Spécialité Ingénierie mathématique pour les sciences du vivant

Objectifs scientifiques et pédagogiques

L’objectif des enseignements est de former des étudiants (titulaires d’un L3 de mathématiques fondamentales ou de mathématiques appliquées) en statistique et modélisation, en vue principalement d’applications en biologie, épidémiologie, économie de la santé, sciences sociales.

La première année

La première année comporte les outils de base en statistique, informatique et mathématiques appliquées avec des enseignements d’ouverture destinés à préparer la spécialisation de deuxième année.

La seconde année

Elle complète l’apprentissage des modélisations et des outils informatiques et statistiques, et propose un choix entre les domaines d’application visés. Cette deuxième année est accessible aux étudiants venus de M1 en ingénierie mathématique ou statistique d’autres universités. Les étudiants seront à l’issue de la formation capables d’appréhender à la fois des modèles, des procédures statistiques et des données via des logiciels. Un stage long en semestre S4 leur permettra d’asseoir ces compétences.

Objectifs professionnels et débouchés

Cette spécialité professionnelle a pour objectif la formation d’ingénieurs d’étude en statistique, de chargés d’études statistiques orientées vers l’épidémiologie, les essais cliniques, l’économie de la santé, les sciences sociales. Les métiers visés sont ceux de biostatisticiens, statisticiens épidémiologiste, responsables d’études de données. De nombreux débouchés sont offerts dans des unités Inserm, les services statistiques en milieu hospitalier, les observatoires régionaux de la santé (ORS), les unités de recherche en épidémiologie nutritionnelle (UREN) et les agences et instituts techniques tels que l’InVs (Institut de veille sanitaire), l’INCA (Institut national du cancer), l’ANRS (Agence de recherche nationale sur le SIDA), l’AFSSA (Agence française de sécurité sanitaire des aliments), les CPAM… Le secteur de l’économie de la santé a également des besoins pour l’évaluation et la gestion des risques sanitaires. La spécialisation vers les sciences sociales offre des débouchés en direction des services statistiques des instituts de sondage ou de planification. La formation permet aussi de rejoindre des services statistiques plus généralistes (assurances, banques, grandes entreprises).

Programme des deux années

M1 Semestre 1 (ingenierie mathématique appliquée aux sciences du vivant)
UE bases statistiques
Estimation et tests paramétriques (MML1E11)

Estimation et tests paramétriques (MML1E11)

cours: 15h TD: 15h

Objectifs :

Bases des statistiques paramétriques.

Compétences acquises :

Lois classiques, estimation, intervalles de confiance, tests paramétriques.

Programme:

Chap.1 Introduction et rappels.- Lois classiques, discrètes et continues, calcul de lois- lois gaussiennes et associées (Student, Khi2, Fisher)- Convergences de suites de variables aléatoires : loi des grands nombres, Théorème Central LimiteChap.2 Méthodes d'estimation- Définitions générales : estimateur, consistance, biais, risque quadratique, limite en loi, intervalle de confiance- Méthodes de substitution : méthode des quantiles, méthode des moments.- Méthode du maximum de vraisemblance.Chap.3. Intervalles de confiance.Généralités et exemples.Chap.4. Tests paramétriques.- Définitions générales, hypothèses simples, complexes; zone de rejet, niveau, erreur de première et deuxième espèce, puissance, p-valeur.- Dualité intervalle de confiance-test- Tests pour deux échantillons gaussiens (égalité des variances, des moyennes à variances égales).

Tests non paramétriques (MML1E12)

Tests non paramétriques (MML1E12)

cours: 15h TD: 15h

Objectifs :

Présenter les principaux tests non paramétriques basés sur les rangs et les statistiques d'ordre.

Compétences acquises :

Staistiques de rang et d'ordre ; Construction de tests ; puissance d'un test ; Comparaison avec les tests paramétriques ; Capacité à comprendre/utiliser des tests non vus en cours (vu la très grande diversité des tests existants).

