIRE ET SERIES CHRONOLOGIQUES






72



L’objectif de ce module est de permettre aux élèves de maitriser les outils de la modélisation par régression linéaire ainsi que les techniques d’analyse de séries dont les valeurs dépendent des instants d’observation



1. Probabilités 2. Inférence statistique

1.3. VOLUME HORAIRE



Modèle de régression linéaire 20 8 28

Séries chronologiques 20 8 28


% VH 71.43% 28.57% 100%



Fiche descriptive d'élément Intitulé du cours :Modèle de régression linéaire


Objectifs du cours :Permettre aux élèves de maitriser les outils de la modélisation par régression

relatives à la construction d’un modèle de régression linéaire et la validation de ce dernier ainsi la mise

en œuvre de ces techniques de modélisation traitées à travers des travaux pratiques sur ordinateur.

Pré requis :

Probabilités, Inférence statistique.

Plan du cours :

Chapitre 1 : Généralités :

Rappels d’algèbre, Notation et définitions.

Chapitre 2 : Le modèle de régression linéaire simple :

Notions de nuage de points

Etude de la corrélation entre deux variables

Estimation des coefficients de la régression.

Qualité d’un modèle de régression

Chapitre 3 : Le modèle de régression linéaire multiple.

Choix des variables explicatives

Etude de la qualité d’un modèle

73

Régions de confiance et tests d'hypothèses.

Etude de la colinéarité

Détection (et correction) des écarts au modèle : Analyse des résidus, effet de levier et mesure

d’influence.

Intitulé du cours : Séries Chronologiques


Objectifs du cours :L’objectif du deuxième élément de ce module est de fournir aux élèves les

fondements théoriques et pratiques de l’analyse d’une série chronologique à travers la présentation des

méthodes de modélisation de ces séries principalement la méthodologie de Box et Jenkins, les tests de

stationnarité.

Pré requis :

Inférence statistique, Modèle de régression.

Plan du cours :

Chapitre 1 : Généralités sur les séries chronologiques :

Description du problème ; exemples de séries chronologiques

Chapitre 2 : Stationnarité et processus linéaires :

Processus stationnaires ; formule de Bartlett ; processus et opérateurs linéaires ; équations aux

différences.

Chapitre 3 : Modèles de processus stochastiques :

Modèles ARMA ; modèles ARIMA

Chapitre 4 : Méthodologie de BOX et Jenkins et Modélisation :

Identification ; Estimation et Tests de validité ; choix des modèles et critères d’information

Chapitre 5 : Modèles Saisonniers :

Méthode classique de décomposition ; modélisation par les ARIMA saisonniers

Chapitre 6 : Prévisions des séries chronologiques

Chapitre 7 : Processus non-linéaires-Modèles GARCH


1. Régression avec R, Cornillon P.-A. et Matzber Lober E., 2010, Springer. 2. Séries temporelles et modèles dynamiques, Gourieroux C., Monfort A., 1995,

EditionEconomica. 3. Modèles ARCH et applications financières, Gourieroux C., 1992, EditionEconomica.

ETC.




74




Exercices

3. EVALUATION



Pour chaque élément de module = /25%/ Contrôle continu /75%/ Examen final

3.2. NOTE DU MODULE


La note finale du module est NM = 0,5 élément1 +0,5 élement2





Coordonnateur :


Nature

d’intervention*

Fadoua el

Badaoui

PA Statistique Statistique,

Démographie et

Actuariat


Intervenants :

Nom et Prénom

Fadoua el

Badaoui

PA Statistique Statistique,

Démographie et

Actuariat


Mostapha

Bourouyene

Ingénieur Statistique Statistique,

Démographie et

Actuariat



75


Intitulé du module Calcul scientifique pour Data Science


Département d’attache Mathématique et Recherche Opérationnelle


Modules scientifique et technique de base et de spécialisation

Semestre d’appartenance du module semestre 2

76



Permettre aux élèves :

de se familiariser avec le outils de calcul scientifique pour data science;

de s’initier aux logiciel de calcul scientifique, et d’être capables de les utiliser en pratique ;



1. Mathématiques pour data science

1.3. VOLUME HORAIRE




Calcul scientifique pour Data Science I

22 8 2 32

Calcul scientifique pour Data Science II 14 8 2 24


% VH 64.29% 0% 28.75% 0% 7.14% 100%






Eléments de module Description des programmes

1. Calcul scientifique pour Data Science I

1 Les environnements MathSage, MATLAB et Octave

2 Bibliothèques scientifiques en Python : NumPy, SciPy, Matplotlib

3 Équations non linéaires

4 Approximation de fonctions et de données

5 Intégration et différentiation numérique

77

1. Calcul scientifique pour Data Science II

6 Systèmes linaires

7 Valeurs propres et vecteurs propres

8 Équations différentielles ordinaires

9 Approximation numérique des problèmes aux limites

1Introduction au calcul scientifique pour les EDP

2 Solutions numériques d'équations aux dérivées partielles

3 Optimisation numérique

4 Introduction à la méthode des éléments finis

5 Aspects pratiques de la méthode des éléments finis

6 Problèmes d'évolutions paraboliques : Equation de la chaleur 1D et schémas aux différences finis

Méthode d’évaluation et régime d’examens :

L’évaluation des connaissances de ce module sera basée sur un contrôle continu et sur un examen final.


78



Cours magistraux

Travaux dirigés

Diapositives

Polycopié

Ressources en ligne et forum de discussion

Messagerie électronique

3. EVALUATION



L’évaluation des connaissances de ce module sera basée sur un contrôle continu et un examen final.

3.2. NOTE DU MODULE


50% Calcul scientifique pour Data Science I + 50% Calcul scientifique pour Data Science II





Coordonnateur :


Nature

d’intervention*

Mohamed

Ouzineb

PH Recherche

opérationnelle

Mathématiques

et Recherche

Opérationnelle

INSEA Cours, TD

Intervenants :

Imad EL Harraki

PH Recherche

opérationnelle

Mathématiques

et Recherche

Opérationnelle

ENIM Cours, TD


79


Intitulé du module Processus stochastiques et Files d'attente


Département d’attache Mathématiques et Recherche Opérationnelle




80



Permettre aux élèves :

de se familiariser avec le langage de la théorie des probabilités dans le cadre discret et continu ;

de s’initier aux techniques de modélisation probabiliste, et d’être capables de les utiliser en pratique ; de se familiariser avec la théorie et la pratique des processus stochastiques (applications).



1. Probabilités, S1 2. Inférence statistique, S1

1.3. VOLUME HORAIRE



Processus Stochastiques 26 6 2 34

Files d’attente 14 2 16


% VH 80% 12% 8% 100%







1. Processus Stochastiques

I. Introduction générale aux Processus Stochastiques I.1. Définitions I.2. Classification des processus stochastiques I.3. Espace des états (état discret et état continu)

II. Chaînes de Markov à temps discret II.1. Probabilités d’état II.2. Probabilités de transition en n étapes II.3. Classification des états d’une chaîne de Markov

81

II.4. Distribution stationnaire et théorème ergodique II.5. Problèmes d’absorption

III. Chaînes de Markov à temps continu III.1. Probabilités de transition III.2. Classification des états III.3. Processus de naissance et de mort III.4. Comportement asymptotique

IV. Processus de Poisson IV.1. Processus de poisson non homogènes IV.2. Processus de poisson composés

2 : Files d’attente CH 1. Introduction aux files d’attente

I. Description d’un système de files d’attente

I.1 Le processus d’arrivée

I.2 Le mécanisme de service

II. Classification des systèmes de files d’attente

III. Notations, définitions et résultats généraux

CH 2. Etudes des systèmes de files d’attente

I. Du système M/M/1 au système à taux variables

I.1 Système M/M/1

I.2 Modèle à taux variables et processus de naissance et de

mort

II. Autres systèmes particuliers des modèles à taux variables

II.1 Système M/M/1/N/∞/GD

II.2 Système M/M/c/∞/∞/GD

II.3 Système M/M/c/N/∞/GD

III. Files d’attente non markoviennes

CH 3. Réseaux de files d’attente

I.1 Réseaux à forme produit

I.2 Réseaux de Jackson ouverts

I.3 Réseaux de Jackson fermés

Méthode d’évaluation et régime d’examens :

L’évaluation des connaissances de ce module sera basée sur un contrôle continu et sur un examen final. Références bibliographiques :

1. Processus stochastiques pour l’ingénieur (B. Solaiman) 2. Modélisations stochastiques et simulations (P. Vallois) 3. Introduction to stochastic processes (H. P. Stone)

82




Cours magistraux, exercices d’application, diapositives, polycopié.

3. EVALUATION



L’évaluation des connaissances de ce module sera basée sur un contrôle continu (0,3) et un examen final (0,7).

3.2. NOTE DU MODULE


Processus Stochastiques : 2/3 Files d’attente : 1/3




83


Coordonnateur :


Nature

d’intervention*

Kadrani

Abdeslam

PH Recherche

opérationnelle

Mathématiques

et Recherche

Opérationnelle

INSEA Cours, TD

Intervenants :

Kadrani

Abdeslam

PH Recherche

opérationnelle

Mathématiques

et Recherche

Opérationnelle

INSEA Cours, TD

Belkora Samir PES Recherche

opérationnelle

Mathématiques

et Recherche

Opérationnelle

INSEA Cours, TD


84


Intitulé du module PRINCIPES DE L’ÉCONOMIE II ET COMPTABILITE NATIONALE


Département d’attache ÉCONOMIE ET FINANCE




85



Le premier élément de ce module « Principes de l’économie 2 » doit permettre aux étudiants de :

- Connaitre et comprendre les agrégats macroéconomiques - Comprendre le fonctionnement global d’une économie - Comprendre le fonctionnement de certains marchés particuliers : le marché monétaire et le marché

des fonds prêtables - Etudier les relations entre les variables macroéconomiques et analyser les politiques économiques

en particulier la politique monétaire et la politique budgétaire. Cet élément contient aussi des séances de travaux dirigés (TD) où des exercices illustratifs et complémentaires seront proposés. Les étudiants seront aussi amenés à faire des exposés sur des thèmes particuliers.

Le deuxième élément « comptabilité nationale » explique le système de la comptabilité nationale des nations unies, défini les comptes nationaux et les tableaux de la comptabilité nationale et initie les étudiants au calcul et à l’enregistrement des opérations au niveau des comptes des agents et des comptes de synthèse.



- Principes de l’Économie I - Comptabilité générale

1.3. VOLUME HORAIRE



Principes de l’Économie II

28 10 2 40

Comptabilité Nationale 16 2 18


% VH 65.52% 17.24% 6.90 % 100%




1. Principes de l’économie II

1. Le revenu national

2. Mesurer le coût de la vie

3. La croissance économique et ses déterminants

86

4. L’épargne, l’investissement et le système financier

5. Le système monétaire

6. Une théorie macroéconomique de l’économie ouverte

7. L’offre et la demande globale

8. Conséquences des politiques monétaires et budgétaires sur

la demande globale

9. Inflation et chômage

2. Comptabilité Nationale

Définition, Objet et intérêt de la Comptabilité Nationale

Aperçu sur l’évolution de Comptabilité Nationale

Chapitre 1 : Contenu, Calcul et mesure de la production

Chapitre 2 : La délimitation de l’espace économique et les règles

d’enregistrement en CN

Chapitre 3 : Les secteures institutionnels dans la Comptabilité

Nationale

Chapitre 4 : Les catégories d’opérations économique danas le

SMCN

Chapitre 5 : Les comptes D’analyse

Chapitre 6 : Les comptes consolidés, les agrégats et le ratios

macro-économiques

Chapitre 7 : Les tableaux de synthèse




Principes de l’économie 2 :

- Cours magistral interactif, Présentation en Powerpoint, syllabus de cours - Exercices et cas pratiques en séances de TD - Exposés

Références de base : 1- N. Gregory Mankiw (2007) « Principes de l’économie », Economica 2- Paul A.Samuelson, William D. Nordhaus (1995) « Macro-économie », Les éditions d’organisation .

Comptabilité Nationale : Cours magistral interactifcomplété par un polycopié qui facilite aux étudiants l’assimilation du cours.

3. EVALUATION



Un contrôle continu dans chacun des 2 éléments Un exposé dans l’élément « Principes de l’économie 2 » Un examen écrit dans chacun des deux éléments

87

3.2. NOTE DU MODULE


Principes de l’économie 2: 60% du module, décomposé en : Examen 60%, contrôle continu 25%, TD 15%. Comptabilité nationale : 40% du module, décomposé en : Contrôle continu 30% et examen 70%.




Préciser les modalités de prise en considération de la note de rattrapage pour la validation du module : Après examens de rattrapage dans les éléments de modules, l’étudiant aura la note sup (Note avant examen de rattrapage ; Note de l’examen de rattrapage). Le cas d’une absence non justifiée à un examen de rattrapage obligatoire (note inférieure à 06/20) et les fraudes lors de ces examens, l’étudiant aura automatiquement la note de «00/20».


Coordonnateur :


Nature

d’intervention* ZAOUJAL NOUZHA PA Économie Économie et

Finance

INSEA Cours, TD

Intervenants :

Nom et Prénom

ZAOUJAL NOUZHA PA Économie Économie et

Finance

INSEA Cours, TD

EL ORAIBY Amal Ingénieur Économie Économie et

Finance

INSEA Cours, TD


88

DESCRIPTIF DE SOUS MODULE

Intitulé du module Entreprenariat I


Département d’attache Economie et Finance


modules de management


Important




89



Le module a comme vocation de permettre aux étudiants de maitriser les bases de fonctionnement de l’entreprise et les concepts de management. .




1.3. VOLUME HORAIRE

Elément(s)dumodule Volume horaire (VH)


Economie d’entreprise 21 2 23

Economie d’entreprise 31 2 33


% VH 92.86% 7.14% 100%


Fournir une description détaillée des enseignements et/ou activités pour les différents éléments de module (Cours, TD, TP, Activités Pratiques, évaluation) Eléments de module Description des programmes

1. Comptabilité Générale Chapitre 1 : Présentation de la comptabilité générale

Chapitre 2 : Le bilan

Chapitre 3 : Le compte

Chapitre 4 : Les livres comptables

Chapitre 5 : Les opérations commerciales

Chapitre 6 : Les effets de commerce

Chapitre 7 : Les amortissements et les provisions

2.Economie d’entreprise

1. L’environnement de l’entreprise 2. Les types d’entreprises 3. Organisation 4. Culture de l’entreprise 5. Gestion de l’information 6. La prise de décision 7. La RSE 8. Les fonctions de l’entreprise

90




Cours sur support PowerPoint et études de cas concrets

3. EVALUATION



L’évaluation se fait à travers des contrôles continus basés sur les interventions, les exposés et la participation. La note finale est la moyennedes notes des contrôles continus.