Programme:

- Vocabulaire et principe des tests - Etude d'un échantillon isolé (test du signe, des rangs signés, d'adéquation à une loi)- Comparaison de plusieurs échantillons (Wilcoxon-Mann-Whitney, Kruskal-Wallis, Friedman)- Problèmes à plusieurs variables (Spearman, Kendall, Khi-deux d'indépendance)- Gain de puissance à l'aide du bootstrap

Analyse de données (MLK5UAO)

Analyse de données (MLK5UAO)

cours: 18h TD: 24h

Objectifs :

Ce cours comporte trois volets : un exposé théorique des méthodes utilisant les connaissances acquises en algèbre linéaire et bilinéaire ; une argumentation statistique à partir de petits exemples concrets, basée sur des résultats numériques et graphiques ; des études de cas avec mise en oeuvre des méthodes sur des données réelles en vraie grandeur, et nécessitant un traitement informatique.

Compétences acquises :

Maîtrise des méthodes de régression linéaires, d'analyse en composantes principales et de classification sur des données réelles.

Programme:

Régression simple et multivariéeClassificationAnalyse en composantes principalesAnalyse des correspondances

UE Outils informatiques 2 ECUE à choisir parmi
Programmation (MML1E21)

Programmation (MML1E21)

cours: 15h TP: 15h

Objectifs :

L'objectif de ce cours est de familiariser les étudiants avec la programmation et avec les logiciels de calcul scientifique.

Compétences acquises :

Connaître et maîtriser les structures basiques de la programmation (variables, scripts, boucles, récursivité) et les limites du calcul numérique. Etre capable de concevoir et de programmer des algorithmes simples dans un langage fonctionnel (par exemple Scilab, Matlab, Octave, R), afin de résoudre numériquement des problèmes de calcul scientifique et/ou de simuler des phénomènes concrets issus de différents domaines applicatifs (physique, biologie, etc.).

Programme:

Chaque séance donne lieu à l'implémentation d'algorithmes classiques d'analyse numérique. 1. Introduction2. Résolution de systèmes linéaires (Gram-Schmidt, décomposition LU)3. Traitement d'images (filtres et débruitage)4. Analyse de données (moindres carrés, K-means, RANSAC)5. Résolution d'équations non linéaires (dichotomie, Newton-Raphson)6. Simulations de phénomènes aléatoires

Bases de données (MLL3U3O)

Bases de données (MLL3U3O)

cours: 18h TD: 24h

Objectifs :

Ce module à pour objectif de former les étudiants à l'utilisation et à la conception Bases de Données au sein d'un système d'information

Compétences acquises :

Savoir concevoir un modèle conceptuel de données à partir d'un cahier des chargesSavoir utiliser une base de données à partir du langage SQL

Programme:

§ Objectifs des systèmes de gestion de données§ Notion de modèle de données, de langage de définition et de manipulation de données§ Conception d'un modèle conceptuel de données avec l'approche entité-association§ Modèle relationnel de données§ Algèbre relationnelle§ Dérivation d'un modèle conceptuel de données en un schéma de base de données relationnel§ Définition et manipulation des données en SQL§ Vérification des contraintes d'intégrité en SQL : clés, assertions, déclencheurs§ SQL embarqué§ Modèle relationnel de données enrichi par les dépendances fonctionnelles§ Gestion de la concurrence dans les systèmes de gestion de données : les transactions§ Définition et gestion des droits d'accès des utilisateurs en SQL

POO : initiation (MML1E23)

POO : initiation (MML1E23)

cours: 15h TD: 15h

Objectifs :

Ce cours a pour objectifs de donner un premier aperçu de la programmation orientée objet et d'étudier le langage Java pour écrire des algorithmes et des petits programmes en orienté objet.