3.2. NOTE DU MODULE


Contrôles continus100%, Part relative dans le module : Economie d’entreprise 1: 50% Economie d’entreprise 2: 50%




Préciser les modalités de prise en considération de la note de rattrapage pour la validation du module : Après examens de rattrapage dans les éléments de modules, l’étudiant aura la note sup (Note avant examen de rattrapage ; Note de l’examen de rattrapage). Le cas d’une absence non justifiée à un examende rattrapage obligatoire(note inférieure à 06/20) et les fraudes lors de ces examens,l’étudiant aura automatiquement la note de «00/20».


91

Coordonnateur :


Nature

d’intervention*

EFFINA DRISS PH Economie et

finance

Economie

Finance

INSEA COURS

Intervenants :

Nom et Prénom


finance

Economie

Finance

INSEA COURS


92



English 2





Semestre d’appartenance du module Semestre 2.

Important




93



Ce module vise à familiariser l’élève-ingénieur avec les outils des sciences sociales (terminologie, hypothèses, paradigmes, courants de pensée ; problématiques). Une partie de module se déroulera sous forme de Lectures Dirigées (LD).



Sciences sociales, communication and Business English 2

1.3. VOLUME HORAIRE



Introduction aux sciences sociales 14 14 28

Français 2 28 28

Business English 2 28 28


% VH 83.3% 16.7% 100%



Fiche descriptive d'élément Intitulé du cours :Introduction aux sciences sociales Département : Statistique et Démographie Objectifs du cours :familiarisation de l’élève-ingénieur avec les outils des sciences sociales Pré requis :Le cours s’adresse à tout étudiant ayant accédé à l’INSEA

Plan du cours : Chapitre I : Les sciences sociales.

IV. Objet et champs des sciences sociales V. Finalité des sciences sociales VI. Quelques outils des sciences sociales VII. Techniques de collecte de l’information en sciences sociales.

Chapitre 2 : Qu’est ce que la sociologie ? IV. L’objet de la sociologie V. La naissance de la sociologie

Méthode d’évaluation et régime d’examens : 50% Contrôle continu- 50% Examen final

94

Références bibliographiques : 4. Les grands courants de la sociologie. 5. La sociologie comme science. 6. Dictionnaire de la sociologi


Intitulé du cours : Français2 Département : Statistique et Démographie

Objectifs du cours :Introduction aux bases de la communication

Pré requis : Français 1

Plan du cours : Communication 2

I- NOTION DE BASE

a) La communication une composante de l’homme.

b) Types et composantes de communication

c) Enjeux de la communication

d) Lecture & débat

II- LA COMMUNICATION INTERPERSONNELLE a) Communicationinterpersonnelle. b) Mécanismes et d'application de la communication.

c) Importance du contexte dans la communication

d) Lecture & débat

III- ELEMENTS COMMUNS A LA COMMUNICATION ORALE ET ECRITE.

a) Communication orale/Oser parler en public

b) Empathie & L'écoute active

c) Gestion du corps: respiration, regard, voix & Gestion du trac

d) Gestion du corps dans l'espace

e) Communication écrite, un courrier électronique

f) Lecture & débat

IV- Techniques de rédaction

Techniques de rédaction du rapport de stage de découverte d'entreprise.

Méthode d’évaluation et régime d’examens : 50% Contrôle continu- 50% Examen final


Intitulé du cours : Business English II


Objectifs du cours: Business English 2

Topics to becovered.

1- Introductions &Syllabus Overview

2- Protecting Brand Value

3- Travel

4- Change

5- Resumes and CoverLetters

6- Organization

7- Advertising

8- Money

95

9- Cultures & The Interview

10- HumanResources

11- Interview Evaluations

12- Competition and Leadership







Un support pédagogique regroupant les chapitres du cours et les textes pour les lectures dirigées sera mis à la

disposition des étudiants.


3. EVALUATION




3.2. NOTE DU MODULE


La note finale du module : 34% Sciences Sociales / 33% Business English 2 /33 % Français 2.





96

Coordonnateur :


Nature

d’intervention*

CHERKAOUI

Abderahim PH

Sciences

sociales INSEA Cours, LD

Intervenants :

Nom et Prénom

Touhtou Anglais INSEA Cours, LD

Yamine Lyamani Français INSEA Cours, LD

CHERKAOUI

Abderahim

Principes de

droit INSEA Cours, LD


97


Intitulé du module Data Viz &Geographic Information Systems





Semestre d’appartenance du module semestre 3

98



L'objectif de la visualisation d'information est d'offrir des représentations visuelles qui permettent aux utilisateurs de comprendre, de manipuler, de naviguer et d'analyser des données complexes. Le cours introduira les étudiants aux principes de la visualisation d'information et présentera les méthodes de visualisations adaptées aux types de données analysées : tableaux, données hiérarchiques, graphes, textes. À la fin du semestre, nous souhaitons que les étudiants se sentent à l'aise pour concevoir et développer des récits visuels avec des données.

ce cours consiste en un apprentissage pédagogique sous forme d'ateliers et de lectures. Un projet appliqué à mi-parcours aidera à intégrer ces apprentissages. Cet élément du cours porte sur l’apprentissage créatif en travaillant sur le résultat final du cours : un projet de visualisation de qualité édition sur un sujet choisi par l’élève.



ALGORITHMIQUE ET PROGRAMMATION

PROBABILITES ET INFERENCE STATISTIQUE

1.3. VOLUME HORAIRE



Data viz with R 10 16 2 28

Geographic Information System

10 16 2 28


% VH 36% 0% 57% 0% 7% 100%



Fiche descriptive d'élément Elément 1 : Data viz with R & GIS

1. R Introduction

o Installing R

o Installing RStudio

o Introduction to the R Environment

99

o Introduction to Control Structures

o Introduction to Basic Data Types

o Introduction to Vectors and Matrices

o Using the CRAN: Comprehensive R Archive Network

o Creating Functions

o Generating Random Values

o Debugging with Traceback and Debug

o Debugging with Browser and Recover

o Data Handling

o Input and Output Functions

o Importing Data from a CSV Text File

o Importing Data from an Excel Spreadsheet

o Handling Missing Data

o Using the Built-In Datasets

2. Introduction to Data Communication

o Effective Communication and Visualization

o Correlation Versus Causation

o Simpson's Paradox

o Presenting Data

o Documenting Data Science

o Visual Data Exploration

3. Basic Plotting

o Creating Scatter Plots, Line Graphs, Bar Charts, Histograms, Box Plots

o Creating Network Visualizations

o Creating a Bubble Plot

o Creating Interactive Plots

4. Correlation

o Scatterplot

o Scatterplot With Encircling

o Jitter Plot

o Counts Chart

o Bubble Plot

o Animated Bubble Plot

http://r-statistics.co/Top50-Ggplot2-Visualizations-MasterList-R-Code.html#1.%20Correlation

http://r-statistics.co/Top50-Ggplot2-Visualizations-MasterList-R-Code.html#Scatterplot

http://r-statistics.co/Top50-Ggplot2-Visualizations-MasterList-R-Code.html#Scatterplot%20With%20Encircling

http://r-statistics.co/Top50-Ggplot2-Visualizations-MasterList-R-Code.html#Jitter%20Plot

http://r-statistics.co/Top50-Ggplot2-Visualizations-MasterList-R-Code.html#Counts%20Chart

http://r-statistics.co/Top50-Ggplot2-Visualizations-MasterList-R-Code.html#Bubble%20Plot

http://r-statistics.co/Top50-Ggplot2-Visualizations-MasterList-R-Code.html#Animated%20Bubble%20Plot

100

o Marginal Histogram / Boxplot

o Correlogram

5. Deviation

o Diverging Bars

o Diverging Lollipop Chart

o Diverging Dot Plot

o Area Chart

6. Ranking

o Ordered Bar Chart

o Lollipop Chart

o Dot Plot

o Slope Chart

o Dumbbell Plot

7. Distribution

o Histogram

o Density Plot

o Box Plot

o Dot + Box Plot

o Tufte Boxplot

o Violin Plot

o Population Pyramid

8. Composition

o Waffle Chart

o Pie Chart

o Treemap

o Bar Chart

9. Change

o Time Series Plots

From a Data Frame

Format to Monthly X Axis

Format to Yearly X Axis

From Long Data Format

From Wide Data Format

http://r-statistics.co/Top50-Ggplot2-Visualizations-MasterList-R-Code.html#Marginal%20Histogram%20/%20Boxplot

http://r-statistics.co/Top50-Ggplot2-Visualizations-MasterList-R-Code.html#Correlogram

http://r-statistics.co/Top50-Ggplot2-Visualizations-MasterList-R-Code.html#2.%20Deviation

http://r-statistics.co/Top50-Ggplot2-Visualizations-MasterList-R-Code.html#Diverging%20Bars

http://r-statistics.co/Top50-Ggplot2-Visualizations-MasterList-R-Code.html#Diverging%20Lollipop%20Chart

http://r-statistics.co/Top50-Ggplot2-Visualizations-MasterList-R-Code.html#Diverging%20Dot%20Plot

http://r-statistics.co/Top50-Ggplot2-Visualizations-MasterList-R-Code.html#Area%20Chart

http://r-statistics.co/Top50-Ggplot2-Visualizations-MasterList-R-Code.html#3.%20Ranking

http://r-statistics.co/Top50-Ggplot2-Visualizations-MasterList-R-Code.html#Ordered%20Bar%20Chart

http://r-statistics.co/Top50-Ggplot2-Visualizations-MasterList-R-Code.html#Lollipop%20Chart

http://r-statistics.co/Top50-Ggplot2-Visualizations-MasterList-R-Code.html#Dot%20Plot

http://r-statistics.co/Top50-Ggplot2-Visualizations-MasterList-R-Code.html#Slope%20Chart

http://r-statistics.co/Top50-Ggplot2-Visualizations-MasterList-R-Code.html#Dumbbell%20Plot

http://r-statistics.co/Top50-Ggplot2-Visualizations-MasterList-R-Code.html#4.%20Distribution

http://r-statistics.co/Top50-Ggplot2-Visualizations-MasterList-R-Code.html#Histogram

http://r-statistics.co/Top50-Ggplot2-Visualizations-MasterList-R-Code.html#Density%20Plot

http://r-statistics.co/Top50-Ggplot2-Visualizations-MasterList-R-Code.html#Box%20Plot

http://r-statistics.co/Top50-Ggplot2-Visualizations-MasterList-R-Code.html#Dot%20+%20Box%20Plot

http://r-statistics.co/Top50-Ggplot2-Visualizations-MasterList-R-Code.html#Tufte%20Boxplot

http://r-statistics.co/Top50-Ggplot2-Visualizations-MasterList-R-Code.html#Violin%20Plot

http://r-statistics.co/Top50-Ggplot2-Visualizations-MasterList-R-Code.html#Population%20Pyramid

http://r-statistics.co/Top50-Ggplot2-Visualizations-MasterList-R-Code.html#5.%20Composition

http://r-statistics.co/Top50-Ggplot2-Visualizations-MasterList-R-Code.html#Waffle%20Chart

http://r-statistics.co/Top50-Ggplot2-Visualizations-MasterList-R-Code.html#Pie%20Chart

http://r-statistics.co/Top50-Ggplot2-Visualizations-MasterList-R-Code.html#Treemap

http://r-statistics.co/Top50-Ggplot2-Visualizations-MasterList-R-Code.html#Bar%20Chart

http://r-statistics.co/Top50-Ggplot2-Visualizations-MasterList-R-Code.html#6.%20Change

http://r-statistics.co/Top50-Ggplot2-Visualizations-MasterList-R-Code.html#Time%20Series%20Plot%20From%20a%20Time%20Series%20Object

http://r-statistics.co/Top50-Ggplot2-Visualizations-MasterList-R-Code.html#Time%20Series%20Plot%20From%20a%20Data%20Frame

http://r-statistics.co/Top50-Ggplot2-Visualizations-MasterList-R-Code.html#Time%20Series%20Plot%20For%20a%20Monthly%20Time%20Series

http://r-statistics.co/Top50-Ggplot2-Visualizations-MasterList-R-Code.html#Time%20Series%20Plot%20For%20a%20Yearly%20Time%20Series

http://r-statistics.co/Top50-Ggplot2-Visualizations-MasterList-R-Code.html#Time%20Series%20Plot%20From%20Long%20Data%20Format

http://r-statistics.co/Top50-Ggplot2-Visualizations-MasterList-R-Code.html#Time%20Series%20Plot%20From%20Wide%20Data%20Format

101

o Stacked Area Chart

o Calendar Heat Map

o Slope Chart

o Seasonal Plot

10. Groups

o Dendrogram

o Clusters

Elément 1 : Geographic Information Systems

1. Introduction to Geographic Information Systems (GIS)

2. ArcGIS Basics

3. Geospatial Analysis

4. Rasters and Surfaces

5. Classifying and Viewing Data

6. GIS with R

7. Geocoding with R

8. Spatial

o Open Street Map

o Google Road Map

o Google Hybrid Map




1. Simulation à événements discrets : Cours magistraux, Travaux dirigés, Mini-Projets, Polycopié, Diapositives 2. Programmation non linéaire : Le cours est succession de fiches. Pour chaque fiche : Présentation du concept, Illustration à travers un exemple d’application, Exercices et travaux pratiques

http://r-statistics.co/Top50-Ggplot2-Visualizations-MasterList-R-Code.html#Stacked%20Area%20Chart

http://r-statistics.co/Top50-Ggplot2-Visualizations-MasterList-R-Code.html#Calendar%20Heat%20Map

http://r-statistics.co/Top50-Ggplot2-Visualizations-MasterList-R-Code.html#Slope%20Chart%202

http://r-statistics.co/Top50-Ggplot2-Visualizations-MasterList-R-Code.html#Seasonal%20Plot

http://r-statistics.co/Top50-Ggplot2-Visualizations-MasterList-R-Code.html#7.%20Groups

http://r-statistics.co/Top50-Ggplot2-Visualizations-MasterList-R-Code.html#Hierarchical%20Dendrogram

http://r-statistics.co/Top50-Ggplot2-Visualizations-MasterList-R-Code.html#Clusters

http://r-statistics.co/Top50-Ggplot2-Visualizations-MasterList-R-Code.html#8.%20Spatial

http://r-statistics.co/Top50-Ggplot2-Visualizations-MasterList-R-Code.html#Open%20Street%20Map

http://r-statistics.co/Top50-Ggplot2-Visualizations-MasterList-R-Code.html#Google%20Road%20Map

http://r-statistics.co/Top50-Ggplot2-Visualizations-MasterList-R-Code.html#Google%20Hybrid%20Map

102

3. EVALUATION



Contrôle continu 0,3 et Examen final 0,7

3.2. NOTE DU MODULE


Note finale : 50% Data viz avec R et GIG + 50% Vizualisation





Coordonnateur :


Nature

d’intervention*

Imade

Benelallam

PH Informatique Informatique INSEA Cours, TP et projet

Intervenants :

Nom et Prénom

El Annas Monir Ingénieur Informatique Informatique SI2M Cours, TP et projet

103


Intitulé du module MODELISATION ORIENTEE OBJET DES SI






104



L’élément « Modélisation orientée objet » permet Introduire la conception orientée objets des systèmes d’information. Introduire le langage UML 2 et montrer son utilisation dans la conception orientée objet des SI. L’élément « Ingénierie dirigée par les modèles » permet d'acquérir les connaissances en ingénierie des modèles qui vise non seulement à favoriser un « génie » logiciel plus proche des métiers en autorisant une appréhension des applications selon différents points de vues (modèles) exprimés séparément. Mais elle intègre également comme fondamentales la composition et mise en cohérence de ces perspectives. De plus elle se veut productive en automatisant la prise en charge des outils relatifs à la validation des modèles, les transformations et les générations de code.