Compétences acquises :

Savoir écrire des algorithmes en JavaSavoir écrire en Java des programmes simples en orienté objetSavoir utiliser les classes de l'API standard Java, en s'appuyant sur leur documentation

Programme:

Bases du langage, en particulier fonctions, structures de contrôles et tableaux. Programmation d'algorithmes en Java.Classes et Objets, constructeurs, méthodes, attributsUtilisation de classes de l'API standard JavaHéritage, polymorphismeClasses abstraites, interfaceDéfinition de classes

UE mathématiques appliquées 2 ECUE à choisir parmi
Optimisation, algorithmique (MML1E31)

Optimisation, algorithmique (MML1E31)

cours: 15h TP: 15h

Compétences acquises :

L'étudiant(e) apprend les notions fondamentales d'optimisation. Ces bases devront lui permettre d'aborder une grande partie des méthodes existantes afin de les adapter et appliquer à un problème donné.

Programme:

Rappels et compléments d'algèbre linéaire numérique :- factorisation LU et Cholesky pour systèmes linéaires ;- décomposition en valeurs singulières ;- résolution de systèmes au sens des moindres carrées ;Algorithmes de minimisation sans contrainte :- méthodes de descente, vitesse de convergence, minimisation en 1D ;- cas particuliers : méthode de descente du gradient, méthode de Newton et quasi-Newton, méthode du gradient conjugué, méthode de Gauss-Newton, méthode de Levenberg-Marquardt,Les algorithmes seront programmées et testées en travaux pratiquessur machine avec Scilab.

Classification (MML1E32)

Classification (MML1E32)

cours: 15h TD: 15h

Objectifs :

Les méthodes de classification permettent de faire des partitions d'individus en groupes ayant un comportement similaire. Ce cours a pour objectif de présenter quelques unes des principales méthodes de classification et de les mettre en œuvre sur des exemples concrets.

Compétences acquises :

L'étude théorique de différentes méthodes de classification et leur utilisation pratique sous le logiciel R.

Programme:

Classification non supervisée (Classification ascendante hiérarchique, Centres mobiles).Classification supervisée (Méthode CART, k plus proches voisins, Méthodes de rééchantillonnage (Validation croisée)).

Traitement linéaire du signal (MMK1E31)

Traitement linéaire du signal (MMK1E31)

cours: 15h TD: 15h



Phénomène de transport en biologie (MML1E34)

Phénomène de transport en biologie (MML1E34)

cours: 15h TD: 15h



UE ouverture 2 ECUE à choisir parmi
Biologie : cellule et génétique (MML1E41)

Biologie : cellule et génétique (MML1E41)

cours: 10h TD: 10h

Objectifs :

Connaître les schémas des cellules procaryote et eucaryote ainsi que les processus fondamentaux du fonctionnement des cellules.

Compétences acquises :

Acquisition du vocabulaire utilisé en biologie et des principales fonction des organites cellulaires

Programme:

- L’organisation de la cellule eucaryote et de la cellule procaryote- Les différents organites cellulaires : structure et fonctions- Les molécules biologiques : protéines et acides nucléiques- Les virus et leur organisation- Le cycle cellulaire et les fonctions de réplication et de transcription- Les membranes biologiques : structure, différenciation et transports

Epidémiologie : initation (MML3E32)

Epidémiologie : initation (MML3E32)

cours: 10h TD: 10h

Programme:

Notions de base, facteurs de risque, facteurs troublants. Etudes épidémiologiques : sondages, types divers d'études (transversales, des cohortes, notamment essais thérapeutiques, cas témoins, etc...).

Sociologie (MML1E43)

Sociologie (MML1E43)

cours: 10h TD: 10h

Objectifs :

Le cours vise à donner aux étudiants un large aperçu des usages dont les méthodes statistiques font l’objet en sociologie, et à familiariser les étudiants avec la réflexion méthodologique que la sociologie a développée au sujet de la mise en oeuvre des méthodes statistiques. Conçues en relation avec le cours, les séances de travaux dirigés sont consacrées, soit au commentaire de textes scientifiques, soit à la lecture et l’interprétation de résultats statistiques issus d’études sociologiques.

Compétences acquises :

Le travail de validation proposé permet aux étudiants d’acquérir la méthodologie de l’exposé écrit systématique et de la critique argumentée d’un article de recherche en sciences sociales.

Programme:

Séance 1. Séance d’introduction : objet de la sociologie et repères chronologiques sur l’histoire de la disciplineSéance 2. La notion de « classe » en statistique et en sociologieSéance 3. Analyse de quelques tableaux croisés classiques en sociologieSéance 4-5. L’analyse géométrique des données et les notions d’espace social et de champ Séance 6-7. La régression linéaire multiple et la régression logistique pour analyser les performances et parcours scolaires des enfants d’immigrés en FranceSéance 8. Le modèle log-linéaire d’un tableau de contingence pour mettre au jour les distances entre catégories sociales dans une table de mobilité sociale entre générationsSéance 9. Le modèle log-multiplicatif d’un tableau de contingence pour étudier l’évolution historique de l’inégalité des chances sociales devant l’enseignementSéance 10. Le modèle de régression multi-niveau pour analyser les effets de contexte sur les performances en lecture à l’école élémentaire

UE facultative
()
La description de ce module n'est pas encore disponible
M1 Semestre 2 (ingenierie mathématique appliquée aux sciences du vivant)
UE modélisation et statistiques 3 ECUE à choisir parmi
Modèles linéaires gaussiens (MMK2E23)

Modèles linéaires gaussiens (MMK2E23)

cours: 15h TD: 15h

Objectifs :

Les modèles linéaires gaussiens permettent de rendre compte et d'analyser les relations qui peuvent exister entre plusieurs variables. Très utilisés en statistique, ils couvrent le champ de la régression linéaire et celui de l'analyse de la variance. Ce cours a pour objectif de présenter les principaux éléments de théorie résultant de l'étude des modèles linéaires gaussiens, tout en abordant de manière concrète les situations classiques qui justifient l'utilisation de ces modèles.

Compétences acquises :

L'étudiant acquerra les bases théoriques et un savoir-faire sur les modèles linéaires gaussiens. Un accent particulier sera mis sur les modèles de regression simple ou multiple et sur les modèles ANOVA d'analyse de la variance à un ou plusieurs facteurs.

Programme:

1) Introduction aux modèles linéaires gaussiens.2) Modèles3) Estimation4) Tests5) Sélection de modèles.

Séries temporelles (MMK2E22)

Séries temporelles (MMK2E22)

cours: 15h TD: 15h



Chaînes de Markov (MMK2E21)

Chaînes de Markov (MMK2E21)

cours: 15h TD: 15h



Analyse de données approfondissement (MML2E14)

Analyse de données approfondissement (MML2E14)

cours: 15h TD: 15h

Objectifs :

maitrise des outils de base de l'analyse de données

Programme:

Rappels sur l'analyse en composantes principales, analyse discriminante.

UE applications
Etude de cas (MML2E21)

Etude de cas (MML2E21)

cours: 10h TD: 10h

Objectifs :

L'objectif de ce cours est de faire venir des professionnels de l'INSERM, L'INVS, l'INRA, ... afin de leur permettre d'exposer une études qu'ils ont eu à mener, en partant du problème concret de départ, en passant par la modélisation et le traitement, pour arriver aux résultats pratiques après traitements des données.

Compétences acquises :

pprendre à appréhender un problème concret sous sa forme brute, puis à le modéliser, le simplifier, afin de le traiter.