(Indiquer les modules requis pour suivre ce module et le semestre correspondanten respectant la progression des enseignements d’un semestre à l’autre et d’une année à l’autre). Analyse et conception relationnelles & Bases de données

1.3. VOLUME HORAIRE



Modélisation orientée objet 18 16 2h 36h

Ingénierie Dirigée par les Modèles 10h 4h 4h 2h 20h


% VH 50% 35,72% 7,14 7,14% 100%


Fournir une description détaillée des enseignements et/ou activités pour les différents éléments de module (Cours, TD, TP, Activités Pratiques, évaluation) 1) Elément « Modélisation orientée objet» Introduction à UML (UnifiedModeling Langage)

Pourquoi modéliser?

Vers l’orientée objets

Langage de modélisation UML

Diagrammes UML Chapitre 1 – Vue fonctionnelle d’un Système

Diagramme des cas d’utilisation

Spécification des cas d’utilisation

Scénarios Chapitre 2 – Vue structurelle d’un Système

Diagramme de Classes

Design patterns Chapitre 3 – Vue dynamique d’un Système

Diagramme de séquences

Diagramme d’activités

105

Diagramme d’etats-transitions Chapitre 4 – Processus de développement basés UML

Processus Unifié

Méthodologies de développement à objets : ex. 2TUP 2) Elément « Ingénierie dirigée par les modèles»

Chapitre 1 – Méta-modélisation

Définition d’un modèle

Concepts de méta-modèle et de langage de modélisation

Profils UML

Transformation de modèles

TD1 : Méta-modélisation

TP 1 : Génération de code Chapitre 2 – Modélisation à base de composants

Structure d’un composant

Classification des composants

Modélisation des composants

TD2 : Conception à base de composants




Support de Cours, Présentation, Exemples et études de Cas

3. EVALUATION



Projet (30%) Examen (70%)

3.2. NOTE DU MODULE


Modélisation orientée objet (70%) Ingénierie dirigée par les modèles (30%)



106




Coordonnateur :


Nature

d’intervention*

SAIDI RAJAA PH Systèmes d’Information Informatique INSEA Cours, TD

Intervenants :

Nom et Prénom

SAIDI RAJAA PH Systèmes d’Information Informatique INSEA Cours, TD, TP


107


Intitulé du module DATA ARCHITECTURES & SECURITY AND BLOCKCHAINS








L’objectif de ce module est de former des ingénieurs capables d'appréhender les différentes architectures de données et aux problèmes liés à la sécurité et à la confidentialité des données. Le module est composé de deux éléments :

Data architectures

Security and blockchains



108

1.3. VOLUME HORAIRE



Data architectures 12h 4 6 2h 24h

Security and bockchains 12h 4 6 2h 24h


% VH 50% 17% 25% 0% 8% 100%



Elément 2 : Data architectures 1. Introduction oux nouvelles architectures de données 2. RDF (ResourceDescription Framework), 3. XML, 4. websemantic, 5. sdmx, 6. linked open data

Elément 2 : Security and bockchains

7. Introduction à la sécurité informatique 8. Risques de sécurité 9. Services et mécanismes de sécurité et sécurité dans OSI 10. Audit de Sécurité 11. Cryptographie 12. Sécurité des BD 13. Aspects juridiques de la sécurité 14. Anonymization and privacy 15. Bockchains




Les deux éléments doivent se dérouler en séquence.

Certaines parties du cours seront faites sous forme d’exposés des étudiants.

Les cours sont assurés avec des diaporamas.

Un polycopié est fourni pour chaque élément.

109

3. EVALUATION 3.1. MODES D’EVALUATION (Indiquer les modes d’évaluation des connaissances : examens, test, devoir, exposés, rapports de stage ou tout autre moyen de contrôle continu)

0.3 contrôle pour chaque élément + 0,7 examen

3.2. NOTE DU MODULE

(Préciser les coefficients de pondération attribués aux différentes évaluations et éléments du module pour obtenir la note du module.) Elément 1 : 50%

Elément 2 : 50%


La note minimale requise pour la validation du module : 12/20

La note minimale requise pour chaque élément du module : 06/20



Coordonnateur :


Nature

d’intervention*

Imade Benelallam

PH Informatique Informatique INSEA Cours et TD

Intervenants :

Nom et Prénom

KARTIT Ali PH Informatique Informatique ENSAJ Cours et TD


110


Intitulé du module STATISTIQUES MULTIVARIEE – SERIES

CHRONOLOGIQUES AVANCEES






Important




111



L’objectif de ce module est la généralisation des concepts de l’inférence statistique vus dans le cadre unidimensionnel aux cas de modèles gaussiens multidimensionnels ainsi que la présentation de la méthodologique statistique à suivre afin de pouvoir analyser une série chronologique

multivariée.



PROBABILITES ET INFERENCE STATISTIQUE

REGRESSION LINEAIRE ET SERIES CHRONOLOGIQUES

1.3. VOLUME HORAIRE



Statistique multivariée 24 2 26

Séries chronologiques avancées 18 8 2 28


% VH 77.78% 14.81% 7.41% 100%



Fiche descriptive d'élément Intitulé du cours :Statistiques multivariées Département :Statistique, Démographie et Actuariat Objectifs du cours :de développer l’inférence statistique vue dans le cadre unidimensionnel aux cas de

modèles gaussiens multidimensionnels, dans ce cas la loi de Wishart et la statistique de Hotelling

seront introduites comme extension de la loi Khi-deux du cas unidimensionnel pour tester différentes

hypothèses sur les moyennes puis sur les matrices de variance -covariance.

Pré requis : Probabilités, Inférence statistique, Analyse de régression.

Plan du cours :

1. Loi normale multivariée

Définitions, propriétés de base

Indépendance et normalité multivariée

Lois conditionnelles

Loi normale matricielle

Loi de Wishart

Théorème de limite centrale multivarié

2. Inférence dans les modèles gaussiens multivariés

Sur les paramètres de position : Estimateurs du maximum de vraisemblance, Test de

Hotelling (test exact et test asymptotique), Test de rapport de vraisemblance, Zones de

112

confiance, Problèmes à plusieurs échantillons

Sur le paramètre de dispersion : Test d’adéquation sur la matrice de variance-

covariance, Problème à deux échantillons (Test sur l’égalité des matrices de variance-

covariance de deux échantillons).

Autres types de problèmes : Test de sphéricité, Test d’indépendance

Intitulé du cours : Séries chronologiques avancées


Objectifs du cours :Fournir aux élèves les fondements théoriques et pratiques de l’analyse d’une série

chronologique multivariée (VAR, VECM, Causalité au sens de Grange, Co-integration, …).

Pré requis :

Inférence statistique, Modèle de régression, séries chronologiques.

Plan du cours :

1. Séries temporelles linéaires multivariées. Modèles VARMA.

2. Inférence et tests dans les modèles VAR.

3. Causalité au sens de Granger.

4. Séries temporelles cointégrées.

5. Modèles à correction d’erreurs et tests de cointégration.

6. Régresseurs exogènes, modèles VARX.

7. Modèles VAR saisonniers.


I. Applied Multivariate Statistical Analysis ,Härdle W. and L. Simar, 2003,

Springer-Verlag.

II. SAS Introduction pratique : du data management au reporting, Ringuédé S.,

2011, Pearson Education. III. New Introduction to Multiple Time Series Analysis, Lutkepohl H.,2006,

Springer Verlag.

IV. Multivariate time series analysis: with R and financial applications, Tsay,

R.S., 2014, Wiley.

V. Likelihood Based Inference in Cointegrated Vector Auto-Regression Models,

Johansen S., 1995, Oxford University Press.

ETC.







113

Exercices

3. EVALUATION



/25%/ Contrôle continu /75%/ Examen final

3.2. NOTE DU MODULE


La note finale du module est NM = 0,5 élément1 + 0,5 élement2





Coordonnateur :


Nature

d’intervention*

Fouad El Abdi

PES Statistique Statistique,

Démographie et

Actuariat


Intervenants :

Nom et Prénom

Fouad El Abdi

PES Statistique Statistique,

Démographie et

Actuariat



114


Intitulé du module APPRENTISSAGE STATISTIQUE SUPERVISE ET NON

SUPERVISE






Important




115



L’objectif de ce module est de présenter les fondements théoriques des principales méthodes utilisées dans l’apprentissage statistique supervisé et non supervisé. Ce module est consacré donc à la présentation des :

Principales techniques de classification permettant de construire des classes d’individus homogènes vis-à-vis des caractéristiques utilisées dans la classification.

Méthodes de discrimination et de segmentation par arbre (Analyse discriminante, KNN, Naive Bayes, segmentation par arbres, ...).



2. Analyse de données 3. Inférence statistique 4. Modèle de régression

1.3. VOLUME HORAIRE



Fondements de l'apprentissage statistique

12 2 14

Apprentissage statistique non supervisé

12 6 2 20

Apprentissage statistique supervisé 18 2 20


% VH 77.8% 11.1% 11.1% 100%



Fiche descriptive d'élément Intitulé du cours :Fondements de l’apprentissage statistique Département :Statistique, Démographie et Actuariat Objectifs du cours : Fournir les fondements théoriques de l’apprentissage statistique.

Pré requis : Probabilités, Inférence statistique, Analyse de régression, Analyse de données.

Plan du cours :

Chapitre 1 : Introduction aux principes de l’apprentissage statistique :

Objectif de l’apprentissage statistique.

Différence entre apprentissage supervisé contre apprentissage non-supervisé.

Différence entre discrimination et régression.

Différence entre estimation et apprentissage.

Choix de modèles : Équilibre biais variance, différence entre sélection de variables et

régularisation.

116

Les étapes et méthodes d’apprentissage statistique

Chapitre 2 : Qualité de prévision et risque :

Risques et choix de modèles.

Risque empirique.

Estimation d’un risque.

Intitulé du cours :Méthodes de classification non supervisée


Objectifs du cours :Fournir les outils permettant de partitionner un ensemble d’individus en des

classes homogènes.

Pré requis :

Probabilités, Analyse de données.

Plan du cours :

Chapitre 1 : Introduction aux méthodes de classification non supervisée :

Distances et dissimilarités, stratégies d’agrégation.

Chapitre 2 : Méthodes de classification hiérarchiques :

Chapitre 3 : Méthodes de partitionnement non hiérarchique : Techniques de classification de

type « nuées dynamiques » ou « K-means ».

Inertie interclasse et inertie intraclasse, les méthodes de classification des centres mobiles.

Chapitre 4 : Méthodes de classification mixtes pour des grands ensembles.

Intitulé du cours :Méthodes d’apprentissage statistique supervisé Département :Statistique, Démographie et Actuariat Objectifs du cours : Fournir les fondements des principales méthodes de classification utilisées dans le

cadre de l’apprentissage statistique supervisé.

Pré requis : Probabilités, Inférence statistique, Analyse de régression.

Plan du cours :

Chapitre 1 : Analyse discriminante décisionnelle (AFD) :

Introduction et principe.

Règle de décision issue de l’AFD.

Règle de décision bayésienne.

Règle bayésienne avec modèle gaussien.

Règle bayésienne avec estimation non paramétrique.

Chapitre 2 : Arbres binaires de décision :


Construction d’un arbre binaire maximal.

Critères d’homogénéité.

Élagage de l’arbre optimal.

Chapitre 3 : Méthodes à Vecteurs Supports (SVM) :


Séparateur linéaire.

Séparateur non linéaire : définition de noyau, condition de Meyer, exemples de noyaux.

SVM pour la régression (SVR).

Chapitre 4 : Méthodes d’agrégation de modèles :


Familles de modèles aléatoires : Bagging. Forêts aléatoires

Familles de modèles aléatoires : Principes du Boosting, Version aléatoire, Boosting pour la

régression, Boosting et gradient adaptatif.

117


VI. Modélisation prédictive et apprentissage statistique avec R, Tufféry S., 2015,

Technip.

VII. Le modèle linéaire et ses extensions, Daudin J. J., 2015, Ellipses.






Exercices

3. EVALUATION



Contrôle écrit Examen final /25%/ Contrôle continu /75%/ Examen final

3.2. NOTE DU MODULE


La note finale du module est NM = 0,5 élément 1 + 0,5 élément2




118


Coordonnateur :


Nature

d’intervention*

El Haj Tirari

Mohammed


Démographie et

Actuariat


Intervenants :

Nom et Prénom

El Haj Tirari

Mohammed


Démographie et

Actuariat



119


Intitulé du module Théorie des graphes et Modèles discrets






Important




120



Théorie des graphes et optimisation dans les réseaux : Donner les notions de base de la théorie des graphes pour ensuite développer des algorithmes adaptés à des problèmes pouvant être modélisés par un graphe (plus court chemin, flots). Modèles discrets : Résoudre les problèmes d’optimisation discrète par le biais de la programmation linéaire en nombres entiers en utilisant les méthodes de coupe, les méthodes par séparation et évaluation (branch and bound) et les techniques booléennes.



Module Programmation linéaire (S1)

1.3. VOLUME HORAIRE



1. Théorie des graphes 22 2 24

2. Modèles discrets 26 2 28


% VH 92.31% 7.69% 100%



Fiche descriptive d'élément THEORIE DES GRAPHES ET OPTIMISATION DANS LES RESEAUX

1. Généralités sur les graphes 1.1Graphes orientés Chaîne, chemin, connexité, arbre, noyau, graphes sans circuit 1.2Graphes non orientés - Stable, nombre de stabilité, coloration des sommets, nombre chromatique - Couplage, coloration des arêtes, indice chromatique, algorithme de coloriage -Arbre de poids minimum, algorithme de Kruskal, algorithme de Prim 2. Optimisation dans les réseaux 2.1 Problèmes de plus court chemin

Algorithme de Ford

Algorithme de Bellman

Algorithme de Dijkstra

Applications

121

2.2 Problèmes de flots

Flot de valeur maximale : de Ford-Fulkerson

Flots de coût minimum : algorithme d’obtention d’un flot de valeur donnée et de coût minimum 2.3 Problèmes de multiflots

MODELES DISCRETS

CH 1. Problème d’optimisation discrète I. GENERALITES SUR L’OPTIMISATION DISCRETE II. PROGRAMMES LINEAIRES EN NOMBRES ENTIERS (PLNE)

II.1 Définition d’un programme linéaire en nombres entiers II.2 Modélisation et programme linéaire en nombres entiers II.3 Résolution d’un programme linéaire en nombres entiers

CH 2. Résolution des PLNE I. METHODES DE COUPES

I.1 Principe des méthodes de coupe I.2 Procédure de Gomory pour l’obtention de coupes I.3 L’algorithme dual-fractionnaire

II. METHODES PAR SEPARATION ET EVALUATION II.1 Description des concepts de séparation et évaluation II.2 Résolution d’un programme linéaire en nombres entiers au moyen d’une PSE II.3 Les méthodes d’énumération implicite

CH 3. Techniques booléennes I. Variables et fonctions booléennes II. Passage d’une forme difficile à une forme facile III.Résolution d’un programme linéaire en 0-1 par passage d’une forme linéaire à une forme normale




1. Théorie des graphes et optimisation dans les réseaux Cours-TD - Polycopié - Diapositives 2. Modèles discrets : Cours-TD - Polycopié - Diapositives - Didacticiels

3. EVALUATION



122

1. Théorie des graphes et optimisation dans les réseaux : 0.3 contrôles continus, 0,7examen 2. Modèles discrets : 0.3 contrôles continus, 0,7examen

3.2. NOTE DU MODULE


50 % Théorie des graphes et optimisation dans les réseaux + 50 % Modèles discrets





Coordonnateur :


Nature

d’intervention*


opérationnelle

Mathématiques et

Recherche

Opérationnelle

INSEA Cours, TD

Intervenants :

Nom et Prénom

GuediraFaicel PA Recherche

opérationnelle

Mathématiques et

Recherche

Opérationnelle

INSEA Cours, TD


opérationnelle

Mathématiques et

Recherche

Opérationnelle

INSEA Cours, TD


123



English 3






Important




124



- permet a l’étudiant d’acquérir les règles de base du droit des affaires et de comprendre l’environnement juridique de l’entrepris et des milieux des affaires en général. - permettre à l’étudiant de traiter l'information juridique notamment au sein de l’entreprise.

-acquérir l’instinct d’apprécier juridiquement les événements et situations commerciales rencontrés.

- garantir le respect de la règle, prévenir et savoir à qui s’adresser pour régler des litiges.

- pouvoir lire, interpréter et négocier un contrat – économique -.

- comprendre les enjeux juridiques du marché et adapter l'activité de l'entreprise aux évolutions commerciales



1.3. VOLUME HORAIRE



Français 3 14 2 16

Droit des affaires 14 2 16

Professional English 1 14 2 16


% VH 87.50% 12.5% 100%

https://formations.univ-larochelle.fr/master-droit-entreprise#comp-2



125



Fiche descriptive d'élément Intitulé du cours :Droit des Affaires Département : Statistique et Démographie Plan du cours : Introduction au droit des affaires

Partie I. L’entreprise individuelle

Chapitre I. Statut juridique de l’entreprise individuelle

- Détermination des actes de commerce. - Les obligations des commerçants.

Chapitre II. Le fonds du commerce - Définition

- Nature juridique

- Composition Chapitre II. Les opérations portant sur le fonds du commerce

- La vente du fonds de commerce - La gérance du fonds du commerce

Chapitre III- Les règles de base des techniques contractuelles

Partie II. L’entreprise sociétaire

- Les sociétés de personnes - Les sociétés de capitaux

- Les Sociétés à Responsabilité Limité Méthode d’évaluation et régime d’examens : 50% Contrôle continu 50 % Examen final

Fiche descriptive d'élément Intitulé du cours : Français3 Département : Statistique et Démographie Objectifs du cours : Introduction aux bases de la communication Plan du cours :

I- LA COMMUNICATION AU SEIN DE L'ENTREPRISE

a) L’objectif de la communication organisationnelle

b) La situation de communication écrite

c) La communication écrite dans les organisations : le mail, le Rapport, la Note, le

Compte rendu, le procès verbal, la circulaire,

d) La Communication Interne&Externe

e) Lecture débat ou exposé

II- LE TRAVAIL EN GROUPE

a) Le Phénomène de groupe

b) Dynamique de groupe

c) Comment se gérer au sein d'un groupe

d) Le travail en groupe ses spécificités…

e) Comment se gérer au sein d'un groupe

f) La Gestion des Conflits, de temps…

g) Développer son réseau relationnel

h) Lecture débat ou exposé

126

III- INTERPRETER DES GRAPHIQUES

et régime d’examens : 50% Contrôle continu 50% Examen final


Intitulé du cours : Professional English 1


Plan du cours :

1- Introductions

The present course design is planned for ESP students. Paying special attention to the

issues mentioned above, this course would be designed as a content-based language

course program with the following criteria:

The course is a self-contained program consisting of several modules.

The process of learning is as important as the product.

The course would be comprised of many tasks. The tasks are steps to complete the

final product.

The course is sequenced by the steps in accomplishing the final product.

Language is given more emphasis than content. Four-skill training is integrated into

every task.

2- Economy and Globalization

3- International Development

4- Civil Society and Empowerment

5- Gender and Development

6- Public Policy

7- Public Policy Analysis Cases

Someexamples of other areas thatcouldbecovered :

Demography

Migration

Finance and Actuary

Qualitative vs Quantitative Research

Cross-cultural Topics.


127








3. EVALUATION




3.2. NOTE DU MODULE







Coordonnateur :


Nature

d’intervention*

CHERKAOUI Abderahim


Intervenants :

Nom et Prénom

CHERKAOUI Abderahim


INSEA Cours, TD

Yamine Lyamani PH Français INSEA Cours, TD

Rachid Touhtou PH Anglais INSEA Cours, TD


128


Intitulé du module Entreprenariat II


Département d’attache Économie et Finance


Module de management


129

Important






La 2e partie de ce module a pour objectif de passer à un niveau supérieur en matière de maitrise des outils de gestion de diagnostic et d’évaluation de l’entreprise.




1.3. VOLUME HORAIRE

Elément(s) dumodule Volume horaire (VH)


Finance de l’entreprise 18 2 20

Diagnostic financier 16 2 18

Evaluation de l’entreprise 16 2 18


% VH 89.29% 10.71% 100%


Fournir une description détaillée des enseignements et/ou activités pour les différents éléments de module (Cours, TD, TP, Activités Pratiques, évaluation) Eléments de module Description des programmes 1. Finance de

l’entreprise 2. La construction de l’information comptable 3. Analyse de l’exploitation : le compte de résultat 4. Analyse du bilan 5. Analyse des flux financiers 6. La stratégie d’investissement 7. La politique de financement 8. Le fonds de roulement normatif 9. Etude de cas

130

2.Diagnostic financier

1. Les concepts de bases et la démarche du diagnostic financier a) Les cycles financiers de l'entreprise

b) Les notions fondamentales de flux et de stocks

c) Les objectifs du diagnostic financier

d) La démarche du diagnostic financier

2. Les outils d'analyse financière a) Analyse de l'activité et de la rentabilité : l'état des soldes de Gestion

b) Le diagnostic des équilibres financiers : L'analyse du bilan

c) La technique d'analyse financière par les ratios

d) L'analyse des flux financiers : Tableau de financement et le plan de

trésorerie

Evaluation de l’entreprise 1.CADRE GENERAL :

a) Contenu, enjeux et démarche de l’évaluation b) Environnement comptable et financier (audit financier, normes

IAS/IFRS…) c) Évaluation de performances et évaluation de marché

2. METHODES D’EVALUATION a) Approches patrimoniales b) Actif net comptable c) Actif net corrigé d) Actifs intangibles (Goodwill) e) Valeurs fonctionnelles et valeurs économiques: CNPE, VSB, VRd,

VRt,VPC

3. Approches par les Dividendes a) Modèles Gordon-Shapiro, PER, Holt et Bates… b) Approches Dynamiques de Marché c) Évaluation par la rentabilité future: Méthode du DCF (discounted cash-

flow)

4. Approches Comparatives, Boursières et Multiples (analogiques ou

peer group) a) Approches spécifiques (banques, assurances…)

5.Analyse de la Valeur F. Synthèse du processus d’évaluation &

conclusions PRATIQUE DE L’EVALUATION a) Évaluation des entreprises non cotées b) Évaluation des entreprises cotées c) Cas des groupes consolidés d) Modèles spécifiques des banques

6.ETUDES DE CAS


131



Cours sur support PowerPoint et études de cas concrets

3. EVALUATION



L’évaluation se fait à traversdes contrôles continus basés sur les interventions, les exposés et la participation. La note finale est la moyenne des notes des contrôles continus.

3.2. NOTE DU MODULE


Contrôles continus 100%, Part relative dans le module : Finance de l’entreprise : 1/3 Diagnostic financier : 1/3 Evaluation de l’entreprise : 1/3





132


Coordonnateur :


Nature

d’intervention*


finance

Economie

Finance

INSEA COURS

Intervenants :

Nom et Prénom


finance

Economie

Finance

INSEA COURS


133


Intitulé du module BUSINESS INTELLIGENCE & KNOWLEDGE DISCOVERY






Important






Ce module sera composé de deux éléments principaux :Data warehouse& Business Analytics etKnowledge Discovery. L’objectif du premier élément est d’étudier les différentes questions et solutions théoriques et pratiques proposées dans la cadre du data warehousing et les outils du Business Analytics. Cet élément propose un enseignement fondamental sur les systèmes d’informations décisionnels, de leurs architectures et de leur évolution. Les enseignements seront organisés en deux parties : datawarehouse et Business Analytics. Ces parties visent à introduire les étudiants aux différents concepts : Entrepôts de données (Datawarehouse) ; OLAP et caractérisation ; et la visualisation des données à travers des tableaux de bords et des KPIs; L’éléments Knowledge Discovery se focalisera sur la démarche méthodologique et les techniques d’extraction de connaissances :

Data mining

Textmining

134

Web mining Cet élément propose des enseignements avancés sur les techniques d’extraction de connaissances à partir du donnée (Text, Web ...), de leurs modèles et de leur évolution ainsi que les techniques d’interprétation des données. Les enseignements seront organisés en troisparties : Data minig,Webmining et Text Mining. Ces parties visent à introduire les étudiants aux différents concepts : l’analyse prédictive, Extraction et analyse des données web , le webmining (le filtrage, la recommandation, le matching des données …) Cette spécialisation permet aux étudiants d’apprendrecomment les analystes de données décrivent, prédisent et éclairent les décisions commerciales dans les domaines spécifiques du marketing, des ressources humaines et des finances. Références bibliographiques :

Global Business Intelligence By: J. Mark Munoz Book: 225 Pages Publisher: Taylor

and Francis © 2018

Fundamentals of Business Intelligence By: Wilfried Grossmann, Stefanie Rinderle-

Ma Book: 361 pages Publisher: Springer © 2015


(Indiquer les modules requis pour suivre ce module et le semestre correspondanten respectant la progression des enseignements d’un semestre à l’autre et d’une année à l’autre). Les modules :


Statistique descriptive

Analyse et Conception Relationnelles & Bases de données

1.3. VOLUME HORAIRE



Data warehouse& Business

Analytics 12 4 10 2 28

Knowledge Discovery 12 14 2 28


% VH 43% 7% 43% 0% 7% 100%

135



Elément : Data warehouse & Business Analytics

Partie1 : Data warehouse

1. Introduction

2. Système d'information décisionnel

La problématique de l’entreprise

Informatique décisionnelle

Fonctions et architecture

3. Quelques définitions

Datawarehouse

Datamart

ELT (extract, transform, load)

Cube et hypercube

4. Problématiques d'alimentation

Le rôle du datawarehouse

Appréhender les besoins

Extract-transform-load

Exemple de données

5. Analyse métier et étapes de conception des DWs

6. Architecture d'un datawarehouse

Concept du datawarehouse

Les différentes zones

Datamarts et architecture

OLAP

7. Analyse multidimensionnelle

8. Projet : Etude de cas

Partie 2 : Business Analytics

9. Introduction et présentation de la plateforme BA

10. Installation et paramétrage

11. Création des rapports

12. Créationdesrapportsavecfonctions multidimensionnelles

13. Conceptionetdéveloppementdemodèles:cubes,cubesdynamiquesetmodèles OLAP

14. Analyseetpartagedes données

15. CréationdeScorecards

16. Administrationdel’environnementtechnique

Elément : Knowledge Discovery

Partie 1 : Data Mining

1. Introduction au Data Mining

Présentation du Data Mining.

Différenciation par rapport aux techniques exploratoires des données (Statistique

exploratoire, Analyse de Données, etc.).

Catégorisation des techniques de fouille de données selon les objectifs d'une étude et le

type des données.

Les ressources bibliographiques, les ressources en ligne, les logiciels et les serveurs de

données.

Deux exemples en marketing et catégorisation de textes.

2. Modèle de processus du DM

136

Introduction CRISP-DM

Phases Principales

CRISP-DM 2.0

3. Règles d'association

Construction des règles d'association : items, itemsets fréquents, règles.

Les critères supports, confiance, lift.

Le ciblage clientèle.

Construction et lecture de la courbe LIFT (GAIN CHART).

Partie 2 : Textmining

4. Introduction

5. Linguistique computationnelle

Introduction à la linguistique

La structure de NLTK, comment le texte est géré, exemples et exercices simples

Algorithmes fréquentiels de désambiguïsation de mots (n-grammes, etc.)