Programme:

*Chaque intervenant utilise entre deux et quatre séances de cours TD pour présenter les problèmes qu'il a rencontré et les étudier. Les intervenants et les domaines sont variables d'une année sur l'autre. Les étudiants peuvent ainsi mieux appréhender ce à quoi ils seront confrontés lors de leur stage de dernier semestre (semstre S4 du master IMSV).*

Logiciels statistiques (MML2E22)

Logiciels statistiques (MML2E22)

cours: 15h TP: 15h

Programme:

Initiation aux logiciels SAS, SPSS et SPAD

2 ECUE à choisir parmi
Bases pour l'analyse et la fouille de données (MMC2E33)

Bases pour l'analyse et la fouille de données (MMC2E33)

cours: 15h TP: 15h

Objectifs :

Le but de ce cours est d'initier les étudiants aux bases de la fouille de données. Dans ce cours sont abordées les méthodes classiques de visualisation, d'apprentissage non supervisé et supervisé.

Compétences acquises :

*Maîtrise des techniques de fouille données classiques afin d'extraire des connaissances à partir de bases de données de grande taille. L'utilisation de logiciels permettra de maîtriser la méthodologie combinant les différentes méthodes.*

Programme:

*Les Différents types de données**Statistique exploratoire univariée**Analyse bivariée**Règles d'association * *Apprentissage supervisé statistique (Régression, Discrimination, réseaux de neurones, arbres de décision, ...)**Evaluation des classeurs**Visualisation et réduction de la dimension**Apprentissage non-supervisé (k-moyennes, CAH, k-modes, SOM)**Etude de cas*

Séries temporelles, pratique (MML2E24)

Séries temporelles, pratique (MML2E24)

cours: 15h TD: 15h

Objectifs :

Base de la modélisation des séries temporelles en la somme d'une tendance, d'une composante saisonnière et d'un résidu aléatoire stationnaire ; Implémentation informatique de divers algorithmes de traitement des séries temporelles, travail sur des données réelles

Compétences acquises :

cf objectifs.

Programme:

Bases sur les séries temporelles, algorithmes d'identification de la tendance et de la saisonnalité, autocovariance et autocorrélation des processus du second ordre, processus ARMA.

Enquêtes et techniques d'échantillonnage (MML2E25)

Enquêtes et techniques d'échantillonnage (MML2E25)

cours: 15h TD: 15h

Objectifs :

Cet enseignement vise à comprendre les problématiques associées à la mise au point d’une enquête (questionnaire, mode d’administration et échantillonnage) en amont du terrain d’enquête.

Compétences acquises :

Echantillonnage, modes d’administration, formulation des questions.

Programme:

Introduction1/ Echantillonnage Définitions ; estimateur vs estimation ; intervalles de confiance ; les différents types d'échantillonnages aléatoires ; biais ; sondages non aléatoires2/ Modes d'administration Contraintes ; problèmes de représentativité ; comparaison des modes d'administration ; enquêtes par internet3/ Formulation des questions Principes ; biais4/ Applications

Modèles hiérarchiques (MML2E26)

Modèles hiérarchiques (MML2E26)

cours: 15h TD: 15h



UE ouverture
Atelier Cap Emploi (MML3E51)

Atelier Cap Emploi (MML3E51)

cours: 15h



2 ECUE à choisir parmi
Epidémiologie approfondissement (MML3E32B)

Epidémiologie approfondissement (MML3E32B)

cours: 15h TD: 15h



Sociologie, approfondissement (MMIM194B)

Sociologie, approfondissement (MMIM194B)

cours: 15h TD: 15h



Bases mathématiques du traitement d'image (MMK2E25)

Bases mathématiques du traitement d'image (MMK2E25)

cours: 15h TP: 15h

Programme:

Ce cours a pour but, à partir de problèmes inverses classiques en traitement d'images (restauration, segmentation) et en s'appuyant sur des applications bio-médicales, de présenter des techniques de mathématiques appliquées qui permettent de donner une réponse à ces problèmes :Approches linéaires (transformée de Fourier, en ondelettes),Approches géométriques (morphologie mathématique, EDP, contours actifs),Approches stochastiques (méthodes bayesiennes, champs markoviens...).Des chaînes de traitement utilisant plusieurs de ces approches successivement seront aussi présentées.