Comment fonctionne un lemmatiseur, exemples et exercices

Quand le lexique et la morphologie ne suffisent plus (syntaxe, sémantique)

Utilisation de grammaires hors contexte à traits pour l'analyse syntaxique

Utilisation de la logique de premier ordre pour l'extraction du sens à partir de l'arbre

syntaxique

Exemples et exercices

6. Applications en fouille de texte

Classification supervisée de textes (naïve Bayes, TF-IDF)

Extraction d'information (chunking, détection d'entités nommées)

Partie 3 : Web mining

7. Présentation générale et enjeux

Présentation générale

Les enjeux

8. Les technologies de webmining

Les données manipulées

Les spécificités du processus du webmining

9. Le web sémantique

Introduction

Histoire du Web sémantique

Objectifs du Web sémantique

Le Web sémantique et le Web 3.0

10. Système de recommandations

Filtrage collaboratif

Collecte de Préférences

Trouver des utilisateurs similaires

Recommandation des produits/documents

11. Searching et Ranking

Les moteurs de recherche

Les Crawlers

Content BasedRanking

Using Inbound Links

Learning from Clicks

137






3. EVALUATION



Data warehouse & Business Analytics 0,3 CONTROLE CONTINU ET 0,7 EXAMEN FINAL Knowledge Discovery 0,3 CONTROLE CONTINU ET 0,7 EXAMEN FINAL

3.2. NOTE DU MODULE


La note finale du module est NM = Data warehouse & Business Analytics *0,5+ Knowledge Discovery *0,5




138



Coordonnateur :


Nature

d’intervention*

IMADE

BENELALLAM

PH Informatique

et Intelligence

Artificielle

informatique INSEA Cours, TD, TP,

encadrement de

stage, de projets

Intervenants :

Nom et Prénom

IMADE

BENELALLAM

PH Informatique

et Intelligence

Artificielle


encadrement de

stage, de projets


139


Intitulé du module SOFTWARE ENGINEERING, AGILE & DATAOPS






Important




140


1.1. OBJECTIFS DU MODULE L’objectif du module est de décrire les éléments de base du génie logiciel. On commence dans le premier élément par le processus de développement et ses phases et en terminant par les ateliers de génie logiciel. L’objectif du deuxième élément « DevOps et DataOps » est d’approfondir la notion du développement logiciel Agile, vu dans le premier élément, à travers deux méthodologies : DevOps et DataOps.DevOps et DataOps constituent, respectivement, un ensemble de pratiques pour le développement logiciels et la gestion de données, pour un projet particulier. DevOps réside dans la réunion de deux groupes distincts qui constituent l’informatique traditionnelle : un groupe qui gère les travaux de développement et un autre qui effectue des travaux opérationnels. Dans un environnement DevOps, les déploiements de logiciels sont rapides et continus, car toute l’équipe est unie pour détecter et corriger les problèmes qui se produisent. Cette fusion du développement logiciel et des opérations informatiques contribue à l’amélioration de la rapidité, la qualité, la prévisibilité et l’ampleur de l’ingénierie et du déploiement du logiciel. DataOps, en comparaison, peut être défini comme DevOps avec analyse de données. En empruntant donc les méthodes de DevOps, DataOps cherche à apporter les mêmes améliorations à l'analyse de données. DataOps s'applique alors à l'ensemble du cycle de vie des données, depuis la préparation des données à la génération de rapports, et reconnaît la nature interconnectée de l'équipe d'analyse des données et des opérations informatiques. A la fin de ce cours, l’étudiant sera en mesure de comprendre les principes de DevOps et DataOps, de connaître leurs cycles de vie et d’apprendre à utiliser les outils appropriés.


(Indiquer les modules requis pour suivre ce module et le semestre correspondanten respectant la progression des enseignements d’un semestre à l’autre et d’une année à l’autre). Analyse et Conception orientée Objet

1.3. VOLUME HORAIRE



SOFTWARE ENGINEERING 14 12 2 28

AGILE & DATAOPS 8 10 8 2 28


% VH 39.3% 39.3% 14.3% 7.15% 100%


Fournir une description détaillée des enseignements et/ou activités pour les différents éléments de module (Cours, TD, TP, Activités Pratiques, évaluation) Elément 1 SOFTWARE ENGINEERING Partie 1 : Processus de développement d'un logiciel

1. Historique et motivations

2. Les modèles de cycle de vie

3. Etude Préalable

4. Spécification

141

5. Conception préliminaire

6. Conception Détaillée

7. Codage et tests unitaires

8. Intégration et test de recette

9. Maintenance

10. Exposés

Activité pratique : Approfondissement de certaines techniques et/ou outils liés aux phases du CVL Partie 2 : Atelier de Génie Logiciel (AGL)

1. Définition et objectifs d'un AGL

2. Catégories d'AGL

3. Les fonctions transversales d'un AGL

4. Les AGL orientés Conception

5. Les AGL orientés Réalisation

6. Les AGL Mixte

7. Choix d'un AGL

Activité pratique : Etude et utilisation d'un AGL Elément 2 : Agile et DataOps

Chapitre 1 : Introduction Générale I. La crise du logiciel

II. Cycle de vie du développement logiciel III. Thématiques du Génie logiciel

Chapitre 2 : Conduite de projets Informatiques VI. Les responsabilités dans le projet VII. Les phases d’un projet et les livrables VIII. Planification d’un projet (Application sur MsProject)

i. Réseaux Pert ii. Diagramme de Gantt

iii. WBS IX. Estimation des coûts et la gestion des ressources (Application sur MsProject) X. Méthodes agiles (XP, Scrum, ..) XI. Outils de travail collaboratif

Chapitre 3 : DevOps I. Introduction à DevOps

i. Développement logiciel agile ii. DevOps Vs Agile

II. Principes DevOps III. Cycle de vie DevOps IV. Outils DevOps :

i. Version Control avec Git ii. Configuration Git-Maven-Jenkins

iii. Intégration continue avec Jenkins iv. Testing continu avec Selenium v. Gestion de la configuration avec Ansible/Puppet

vi. Conteneurisation avec Docker vii. Monitoring continu avec Nagios

Chapitre 4 : DataOps I. Introduction à DataOps

V. Principes DataOps VI. Cycle de vie DataOps II. Outils DataOps

https://www.guru99.com/devops-tutorial.html#7




142

i. Orchestration du pipeline de donnée (Outils ETL) ii. Virtualisation et versioning de données (Delphix, Pachyderm, QuiltData, ..)

iii. Automatisation de déploiement (DataKitchen, Jenkins, Docker &Kubernetes, ..)

Test et monitoring de la production (ICEDQ, DataKitchen, …)

2. DIDACTIQUE DU MODULE (Indiquer les démarches didactiques et les moyens pédagogiques prévus.)

Vidéo projecteur Support de cours

3. EVALUATION



0,3 Contrôle continu 0,7 Examen final

3.2. NOTE DU MODULE


SOFTWARE ENGINEERING: 50% Agile et DataOps: 50%




143



Coordonnateur :


Nature

d’intervention*

Maryam Radgui PA Informatique Informatique INSEA Cours/TD Intervenants :

Nom et Prénom

Maryam Radgui PA Informatique Informatique INSEA Cours/TD Skalli Ahmed PA Génie logiciel Informatique INSEA Cours/TD


144


Intitulé du module INTELLIGENCE ARTIFICIELLE






Important




145



Ce module est composé de deux éléments : - Programmations fonctionnelle (avec LISP), en logique (avec PROLOG) et par Contraintes (avec

Choco et MiniZinc) L’Objectif de cet élément est de fournir les éléments de base de la programmation fonctionnelle (tout est fonction, tout est liste, tout est expression, etc.), de la programmation en logique (la logique des prédicats, base de fait et base de règles, l’unification, la résolution, le retour-arrière, etc.) et de la programmation par contraintes (problèmes de satisfaction de contraintes –PSC-, résolution et solveurs de PSC, etc.).

- Intelligence Artificielle L’Objectif de cet élément est de fournir les éléments de base de l’Intelligence Artificielle : système intelligent et agent intelligent, ontologie, base de connaissance et représentation des connaissances, résolution de problèmes, raisonnement, système expert, système à base de cas, traitement du langage naturel et système multi-agent.


(Indiquer les modules requis pour suivre ce module et le semestre correspondanten respectant la progression des enseignements d’un semestre à l’autre et d’une année à l’autre). Structures de données Programmation Orientée Objet

1.3. VOLUME HORAIRE




Programmations fonctionnelle,

logique et par contraintes 14 14 2 30

Intelligence Artificielle 24 2 2 4 2 34

VH global du module 38 16 2 4 4 64

% VH 59.38% 25.00% 3.12 % 6.25% 6.25% 100%



Elément 1 : Programmations fonctionnelle, logique et par contraintes Programmation fonctionnelle avec LISP

1. Introduction : Programmation Fonctionnelle et Programmation Symbolique 2. Données, Fonctions et Expressions en Lisp 3. L’interpréteur de Lisp : Evaluateur d’Expression 4. Lisp est un langage interactif 5. Données et fonctions prédéfinies 6. Traitement des listes en Lisp 7. Fonctions anonymes et fonctions définies 8. Les structures de contrôles sont des fonctions

146

9. La récursivité en Lisp 10. Objet, Propriétés et Attachement Procédural en Lisp

Programmation en Logique avec Prolog

1. Introduction : Programmation en Logique et Programmation Symbolique 2. Logique des Prédicats et Raisonnement 3. Prolog est différent des autres langages : l’interpréteur de Prolog est un moteur d’inférence 4. Un Programme Prolog est une Base de Connaissance (Faits et Règles) 5. Données élémentaires, Variable, Liste, Terme, Fait, Règle, Paquet, Requête 6. Termes/Buts prédéfinis et Termes/Buts définis 7. Prolog est un langage interactif 8. L’interpréteur de Prolog : premier contact 9. Unification et Retour Arrière 10. Gérer le retour arrière : le terme prédéfini « Cut » 11. Traitement des Listes en Prolog 12. Arbres et Graphes en Prolog 13. Prolog n’est ni un langage procédural ni un langage fonctionnel 14. Méta-Termes : Manipulation dynamique d’un programme Prolog : Gestion d’une Base de

Connaissance 15. Applications

Programmation par contraintes avec Choco et MiniZinc

1. Introduction à la programmation par contrainte 2. Les Problèmes de Satisfaction de Contrainte 3. Résolution de CSPs 4. Les solveurs de contraintes : Choco et MiniZinc 5. La programmation par contrainte et les systèmes multi-agents 6. Les plateformes de raisonnement par contraintes distribué : Dynamic JChoc

Elément 2 : Intelligence Artificielle

1. Intelligence Artificielle (IA) : Science des Systèmes Intelligents et des Agents Intelligents 2. Modélisation du Domaine : Ontologie et Base des Connaissances 3. Représentation des Connaissances, Structures Conceptuelles (SC) et Opérations Conceptuelles 4. Formalismes de Représentation des Connaissances, et la Théorie des Graphes Conceptuels (GC) 5. Opérations sur les SC et les GC 6. Recherche d’Information (dans les Ontologies et les Bases de Connaissances) 7. IA et Web Sémantique 8. Résolution de Problème et Jeux 9. Raisonnements/Inférences 10. Systèmes Expert 11. Systèmes à base de Cas 12. Traitement du Langage Naturel 13. Systèmes Multi-Agent


Exposés avec PPT

147



Méthode pédagogique Introduction des concepts de base Exemples Exercices

Moyens didactiques : Support de cours sur papier Projection Utilisation du laboratoire informatique pour illustration

3. EVALUATION



Programmations fonctionnelle, logique et par contrainte : Contrôle Intelligence Artificielle : TP, Exposé, Contrôle

3.2. NOTE DU MODULE


Au niveau du module : Programmations fonctionnelle, logique et par contraintes : 50% Intelligence Artificielle : 50% Au niveau de chaque élément du module : Pour l’élément Programmations fonctionnelle, logique et par contraintes : 33% contrôle sur LISP + 33% contrôle sur PROLOG + 34% contrôle sur la programmation par contraintes Pour l’élément Intelligence Artificielle : 50% TP, Projet et Exposé + 50% Contrôle


Préciser la note minimale requise pour la validation du module : La note minimale requise pour la validation du module : 12/20

Préciser, le cas échéant, la note minimale requise pour chaque élément du module : La note minimale requise pour chaque élément du module : 06/20

Préciser les modalités de prise en considération de la note de rattrapage dans celle du module : Après examens de rattrapage dans les éléments de modules, l’étudiant aura la note sup (Note avant examen de rattrapage ; Note de l’examen de rattrapage). Le cas d’une

148

absence non justifiée à un examen de rattrapage obligatoire (note inférieure à 06/20) et les fraudes lors de ces examens, l’étudiant aura automatiquement la note de «00/20».


Coordonnateur :


Nature

d’intervention*

Kabbaj Adil PES Intelligence Artificielle

Informatique INSEA Cours, TD, TP

Intervenants :

Nom et Prénom

Kabbaj Adil PES Intelligence Artificielle


Benelallam Imade

PH Intelligence Artificielle



149


Intitulé du module REGRESSION SUR VARIABLES CATEGORIELLES ET

MODELES LINEAIRES GENERALISES (GLM)




Module scientifique et de spécialisation


Important




150



L’objectif de ce moduleest de permettre aux élèves de maitriser les outils de la modélisation par régression relativesà

La modélisation d’une variable qualitative ayant un nombre fin de modalités (modèle logistique, ...).

Maitriser la modélisation d'une variable dépendante dont la loi de probabilité appartient à la famille exponentielle.

Savoir mettre en œuvre les techniques de modélisation traitées dans ce module.



3. Probabilités 4. Inférence statistique

1.3. VOLUME HORAIRE



Régression sur variables catégorielles 20 6 2 28

Modèle de régression linéaire 20 6 2 28


% VH 71.4% 21.4% 7.2 100%



Fiche descriptive d'élément Intitulé du cours :Régression sur variables catégorielles


Objectifs du cours :Fournir les outils statistiques permettant de modéliser une variable catégorielle.

Pré requis :

Probabilités, Inférence statistique, Modèle de régression.

Plan du cours :

Chapitre 1 : Régression logistique simple : Définition des covariables, Méthodes d’estimation des coefficients de la régression, Tests d’hypothèse, Odds ratio, Courbe de LIFT et courbe ROC.

Chapitre 2 : Régression logistique multinomiale : Variables polytomiques, Méthodes d’estimation des coefficients de la régression et

151

contrainte, Odds ratio, Modèles saturé.

Chapitre 3 : Régression logistique multinomiale ordonnée : Introduction de seuils, Probabilités cumulées, Fonction de répartition, Adéquation de modèle.

Chapitre 4 : Régression logistique conditionnelle :

Intitulé du cours :Modèles Linéaires Généralisés (GLM) Département :Statistique, Démographie et Actuariat Objectifs du cours :Maitriser la modélisation d'une variable dépendante dont la loi de probabilité

appartient à la famille exponentielle.

Pré requis : Statistiques descriptives, Probabilités, Inférence statistique, Modèle de régression.

Plan du cours :

Chapitre 1 : Introduction et principes : Rappel du modèle de régression linéaire Introduction au modèle GLM

Chapitre 2 : Formalisation des modèles GLM Familles exponentielles naturelles. Modélisation par la moyenne Cas de la loi gaussienne. Cas des modèles logistiques. Cas des modèles de Poisson. Famille exponentielle ; Estimation des paramètres ; Déviance normalisée et déviance des modèles usuels ; Intervalles de confiance et test d’hypothèses ; Estimation du paramètre de dispersion ; comparaison des modèles.

Chapitre 3 : Qualité de l’ajustement des modèles GLM Critères de mesure la qualité de l’ajustement des modèles GLM. Intervalles de confiance et test d’hypothèses. Sur-dispersion et variable ‘offset’. Comparaison des modèles.


VIII. Applied logistic regression, Hosmer D.W. and LemeshowS.,. 2000, Wiley. IX. Le modèle linéaire et ses extensions, DaudinJ. J., 2015, Ellipses.