Statistiques pour la génomique (MMIM223)

Statistiques pour la génomique (MMIM223)

cours: 15h TD: 15h



Théorie de l'information (MMK2E26)

Théorie de l'information (MMK2E26)

cours: 15h TD: 15h

Objectifs :

La théorie de l'information, inventée par Shannon en 1948, est non seulement à la base de toutesles communications numériques actuelles, mais séduit aussi par sa portée mathématique, physique, et philosophique qui va bien au-delà. L'objectif de ce cours est de comprendre les concepts fondamentaux de la théorie de l'information, à commencer par la notion d'entropie.

Compétences acquises :

Notions élementaires de théorie de l'information: entropie, codage.Principes de la communication à travers un canal bruité.

Programme:

* Arbres de décision et entropie algébrique. * Entropie probabiliste. Propriétés. * Entropie conditionnelle. Information mutuelle. Distance de Kullback. * Propriété d'équirépartition asymptotique. Suites typiques. * Codage: codes réguliers, déchiffrables, complets, codes de préfixe. * Inégalité de Kraft. Premier théorème de Shannon. * Codage de Huffman, optimalité. Lien entre codage et détermination de stratégies optimales. * Taux d'entropie de sources avec mémoire. Codage Lempel-Ziv. * Communication à travers un canal bruité. Deuxième théorème de Shannon. Example du code de Hamming 7,4. ***

M2 Semestre 3 (ingenierie mathématique appliquée aux sciences du vivant)
UE Statistiques 4 ECUE à choisir parmi
Statistique non paramétrique (MML3E11)

Statistique non paramétrique (MML3E11)

cours: 15h TD: 15h

Objectifs :

L'objectif de ce cours est de présenter aux étudiants différentes méthodes d'estimation fonctionnelle. Ces méthodes peuvent être utilisées de façon autonomes ou bien afin de permettre de choisir un modèles paramétrique plus simple et plus facil à présenter à des professionnels ou des médecins.

Compétences acquises :

Méthodes de noyau avec sélection de fenêtre pour l'estimation fonctionnelle, méthodes de projection adaptatives.

Programme:

I. Rappels de statistique paramétrique, estimateur, risque quadratiqueII. Méthode de noyau pour l'estimation de la densité. 1) Définition, example 2) Risque ponctuel, compromis biais-varaiance, selection de fenêtre 3) Risque quadratique intégré 4) Cross validationIII. Méthodes de projection pour l'estimation de la densité. 1) Bases et espaces de projection (polynôme trigonométrqies, polynômespar morceaux, ondelettes) 2) Construction de l'estimateur, contraste 3) Risque quadratique intégré et compromis biais-variance 4) Sélection de modèle par pénalisation.IV. Généralisation à l'estimation non paramétrique de la fonction derégression.V. Méthodes non paramétrique en survie: estimation du hasard en présencede censure.

Durée de survie (MML3E12)

Durée de survie (MML3E12)

cours: 10h TD: 10h

Objectifs :

Les objectifs de ce cours sont d'analyser des données issues d’une étude de survie, de savoir interpréter les résultats et de savoir discuter les hypothèses des différents modèles. Dans un premier temps, la modélisation des durées de survie via des approches non paramétriques sera étudiée. Dans un second temps, l'ajustement sur des covariables sera considéré via le modèle de régression semi-paramétrique de Cox. Les hypothèses de validité de ce modèle seront également discutées.

Compétences acquises :

L'étudiant sera capable de formuler un modèle susceptible de convenir à ses données, de comparer les survies observées sur plusieurs groupes et de mettre en place le modèle de Cox. Un accent particulier est mis sur l'’interprétation des résultats et la mise en pratique via le logiciel R de tels modèles.