152







Exercices

3. EVALUATION



/25%/ Contrôle continu /75%/ Examen final Contrôle écrit Examen final

3.2. NOTE DU MODULE


La note finale du module est NM = TP*0.30 + Ctrl*0.10 + Examen*0.30 + TPE*0.3


Préciser la note minimale requise pour la validation du module : La note minimale requise pour la validation du module : 12/20

Préciser, le cas échéant, la note minimale requise pour chaque élément du module : La note minimale requise pour chaque élément du module : 06/20

Préciser les modalités de prise en considération de la note de rattrapage dans celle du module : Après examens de rattrapage dans les éléments de modules, l’étudiant aura la note sup (Note avant examen de rattrapage ; Note de l’examen de rattrapage). Le cas d’une absence non justifiée à un examen de rattrapage obligatoire (note inférieure à 06/20) et

153

les fraudes lors de ces examens, l’étudiant aura automatiquement la note de «00/20».


Coordonnateur :


Nature

d’intervention*

EL HAJ TIRARI

Mohammed

PH

Statistique

Statistique,

Démographie et

Actuariat

INSEA Cours, TD, TP

Intervenants :

Nom et Prénom

Abdellah Abarda

PA

Statistique Statistique,

Démographie et

Actuariat

Université Hassan

1er, Settat

Cours, TD, TP


154


Intitulé du module Simulation à événements discrets I &Programmation

non linéaire & Modélisation I




Module scientifique et technique de spécialisation

Semestre d’appartenance du module S4

Important




155



Simulation à événements discrets I :

1. Maîtrise les concepts et techniques de modélisation et simulation des systèmes dynamiques à événements et leurs applications à des problèmes réels. 2. Conduite d’un projet de simulation à travers un mini-projet et utilisation d’un langage de programmation général. Programmation non linéaire :

Faire acquérir à l'étudiant une connaissance des techniques mathématiques et algorithmiques permettant d'aborder les problèmes d'optimisation différentiable avec contraintes dans :

1- Connaître les notions d'optimum, minimum, maximum, points stationnaires et leurs

caractéristiques.

2- Connaître les conditions d'optimalité usuelles pour les problèmes d'optimisation

différentiable avec contraintes dans .

3- Connaître les algorithmes de base ainsi que leurs caractéristiques distinctives pour ces types de problèmes d'optimisation.

Savoir comment implanter ces algorithmes Modélisation I:

Approfondir les techniques de modélisation pour les problèmes linéaires, non linéaires, réseaux, etc. Résolution avec des logiciels (exp. le solveur d’Excel, CPLEX, LINGO, etc.).



Simulation à événements discrets I : Modules 12 (Programmation et Algorithmique II) et 74 (Inférence 1 et 2) Programmation non linéaire : Programmation linéaire & Analyse et algèbre linéaire

Modélisation I : Init. À l'informatique / Bureautique & utilitaires et Programmation linéaire.

1.3. VOLUME HORAIRE



Simulation à événements discrets I

24 2 26

Programmation non linéaire 24 2 26

Modélisation I 22 6 2 30


% VH 85.4% 7.3% 7.3% 100%

156



Fiche descriptive d'élément Simulation à événements discrets I I Introduction : définition et exemples II Construction des programmes de simulation

A. Approche activité B. Approche événement C. Approche processus

III. Génération de variables aléatoires A. Génération de nombres pseudo-aléatoires B. Génération de nombres suivant une loi donnée C. Génération de nombres corrélés D. Tests des générateurs

IV. Aspects statistiques de la simulation A. Construction d’intervalles de confiance B. L’état initial d’une simulation C. Critère d’arrêt de la simulation D. Techniques de réduction de la variance

V. Validation d’un modèle de simulation A. Validation fonctionnelle B. Validation par rapport à un modèle mathématique C. Validation par rapport à la réalité ou un autre simulateur.

VI. La simulation avec un tableur Programmation non linéaire :

I. Vocabulaire de l’Optimisation I.1. Rappels de quelques notions Mathématiques I.2. Définition d’un problème d’optimisation et ses solutions I.3. Algorithmes et Vitesse de convergence I.4. Introduction aux Langages de modélisation et de programmation (AMPL, Scilab)

II. Convexité et Optimisation III. Optimisation sans contraintes

IV.1. Conditions d’existence des solutions IV.2. Conditions d’optimalité IV.3. Méthodes de résolution

- Algorithmes de descente - Méthodes avec gradient(Gradient, Gradient conjugué,Newton, quasi-Newton) - Recherche linéaire - Région de confiance

IV. Optimisation avec contraintes IV.1. Conditions d’optimalités et Qualification des contraintes IV.2. Méthodes primales (Directions réalisables, Gradient réduit, Gradient projeté,

Contraintes actives) IV.3. Méthodes duales (Pénalités extérieures, Pénalités intérieures, Lagrangien augmenté)


157

7. Programmation Mathématique (M. Minoux) 8. Nonlinear Programming, Theory, Algorithms and Applications (G. P. McCormick) 9. Practical Methods of Optimization (R. Fletcher) 10. Introduction to linear and nonlinear Programming (D. G. Luenberger)

Modélisation I Introduction à la modélisation Utilisation de VBA pour Excel et autres solveurs (exp. CPLEX, LINGO, …) Modélisation linéaire en nombres entiers Modélisation non linéaire Modélisation des réseaux




1. Simulation à événements discrets : Cours magistraux, Travaux dirigés, Mini-Projets, Polycopié, Diapositives 2. Programmation non linéaire : Le cours est succession de fiches. Pour chaque fiche : Présentation du concept, Illustration à travers un exemple d’application, Exercices et travaux pratiques 3. Modélisation I Cours magistraux, exercices pratiques sur machines, études de cas, diapositives

3. EVALUATION



1. Simulation à Evénements discrets I : 15% Contrôle continu, 35% Mini Projet, 50% Examen 2. Programmation non linéaire : Contrôle continu, Examen final 3. Modélisation I : 33 % contrôle continue et 67% examen

3.2. NOTE DU MODULE


Note finale : 1/3 Simulation à Evénements Discrets I + 1/3Programmation non linéaire + 1/3 Modélisation I

158





Coordonnateur :


Nature

d’intervention*

BENMANSOUR

Rachid

PA Recherche opérationnelle



Intervenants :

Nom et Prénom

BENMANSOUR

Rachid




KADRANI

Abdeslam




OUZINEB

Mohamed




* Enseignements o

159


Intitulé du module Projet Encadré






160


1.1. OBJECTIFS DU MODULE La totalité de ce module est consacré à un projet encadré.


(Indiquer les modules requis pour suivre ce module et le semestre correspondanten respectant la progression des enseignements d’un semestre à l’autre et d’une année à l’autre). Analyse et Conception orientée Objet

1.3. VOLUME HORAIRE



Projet encadré 4 12 50 4 70


% VH 5.7% 17.14% 0% 71.43% 5.7% 100%


Fournir une description détaillée des enseignements et/ou activités pour les différents éléments de module (Cours, TD, TP, Activités Pratiques, évaluation) Elément 1 : Projet encadré

Présentationgénérale du projet

Les outils, les methodes, les traces et les rendus

Suivi du projet

Evaluation du projet


Exposés liés aux phases du CVL

Installation d'un AGL

Présentation des fonctionnalités du logiciel

Développement d'un exemple complet 3. Projet encadré sous forme de sujets distribués aux étudiants et suivis durant tout le semestre.



Vidéo projecteur Support de cours

161

3. EVALUATION



0,3 Contrôle continu 0,7 Exposés

3.2. NOTE DU MODULE







Coordonnateur :


Nature

d’intervention*

Skalli Ahmed PA Génie logiciel Informatique INSEA encadrement de stage, de projets

Intervenants :

Nom et Prénom

Touts les enseignants de la

filière DS

encadrement de stage, de projets


162


Intitulé du module Entreprenariat III


Département d’attache Économie et Finance


modules de management


Important




163



Il s’agit d’un niveau avancé en matière d’entreprenariat. Le but est de d’acquérir une connaissance avancée dans les outils de gestion d’entreprise.



1.3. VOLUME HORAIRE

Elément(s) dumodule Volume horaire (VH)


Stratégie d’entreprise 14 2 16

Business Model 14 2 16

Business Plan 14 2 16


% VH 87.5% 12.5% 100%




1.Stratégie d’entreprise 1. Notion de la stratégie d’entreprise 2. Démarche stratégique 3. Diagnostic stratégique 4. Les stratégies business 5. Les stratégies corporate 6. La mise en œuvre 7. Les structures organisationnelles

2.Business Model

1. Notion et objectifs du BM 2. Composantes du business Model 3. Cas pratiques

1. Business Plan 1. Notion et objectifs du BP 2. Composantes du business plan 3. Cas pratiques

164



Cours sur support PowerPoint et études pratiques d’exemples et de cas.

3. EVALUATION



L’évaluation se fait à travers des contrôles continus basés sur les interventions, les exposés et la participation. La note finale est la moyenne des notes des contrôles continus.

3.2. NOTE DU MODULE


Contrôles continus 100%, Part relative dans le module : Finance de l’entreprise : 1/3 Diagnostic financier : 1/3 Evaluation de l’entreprise : 1/3





165


Coordonnateur :


Nature

d’intervention*


finance

Economie

Finance

INSEA COURS

Intervenants :

Nom et Prénom


finance

Economie

Finance

INSEA COURS


166



English 4


Département d’attache




Important




167



Ce module vise à familiariser l’élève-ingénieur avec les outils des sciences sociales (terminologie, hypothèses, paradigmes, courants de pensée ; problématiques). Une partie de module se déroulera sous forme de Lectures Dirigées (LD).



Les cours s’adressent à tout étudiant ayant accédé à l’INSEA.

1.3. VOLUME HORAIRE

Elément(s) du module

Volume horaire (VH)

Cours LD TP Activités Pratiques Evaluation VH global

Droit du travail 14 2 16

L'Ecrit Professionnel 14 2 16

Professional English 2 14 2 16


% VH 87.5% 12.5% 100%




Intitulé du cours : Professional English 2

Département :

Objectifs du cours : Public Speaking and Public Policy

Plan du cours :

1- Introductions

The present course design is planned for ESP students. Paying special attention to the issues

mentioned above, this course would be designed as a content-based language course program

with the following criteria:

The course is a self-contained program consisting of several modules.

The process of learning is as important as the product.

The course would be comprised of many tasks. The tasks are steps to complete the final

168

product.

The course is sequenced by the steps in accomplishing the final product.

Language is given more emphasis than content. Four-skill training is integrated into

every task.

1- Public Speaking : theories

2- Public Speaking : Practicing

3- Readings : Public Policy

4- Public Policy and International Development

5- Public Policy and Gender

6- Public Policy and Human Development : Cases

7- Students Presentations



Intitulé du cours :L'Ecrit Professionnel Département :Statistique et Démographie

Objectifs du cours : Introduction aux bases de la communication

Plan du cours : Communication 4

I- LES ECOLES DE COMMUNICATION

a) Palo Alto

b) PNL

c) Analyse transactionnelle

d) L’ennéagramme

e) Process-com

II- REDACTION DU RAPPORT DE SAGE

a) Rédaction du rapport de stage d’application.

b) Présentation et soutenance d’un rapport d’application

Méthode d’évaluation et régime d’examens : /_/ Contrôle continu /_/ Examen final


Intitulé du cours :Droit du travail

Département :Statistique et Démographie

I /Les sources du droit social

Loi (code du travail)

Jurisprudence,

conventions collectives,

Conventions internationales.

Partie I. Les relations individuelles de travail

169

Chapitre i. Le contrat de travail

Définition et caractéristiques Conclusion du contrat de travail : forme, contenu et clauses : exemples de clauses de dédit-

formation, de non-concurrence et de période d'essai.

Les différents types de contrat : CDI, CDD, contrats temporaires.

Exercices et cas pratiques relatifs à l’étude d’exemples de contrats de

travail.

Chapitre II. Les événements affectant l'exécution du contrat de travail

La modification du contrat ou le simple changement des conditions de travail.

Les différents cas de suspension du contrat de travail : maladie ; accident de travail ;

congés familiaux...

La mise en œuvre du pouvoir disciplinaire.

Chapitre III. La rupture du contrat de travail

La démission.

Le licenciement

L’inspection du travail : rôle et missions.

Partie II. Les relations collectives du travail

Chapitre I. La représentation au sein de l’entreprise

Le rôle et les missions de chaque institution représentative au sein de l’entreprise.

Les négociations collectives.

Chapitre II. L’hygiène et la sécurité au travail

Le comité d’hygiène et de sécurité

Rôle et missions de ce comité

Méthode d’évaluation et régime d’examens : /50%_/ Contrôle continu /50%_/ Examen

final









170

3. EVALUATION




3.2. NOTE DU MODULE







Coordonnateur :


Nature

d’intervention*

CHERKAOUI Abderahim


INSEA Cours, LD

Intervenants :

Nom et Prénom

CHERKAOUI Abderahim


INSEA Cours, LD

Français

Anglais


171


Intitulé du module BIG DATA






Important




172



Ce module sera composé de deux éléments principaux : Big data Platforms et et Big data languages L’objectif du premier élément est d’étudier les différentes questions et solutions théoriques et pratiques proposées dans la cadre de gestion des données massives : - Plateforme Haddop - Paradigme MapReduce - Identifier les différences des BDD SQL et des BDD NoSQL - Évaluer les avantages et les inconvénients inhérents aux technologies NoSQL - Analyser les principales solutions du monde NoSQL - Identifier les champs d'application des BDD NoSQL - Comprendre les différentes architectures, les modèles de données, les implémentations

techniques. L’éléments Big data languages se focalisera sur :

Les bases de la programmation en Scala.

Les aspects avancés de la programmation en Scala.

Les avantages de la programmation fonctionnelle avec Scala et sa robustesse pour la programmation parallèle.

Les principaux cas d’usages de Scala en Big data.

La programmation parallèle avec Scala sur Spark

La programmation parallèle avec Scala sur Hadoop.

Etude de cas complet


(Indiquer les modules requis pour suivre ce module et le semestre correspondanten respectant la progression des enseignements d’un semestre à l’autre et d’une année à l’autre). Les modules :

Architecture des ordinateurs

Systèmes d'exploitation

Programmation Orientée Objet avancée

Bases de données avancées

1.3. VOLUME HORAIRE



Big data Platforms 12 4 10 2 28

Big data languages 12 14 2 28


% VH 43% 7% 43% 0% 7% 100%

173



Elément 1 : Big data Platforms 1. Introduction

2. L’écosystème Big Data

Big Data analytique : l'écosystème Hadoop.

Stockage et traitements. Les différentes formes de stockage dans HDFS : SequenceFile,

Apache Parquet.

Différents types de traitements : MapReduce, Graphe orienté acyclique, flux, Machine

Learning, de graphes distribué...

Les architectures Big Data :traitements batch, micro-batch, flux. Architecture Lambda,

architecture Kappa.

Les outils intégrés : Apache Spark, Apache Flink.

Les outils d'analyses de données : développement pour l'analyse Big Data, les outils du

Data Scientist.

La pérennité des outils du Big Data analytique devant l'évolution très rapide des

frameworks.

Démonstration

Démonstrations de l'usage d'une plate-forme intégrée de Big Data analytique comme

Apache Spark.

3. NoSQL

L'historique du mouvement NoSQL.

Les différentes approches de gestion de BDD à travers le temps : hiérarchiques,

relationnelles, objets, XML, NoSQL.

Les grands acteurs à l'origine du mouvement NoSQL et du Big Data analytique : Google

et Amazon.

Données structurées, semi-structurées et non-structurées : provenance, typologie...

Vue synoptique des différents types de moteurs NoSQL du point de vue du modèle de

données.

Le NoSQL, le Big Data et les architectures Cloud: principes d'architecture communs et

divergents.

Les modes de distribution : avec maître et décentralisé.

Le positionnement du NoSQL au sein du Big Analytics : de l'ère de la transaction à l'ère

de l'interaction.

Réflexion collective

Pourquoi le NoSQL ? Et pourquoi son succès ? Les besoins, l'évolution des architectures,

la distribution et l'élasticité, le commodity hardware, quelques scénarios d'utilisation.

4. Le Relationnel et le NoSQL

Les bases de données relationnelles : leurs forces et leurs limites.

Structuration forte des données (schéma explicite) versus structure souple (schéma

implicite) et la modélisation Agile.

Des qualités ACID aux qualités BASE.

Théorème CAP (cohérence, disponibilité, tolérance au partitionnement).

Les différents niveaux de cohérence.

Le langage SQL, la performance des jointures. L'accès par la clé en NoSQL.

L'évolution vers le distribué : extensibilité verticale et horizontale.

Comprendre le NoSQL par le modèle de l'agrégat et de la centralité de la donnée.

Réflexion collective

174

Comment choisir ? (Le modèle de l'agrégat versus le modèle relationnel), comment gérer

l'interopérabilité ?

5. Les mondes du NoSQL

Monde du NoSQL à travers ses choix techniques et différentes bases NoSQL libres (du

moins structuré au plus structuré).

L'architecture distribuée : principes, le shared-nothing.

Disponibilité et cohérence différée : gossip, timestamps, vectorclock, règle de majorité,

arbre de Merkle.

Les patterns et les modèles. Comment modéliser et travailler efficacement en NoSQL.

Différents modèles de connexion avec le client : sur cluster décentralisé, protocoles

comme Thrift ou ProtoBuf, REST...

Les bases orientées clé-valeur et en mémoire : Redis, Riak, Projet Voldemort, Aerospike.

Les bases orientées documents : Le format JSON. Couchbase Server, MongoDB,

Elasticsearch.

Les bases orientées colonne distribuées pour le Big Data opérationnel : Hadoop, Hbase,

Cassandra, Accumulo...

Les moteurs orientés graphes : Neo4j, OrientDB...

L'écosystème Hadoop : les différences avec les SGBDR, les relations avec le NoSQL.

Démonstration

Démonstrations techniques, du point de vue de développement, de la mise en œuvre et de

l'administration, des principaux moteurs NoSQL libres.

Elément 2 : Big data Languages 1. Vu sur les langages les plus utilisés en Big Data

2. Introduction à Scala

Historique de Scala : a Scalable Language.

Aperçu de Scala : un langage orienté objet, fonctionnel, à typage statique et extensible.

Pourquoi Scala ?

Comparaison de Scala avec les autres langages de programmation.

3. Votre première interaction avec Scala

Apprendre à utiliser l’interpréteur Scala.

Présentation de la syntaxe Scala.

Définition de quelques variables et fonctions.

Votre premier script Scala.

4. Les bases du langage Scala : Partie 1

Les paradigmes de programmation fonctionnel et orienté objet dans Scala.

La compilation et l’exécution.

La syntaxe et les éléments de base de Scala : les variables, les structures de contrôle, etc.

Les classes et les objets.

Les types de base et les opérations.

Les objets fonctionnels.

Les fonctions et les closures.

Contrôle de l’abstraction.

5. Les bases du langage Scala : Partie 2

Héritage et composition.

Hiérarchie de Scala.

Les Traits.

Les packages et les imports.

Les assertions et les unités de test.

Les listes et les collections.

175

StatfulObjects.

Les annotations.

Les principales API de Scala.

Gestion et automatisation de production des projets Scala avec SBT.

6. Aspects avancés de Scala

Combinaison de Scala et Java.

Le modèle d’acteur et la programmation concurrente.

Combinatorparsing.

7. Scala et Spark

Introduction à Spark.

RDDs : Resilient Distributed Datasets.

Les opérations de base de Spark.

Les transformations et les actions.

Persistance des RDDs : quel niveaau de stockage choisir.

Les variables partagées.

Exemple de Spark.

8. Scala et Hadoop

Présentation de la librairie Scoobi : a Scala Library for Hadoop.

Exemple d’utilisation de la librairie Scoobi sur Hadoop.






3. EVALUATION



Examen final

176

3.2. NOTE DU MODULE


La note finale du module est NM = Big data Platforms *0,5+ Big data Languages *0,5






Coordonnateur :


Nature

d’intervention*

IMADE

BENELALLAM

PH Informatique

et Intelligence

Artificielle


encadrement de

stage, de projets

Intervenants :

Nom et Prénom

IMADE

BENELALLAM

PH Informatique

et Intelligence

Artificielle


encadrement de

stage, de projets


.

177


Intitulé du module MACHINE & DEEP LEARNING


Département d’attache




Important




178



Ce module propose des enseignementsavancéssur les techniques de machine and deeplearning. Le premier élément a pour objectif d’introduire les nouvelles plateformes et méthodes d’apprentissage supervisé et non supervisé L’élément du deeplearning a pour objectif de préparer les étudiants à l’utilisation des méthodes de l’apprentissage profond et leurs utilisations dans les bases de données volumineuses. Les principales méthodes de deeplearning qui seront traités sont le réseau de neurones convolutif et le réseau de neurones récurrent.


(Indiquer les modules requis pour suivre ce module et le semestre correspondanten respectant la progression des enseignements d’un semestre à l’autre et d’une année à l’autre). Module s: Structures de données et programmation avancée Analyse de la régression et Analyse de données

1.3. VOLUME HORAIRE



Technologies du machine learning 10h 6h 6h 2h 24h

Deeplearning 10h 6h 6h 2h 24h


% VH 41,66% 25% 25% 8,33% 100%



Elément 1 : Technologies de Machine Learning

1. Introduction 1. Tensorflow 2. Graphs and Sessions 3. Basic operations, constants, variables

Control dependencies Data pipeline TensorBoard

4. Tensorflow's Optimizers tf.data Example: Birth rate - life expectancy, MNIST dataset

5. Variable sharing and managing experiments Interfaces Name scope, variable scope Saver object, checkpoints

179

Autodiff Example: word2vec

Elément 2 : Deep Learning 6. Introduction Générale 7. Introduction aux réseaux de neurones artificiels (ANN) 8. Entraînement et optimisation d’un réseau de neurones 9. Réseaux de neurones convolutifs (CNN) 10. Réseaux de neurones récurrents (RNN)




Support de Cours, Présentation, Exemples, Travaux pratiques sur machines et études de Cas

3. EVALUATION



Pour tous les éléments du module : Contrôle, Examen et Projet

3.2. NOTE DU MODULE


Elément 1 : technologies de Machine learning50% Elément 2 : Deeplearning50%




180



Coordonnateur :


Nature

d’intervention*

SAIDIMohamed Nabil

PH Informatique Informatique INSEA Cours/TD/TP

Intervenants :

Nom et Prénom

SAIDIMohamed Nabil

PH Informatique Informatique INSEA Cours/TD/TP


181


Intitulé du module ECHATILLONNAGE ET TRAITEMENT DES VALEURS

MANQUANTES






182



L’objectif de ce module est de fournir les outils statistiques permettant de

Sélectionner un échantillon représentatif des caractéristiques connues de la population ainsi que les techniques de redressement de ce dernier dans le cas où il n’est pas représentatif de la population.

Connaitre et comprendre les principes des principales méthodes de rééchantillonnage tout en sachant les adapter selon l’objectif visé et la nature des données.

Fournir les outils permettant de corriger les valeurs manquantes dues à la non-réponse.

Des exercices d’application des méthodes enseignées dans ce module sont proposés sous forme de travaux pratiques sous SPSS, SAS ou R.



5. Probabilités 6. Inférence Statistique 7. Modèle de régression

1.3. VOLUME HORAIRE



Techniques d’échantillonnage et de redressement

12 6 2 20

Méthodes de rééchantillonnage 14 2 16

Traitement des valeurs manquantes 12 6 2 20


% VH 71.43% 21.43% 10.71 100%



Fiche descriptive d'élément Intitulé du cours :Techniques d’échantillonnage et de redressement

Département :Statistique, Démographie et Actuariat Objectifs du cours :Approfondirles divers aspects théoriques et pratiques relatifs aux techniques de

sondage. Les aspects principaux abordés dans cet élément sont l’utilisation de l’information auxiliaire

afin d’améliorer la qualité des estimateurs des indicateurs de la population ainsi que la mesure de la

précision des estimations obtenues.

Pré requis : Probabilités, Inférence statistique, Modèle de régression.

183

Plan du cours :

Chapitre 1 : Notions de base de la théorie des sondages Plan de sondage Approches inférentielles Information auxiliaire Estimation des paramètres de la population

Chapitre 2 : Techniques d’échantillonnage Plans de sondage aléatoire simple Plan de sondage stratifié Plan de sondage en grappes Mise en œuvre des techniques de sondage avec SPSS et SAS

Chapitre 3 : Techniques de redressement en présence d’information auxiliaire Méthodes de redressement classiques : estimateur par ratio, estimateur post-stratifié et estimateur par la régression généralisée Techniques de calage Calcul des poids de redressement par calage en utilisant les logiciels R et SAS

Intitulé du cours:Méthodes de rééchantillonnage Département :Statistique, Démographie et Actuariat Objectifs du cours :Présenter les principales méthodes de rééchantillonnage : les tests par

permutations, la validation croisée, le Jackknife, le Bootstrap ainsi que des extensions du Bootstrap

appliquées par exemple aux modèles hétéroscedastiques (Wild Bootstrap), aux données dépendantes

(Block Bootstrap, Subsampling) ou massives (Bag of Little Bootstrap).

Pré requis : Probabilités, Inférence statistique, Modèle de régression, Techniques de sondage.

Plan du cours : 1. La mesure empirique

2. Tests par permutations

3. La validation croisée et le Jackknife

4. Le Bootstrap d’Efron

5. Autres méthodes de rééchantillonnage

Intitulé du cours :Traitement des valeurs manquantes Département : Statistique, Démographie et Actuariat

Objectifs du cours :Fournir la méthodologie à suivre pour corriger les valeurs manquantes tout en

présentant les techniques de traitement de ces valeurs ainsi que les critères de choix de ces techniques.

Pré requis : Probabilités, Inférence statistique, Modèle de régression, Modèle logistique, Techniques de

sondage.

Plan du cours : Chapitre 1 : Définition de la non-réponse et Inférence en présence de la non-réponse

Analyse des facteurs explicatifs de la non-réponse Traitements préalables à la correction de la non-réponse Echantillonnage à deux phases et mécanisme de non-réponse Estimation des paramètres de la population

Chapitre 2 : Techniques de traitement des valeurs manquantes

Techniques d’imputation Mise en œuvre des techniques d’imputations en utilisant le logiciel SPSS

Méthode d’évaluation et régime d’examens : /25%/ Contrôle continu /75%/ Examen final

184

Références bibliographiques : X. Les techniques de sondage, Pascal Ardilly, 2006, Edition Technip

I. Estimation in surveys with nonresponse, Särndal C-E et Lundström S., 2005,

Wiley.

II. Théorie des sondages, Tillé, Y., 2001, Donud. III. An introduction to the Bootstrap, Bradley Efron, Robert J. Tibshirani, 1993,

Chapman & Hall,






Exercices

3. EVALUATION



Contrôle écrit Examen final : /25%/ Contrôle continu /75%/ Examen final

3.2. NOTE DU MODULE


La note finale du module est NM =1/3 élément1 + 1/3 élément2 + 1/3 élément3




185


Coordonnateur :


Nature

d’intervention*

El Haj Tirari

Mohammed


Démographie et

Actuariat


Intervenants :

Nom et Prénom

El Haj Tirari

Mohammed


Démographie et

Actuariat



186


Intitulé du module STATISTIQUES POUR LE BIG DATA






Important





187


LaprincipaledifficultédustatisticienfaceauxdonnéesduXXIèmesiècleestdevaincrelefléaudelagrande dimension. Cefléauopposeauxstatisticiensdeuxdifficultés: d’unepartilrendlesméthodesstatistiquesclassiquestotalementinopérantesparmanquedeprécision,d'autrepartilobligeàdévelopperdes approches gardantsouscontrôlelacomplexitéalgorithmiquedesprocéduresd'estimation.Ce module donneauxétudiantslesoutilsstatistiquesnécessairesetlaméthodologieadéquatepourl’analysedesdonnéesmassivesenvue defairedesprédictions. Des exercices d’application des méthodes enseignées dans ce module sont proposés sous forme de travaux pratiques sous SAS ou R.



8. Probabilités 9. Inférence Statistique 10. Modèle de régression 11. Apprentissage statistique

1.3. VOLUME HORAIRE



Régression en grande dimension 20 6 2 28

Apprentissage statistique en grande dimension

20 6 2 28


% VH 71.43% 21.43% 7.14% 100%



Fiche descriptive d'élément Intitulé du cours :Régression en grande dimension Département :Statistique, Démographie et Actuariat Objectifs du cours :Fournir les outils statistiques permettant d’adapter les modèles de régression dans

le cas des données de grande dimension.

Pré requis : Probabilités, Inférence statistique, Modèle de régression linéaire, Modèle logistique.

Plan du cours :

Chapitre I : Introduction aux données de grande dimension Principe et définitions.

Rappel sur le modèle de régression linéaire. Problèmes rencontrés en présence de données de grande dimension

188

Chapitre 2 : Méthodes de régression linéaire pénalisée Régression Ridge. Régression LASSO. Régression ELASTICNET.

Chapitre 3 : Régression logistique pénalisée

Chapitre 4 : Régression parcimonieuses (Sparse) Régression sur composantes principales. Régression PLS. Méthodes parcimonieuses.

Intitulé du cours :Apprentissage statistique en grande dimension Département :Statistique, Démographie et Actuariat Objectifs du cours : Fournir les outils statistiques permettant d’adapter les méthodes d’apprentissage

statistique dans le cas de données de grande dimension.

Pré requis : Probabilités, Inférence statistique, Modèle de régression, Apprentissage statistique.