Programme:

- Généralités, Fonctions de survie, Relation entre les diverses fonctions de survie, Censure à droite- Estimation nonparamétrique des quantités de base (l'estimateur de Kaplan-Meier de la fonction de survie, l'estimateur de Nelson-Aalen de la fonction de hasard cumulée,...)- Tests d'hypothèse concernant l'égalité de deux ou plusieurs courbes de survie- Modèles à hasards proportionnels  - Modèle de Cox, Vraisemblance conditionnelle de Cox,- Estimations et tests dans le modèle de Cox - Analyse des résidus et extensions possibles du modèle de Cox

Modèle linéaire généralisé (MMK3E26)

Modèle linéaire généralisé (MMK3E26)

cours: 10h TD: 10h



Propagation épidémie (MML3E14)

Propagation épidémie (MML3E14)

cours: 10h TD: 10h

Objectifs :

Les objectifs de ce cours est d'étudier les modèles dynamiques déterministes de propagation des épidémies dans une population en vue d'en comprendre le mécanisme et ainsi de mieux les contrôler voire de les éradiquer. . Les modèles étudiés dans ce cours sont de types SIS, SIR, SIRS avec et sans effets démographiques de la population ; ils s'exprimerons sous la fome d'un système différentiel non linéaire et nous en étudierons l'aspect qualitatif de leurs solutions (recherche de points d'équilibres, nature de ces points, interprétation épidémiologique de ces points, stabilité locale, voire globale de ceux-ci,...).

Compétences acquises :

Sur la base de la description d'une maladie, savoir construire un modèle dynamique déterministe de type S(E)IS ou S(E)IR(S), de calculer le nombre R0, paramètre essentiel en épidémiologie mathématique et d'étudier la stabilité locale des points d'équilibre du modèle construit.

Programme:

Introduction à l'épidémiologie mathématiqueEquations différentiels : étude des points d'équilibre, stabilité locale, système planaire.Etude des modèles SI et SISEtude du modèle SIR sans naissance-mortEtude du modèle SIRS sans naissance-mortEtude des modèles SIR et SIRS avec naissances et morts

Génétique statistique (MML3E15)

Génétique statistique (MML3E15)

cours: 10h TD: 10h

Objectifs :

L'objectif de ce cours est de connaître les bases de la statistique génétique, qui cherche à établir des liens entre les génotypes et les phénotypes des individus, et notamment à déceler des marqueurs génétiques pour certaines maladies.

Compétences acquises :

Bases de la génétique, notion de distance génomique, locus, allèle, recombinaison ; Tests du caractère génétique d'une maladie ; Analyse de liaison ; Analyse d'association ; Utilisation de R pour des cas pratiques

Programme:

cf Compétences acquises.

UE informatique 2 ECUE à choisir parmi
Algorithmique Statistique (MML3E21)

Algorithmique Statistique (MML3E21)

cours: 15h TD: 15h



Bases de données avancées (MML3E22)

Bases de données avancées (MML3E22)

cours: 15h TD: 15h

Objectifs :

L'objectif de ce module est d'approfondir les concepts et l’architecture des bases de données relationnelles. Les pratiques de niveau simple jusqu’au niveau compliqué seront effectuées dans l’environnement ORACLE, la base de données la plus utilisée dans les entreprises.

Compétences acquises :

Connaissances sur les concepts et l’architecture physique, logique et process d’une base de données de nos jours. Connaissances approfondies du langage SQL, langage procedural, l’intégration avec du JAVA, XML. Administration et développement dans une base de données.

Programme:

- Modèle relationnel, E.F.CODD - L’architecture physique, logique et les process - Le langage SQL : LID (Lanage d’interrogationd es données), LMD (Langage de manipulation des données), COMMIT/ROLLBACK, LDD (Langage de définitiond es données),LCD (Langage de contrôle de données) - Base OLTP (Online Transactional Processing), OLAP (Online Analytical Processing) - Connexion locale et distante - L’architecture mémoire : SGA (System Global Area), PGA (Program Global Area) - Les process background, les process server, le sprocess clients, listener, tnsnames - L’architecture physique : Les fichiers de contrôle, les fichiers de données, les fichiers redolog - Cryptage des données - Option procédurale - Options avancées - Intégration JAVA,XML dans la base de données

Algorithmes MCMC (MML3E23)

Algorithmes MCMC (MML3E23)

cours: 15h TD: 15h



UE Ouverture
Etude de cas (MML3E31)

Etude de cas (MML3E31)

cours: 10h TD: 10h

Objectifs :

L'objectif de ce cours est de faire venir des professionnels de l'INSERM, L'INVS, l'INRA, ... afin de leur permettre d'exposer une études qu'ils ont eu à mener, en partant du problème concret de départ, en passant par la modélisation et le traitement, pour arriver aux résultats pratiques après traitements des données.