Plan du cours : Chapitre 1 : Modèles parcimonieux pourla classificationengrandedimension :

Modèles gaussiens parcimonieux

Inférenceet classification dansle cas supervisé

Inférenceet classification dans le cas non supervisé

Estimation des hyper-paramètres

Exemples d’applications sur des donnéesréelles

Chapitre 2 : Estimation dela dimensionintrinsèque :

Lemodèle PPCA isotropique

Estimation de ladimension intrinsèquepar maximum de vraisemblance


Chapitre 3 : Clusteringdiscriminatif :

Modèles latents discriminants: algorithmeFisher-EM

Inférenceet classification

Convergencede l’algorithme Fisher-EM


Chapitre 4 : Sélection devariables enclusteringparpénalisation :

Laversion Sparsedel’algorithmeFisher-EM

Choixdu paramètredepénalisation


Méthode d’évaluation et régime d’examens : /25%/ Contrôle continu /75%/ Examen final


1. Introduction to high-dimensional statistics, Giraud C., 2015 Chapman and

Hall.

2. Estimation and testing under sparsity,Van de GeerS. , 2016. Lecture Notes in

Mathematics 2159. Springer.

ETC.

189







Exercices

3. EVALUATION



Contrôle écrit Examen final

/25%/ Contrôle continu /75%/ Examen final

3.2. NOTE DU MODULE


La note finale du module est NM = 0,5 élément + 0,5 élément2




190


Coordonnateur :


Nature

d’intervention*

El Haj Tirari

Mohammed


Démographie et

Actuariat


Intervenants :

Nom et Prénom

El Haj Tirari

Mohammed


Démographie et

Actuariat



191


Intitulé du module APPRENTISSAGE PAR MARKOV CACHE ET FILTRAGE


Département d’attache Statistique, Démographie et Actuariat




192



Ce module introduit, dans sa première partie, les techniques de l’inférence des chaines de Markov (CM) (estimation de la matrice de transition et test de validation d’une CM). La première partie vise aussi à présenter à l'étudiant les notions et définitions relatives aux chaines de Marko Cachés (CMC) ainsi que la technique d’apprentissage par les CMC. La deuxième partie de ce module propose une introduction au filtrage optimal en temps discret, c'est-à-dire au problème de l'estimation de l'état d'un système à partir d'un modèle a priori et de mesures bruitées. Les modèles considérés, pour lesquelles il est possible de donner une solution exacte, calculable de façon récursive sont les systèmes linéaires gaussiens, avec le filtre et le lisseur de Kalmanet les extensions aux systèmes non linéaires : filtre de Kalman étendu et filtre de Kalman unscented.



12. Module Processus Stochastique 13. Module Inférence I et II

1.3. VOLUME HORAIRE



Modèles de Markov Cachés 22 2 24

Filtrage 22 2 24


% VH 92% 8% 100%



Fiche descriptive d'élément Intitulé du cours :Modèles de Markov cachés Département :Statistique-Démographie-Actuariat Objectifs du cours : Pré requis : Processus Stochastiques, Inférence I et II Plan du cours : Chapitre 1 :Inférence des Chaines de Markov

1. Retour sur la Simulation des chaînes de Markov. Algorithme de Metropolis Algorithme de Metropolis-Hastings Echantillonnage de Gibbs

193

Algorithme Acceptation-Rejet Metropolis-Hastings

2. Matrice de dénombrement des transitions d'une chaîne de Markov 3. Estimation par le maximum de vraisemblance (EMV) de la matrice de transition 4. Test de Khi-deux pour validation d'une chaîne de Markov

Chapitre 2 :Modèles de Markov cachées

1. Chaînes de Markov cachées discrètes Exemple introductif Production d'une séquence d'observations par simulation

2. Les trois problèmes fondamentaux d'un HMM Evaluation de la probabilité d'observation Méthode de Forward ou progressif Méthode Backward ou rétrogressif Algorithme de Viterbi Algorithme de Baum-Welch Méthode de BAUM-WELCH

3. Modèles de Markov cachés continu Méthodes de Monte Carlo par chaînes de Markov Echantillonnage de Gibbs Algorithme de Metropolis-Hastings hybride Metropolis-Hastings hybride en interaction

4. Les HMM comme règles de classification de séquences Les trois problèmes des HMM . Les HMM et la classification bayésienne L'évaluation de la probabilité d'observation Le calcul du chemin optimal : l'algorithme de Viterbi L'apprentissage Applications


11. Cappé. O, Moulines. E and Rydén, T. Inference in Hidden Markov Models 2011

12. Ycart. B, Modèles et algorithmes markoviens. Springer-Verlag, 2002. 13. Mitchell. T, Apprentissage artificiel-concepts et algorithmes. Eyrolles, 2003

Fiche descriptive d'élément Intitulé du cours :Filtrage Département :Statistique-Démographie-Actuariat Objectifs du cours : Pré requis : Processus Stochastiques, Inférence I et II Plan du cours : Chapitre 1 :Filtrage de Kalman

Systèmes linéaires gaussiens Filtre de Kalman Lisseur de Kalman

Chapitre 2 :Extensions aux systèmes non–linéaires 27 3.1 Filtre de Kalman linéarisé, filtre de Kalman étendu Filtre de Kalmanunscented

Chapitre 3 :Systèmes non–linéaires non–gaussiens, et extensions Equation d’etat (modèle a priori)

194

Equation d’observation (modèle de capteur)

Chapitre 4 :Filtre bayésien optimal Représentation probabiliste Equation récurrente Approximation particulaire


1. Andrew H. Jazwinski, Stochastic Processes and Filtering Theory. Dover Publications, Mineola NY, 2008 (publié à l'origine par Academic Press, New York, 1970).

2. Brian D. O. Anderson and John B. Moore, Optimal Filtering. Dover Publications, Mineola NY, 2005 (publié à l'origine par Prentice-Hall, Englewood Cliffs, 1979).

ETC.







Exercices

3. EVALUATION



Contrôle écrit Projets Examen final Ctrl*0.20 + Examen*0.50+0.30*Projet

195

3.2. NOTE DU MODULE


La note finale du module est NM = 0,5 élément 1 + 0,5 élément 2





Coordonnateur :


Nature

d’intervention*

El Haj Tirari PH statistique Statistique-

Demographie-

actuariat


Intervenants :

Nom et Prénom

EL QALLI Yassine PA Finance Economie et

Finance



196


Intitulé du module Métaheuristiques& Optimisation Stochastique

&Méthodes de décomposition






Important




197



Métaheuristiques :

Etudier les algorithmes approximatifs pour la résolution de problèmes difficiles pour ensuite développer et programmer une application en travaux pratiques

Optimisation stochastique :

Ce cours a pour objectif de formuler et d’étudier les problèmes d'optimisation sous incertitude, c’est à dire des problèmes d’optimisation dans lequel les données sont sujettes à l'incertitude, ou des problèmes dont on doit prendre en compte les informations et les valeurs révélées des données au cours des étapes du processus d'optimisation. Le but de ce cours est également de concevoir des algorithmes pour résoudre numériquement des problèmes d’optimisation stochastique.

Méthodes de décomposition Ce cours propose d’étudier les méthodes de décomposition (Benders, Dantzing-Wolf).



14. Métaheuristiques : savoir programmer. 15. Optimisation stochastique : Optimisation continue, Calcul de probabilités 16. Méthodes de décomposition : Programmation linéaire, programmation non linéaire, modèles

discrets.

1.3. VOLUME HORAIRE



Métaheuristiques 22 2 24

Optimisation stochastique 20 2 22

Méthodes de décomposition 14 2 16


% VH 91% 9% 100%



Fiche descriptive d'élément Métaheuristiques CH 1. Complexité des problèmes et algorithmes efficaces CH 2 .Heuristiques I. Présentation d’un problème de recherche opérationnelle

198

II. Heuristique de résolution pour le problème CH 3 . Métaheuristiques I. METHODES DE DESCENTE I.1 Principe des méthodes de descente I.2 Voisinage d’une solution I.3Quelques voisinages habituels I.4Schéma général d’une descente II. LE RECUIT SIMULE II.1 Une analogie avec la thermodynamique II.2 Schéma du recuit simulé II.3 Modèles de recuit

III. LA METHODE TABOU III.1 Principe de la méthode Tabou III.2 Améliorations de la méthode Tabou IV. ALGORITHMES GENETIQUES IV.1 Opérateurs de base IV.2 Principe général des algorithmes génétiques V. ALGORITHME DE COLONIES DE FOURMIS VI. AUTRES METAHEURISTIQUES VII. TRAVAUX PRATIQUES Optimisation stochastique

I. Modèles de la programmation stochastique II. Optimisation stochastique statique (Problème de recours en une étape)

III. Problèmes de recours en deux étapes (Résolution sur arbre de scénarios) IV. Optimisation stochastique en plusieurs étapes (Résolution par scénarios) V. Contrôle stochastique à temps discret (Résolution par la programmation dynamique

stochastique) VI. Travaux pratiques et dirigés pour compléter le cours.

Références bibliographiques : 14. Dynamic Programming and Optimal Control (D. P. Bertsekas)

15. StochasticMulti-stageOptimization(P. Carpentier, J.-P. Chancelier, G. Cohen, and M. De Lara)

16. Lectures on stochastic programming: modeling and theory (A. Shapiro, D. Dentcheva, and

A. Ruszczynski.)

Méthodes de décomposition

I. Approches de restrictions

Décomposition de Dantzing Wolf cas linéaire

Décomposition de Dantzing Wolf cas non linéaire

Génération de colonnes II. Approches de relaxation

Principe de l’approche de relaxation

Décomposition de Benders cas linéaire

Méthode de Benders généralisée. III. Redistribution des termes de droites.

199




1. Métaheuristiques : Cours-TD Polycopié Diapositives Didacticiels Travaux pratiques 2. Optimisation stochastique Le cours est une succession de fiches. Pour chaque fiche : Présentation du concept, Illustration à travers un exemple d'application, Exercices et travaux pratiques 3. Méthodes de décomposition : Cours-TD Polycopié Diapositives Didacticiels Travaux pratiques

3. EVALUATION



1. Métaheuristiques : : 0,15 Contrôle continu, 0,7 examen,0,15 travaux pratiques 2.Optimisation stochastique : 0,3 Contrôle continu, 0,7 examen final 3. Méthodes de décomposition : 0,15 Contrôle continu, 0,7 examen,0,15 travaux pratiques

3.2. NOTE DU MODULE


3/8 Métaheuristiques+ 3/8Optimisation stochastique + 2/8Méthodes de décomposition




200


Coordonnateur :


Nature

d’intervention*

Kadrani

Abdeslam




Intervenants :

Nom et Prénom

Kadrani

Abdeslam







OUZINEB

Mohamed





201


Intitulé du module ENTREPREUNARIAT IV






202


1.1. OBJECTIFS DU MODULE Ce module sera présenté sous forme de séminaire d’ouverture aux métiers de Data Scientist, de la digitalisation et de l’industrie 4.0. Plusieurs intervenants socio-économiques seront invité à présenter des études de cas réelles.



1.3. VOLUME HORAIRE



Séminaires 54 4 58


% VH 0% 0% 0% 93% 7% 100%


Fournir une description détaillée des enseignements et/ou activités pour les différents éléments de module (Cours, TD, TP, Activités Pratiques, évaluation) Elément 1 : séminaires

Présentation des rapports de synthèse sur les séminaires

Evaluation


Exposés liés aux séminaires animés par les intervenants professionnels



Vidéo projecteur Support de séminaire

3. EVALUATION



203

Contrôle continu Exposés

3.2. NOTE DU MODULE







Coordonnateur :


Nature

d’intervention*

Imade benelallam

PH Informatique Informatique INSEA encadrement de stage, de projets

Intervenants :

Nom et Prénom

Intervenants sociaux

économiques


204

DESCRIPTIF DU PROJET DE FIN D’ETUDES

(PFE)

Important

1. Ce formulaire, dûment rempli, doit être joint au descriptif de la filière.



205

1. OBJECTIFSDU PFE

Le PFE constitue une composante essentielle du cursus de la filière DS puisqu’il est destiné à mettre en œuvre et illustrer les connaissances et les savoirs faire acquis au cours des cinq semestres d’études. L’étudiant doit réaliser un projet qui traite une problématique de Data Science, proposée par le secteur professionnel et de teneur scientifique d’un niveau jugé convenable par l’encadrant de l’INSEA, dont la résolution nécessite de bonnes connaissances de la spécialité Data Science. L'étudiant doit remettre un rapport dès la fin du stage. Chaque sujet de mémoire de fin d’études doit être soutenu devant un jury composé d'enseignants de l’INSEA et du tuteur en entreprise à partir de mi-juin.

2. DUREE DU PFE

Le sixième et dernier semestre de la formation du Cycle Ingénieur est consacré à la réalisation d'un projet de fin d'études (PFE)

3. LIEU

Le projet de fin d’études(PFE) est spécifique à la filière. Il est obligatoire et doit être réalisé de préférence en milieu professionnel socioéconomique (dans un organisme à caractère industriel, administratif ou commercial lié au secteur informatique), afin que, d’une part, les étudiants soient mieux imprégnés des réalités et de la vie de l’entreprise, qu’ils comprennent le fonctionnement et les spécificités du milieu socioprofessionnel sur les plans aussi bien techniques, financiers qu’humains et que, d’autre part, ils puissent traiter des problèmes pratiques « réels » en prélude à leur activité professionnelle future.

4. ACTIVITES PREVUES

Le PFE doit s’inscrire dans le domaine de spécialisation de l’étudiant. Il comprend, en général, cinq phases principales : - Recherche bibliographique. - Position du problème - Problématique et méthodologie. - Analyse, conception et/ou programmation. - Rédaction du rapport selon le modèle adopté par l’INSEA. Pour cela, chaque projet devra faire l’objet obligatoirement des productions suivantes : 1- Le Diaporama de la soutenance. 2- Les résumés en Français, arabe et anglais. 3- Une étude de cas exploitant le travail réalisé dans le cadre du PFE.

5. ENCADREMENT DU PFE

Le PFE s'effectue sous la double supervision d'un enseignant-chercheur et d'un responsable scientifique ou technique au sein de l'organisme d'accueil.

206

6. MODALITES D’EVALUATION

A l’issue du PFE, l’étudiant est appelé à déposer un rapport de PFE en six exemplaires et effectuer une soutenance publique devant un jury constitué de ses encadrants interne et externe et un examinateur désigné par le coordinateur de la filière. Ce jury affecte une note sur 20.

7. MODALITES DE VALIDATION

(Préciser notamment la note minimale requise pour la validation du PFE)

Le PFE est validé si la note attribuée par le jury de la soutenance est supérieure ou égale à 12/20

D’UNE FILIERE DU CYCLE INGENIEUR

Documents

Transcript of D’UNE FILIERE DU CYCLE INGENIEUR