Compétences acquises :

pprendre à appréhender un problème concret sous sa forme brute, puis à le modéliser, le simplifier, afin de le traiter.

Programme:

*Chaque intervenant utilise entre deux et quatre séances de cours TD pour présenter les problèmes qu'il a rencontré et les étudier. Les intervenants et les domaines sont variables d'une année sur l'autre. Les étudiants peuvent ainsi mieux appréhender ce à quoi ils seront confrontés lors de leur stage de dernier semestre (semstre S4 du master IMSV).*

2 ECUE à choisir parmi
Economie, théorie des jeux (MMIMEco1)

Economie, théorie des jeux (MMIMEco1)



Economie, incitations (MMIMEco2)

Economie, incitations (MMIMEco2)



Epidémiologie : initation (MML3E32)

Epidémiologie : initation (MML3E32)

cours: 10h TD: 10h

Programme:

Notions de base, facteurs de risque, facteurs troublants. Etudes épidémiologiques : sondages, types divers d'études (transversales, des cohortes, notamment essais thérapeutiques, cas témoins, etc...).

Sociologie (MML1E43)

Sociologie (MML1E43)

cours: 10h TD: 10h

Objectifs :

Le cours vise à donner aux étudiants un large aperçu des usages dont les méthodes statistiques font l’objet en sociologie, et à familiariser les étudiants avec la réflexion méthodologique que la sociologie a développée au sujet de la mise en oeuvre des méthodes statistiques. Conçues en relation avec le cours, les séances de travaux dirigés sont consacrées, soit au commentaire de textes scientifiques, soit à la lecture et l’interprétation de résultats statistiques issus d’études sociologiques.

Compétences acquises :

Le travail de validation proposé permet aux étudiants d’acquérir la méthodologie de l’exposé écrit systématique et de la critique argumentée d’un article de recherche en sciences sociales.

Programme:

Séance 1. Séance d’introduction : objet de la sociologie et repères chronologiques sur l’histoire de la disciplineSéance 2. La notion de « classe » en statistique et en sociologieSéance 3. Analyse de quelques tableaux croisés classiques en sociologieSéance 4-5. L’analyse géométrique des données et les notions d’espace social et de champ Séance 6-7. La régression linéaire multiple et la régression logistique pour analyser les performances et parcours scolaires des enfants d’immigrés en FranceSéance 8. Le modèle log-linéaire d’un tableau de contingence pour mettre au jour les distances entre catégories sociales dans une table de mobilité sociale entre générationsSéance 9. Le modèle log-multiplicatif d’un tableau de contingence pour étudier l’évolution historique de l’inégalité des chances sociales devant l’enseignementSéance 10. Le modèle de régression multi-niveau pour analyser les effets de contexte sur les performances en lecture à l’école élémentaire

Démographie (MML1E44)

Démographie (MML1E44)

cours: 10h TD: 10h

Objectifs :

Fournir un aperçu critique sur les sources de données démographiques, présenter les principes et la spécificité de l’analyse longitudinale et transversale, étudier la construction, la signification et les limites des indicateurs démographiques.

Compétences acquises :

Apporter une réflexion sur les données et les résultats ; Appliquer les statistiques aux sciences sociales.

Programme:

- présentation d’une discipline - évolution de la population mondiale- transition démographique- indicateurs démographiques de base - les sources de données- impacts de la structure de population- construction d'une table de mortalité- analyse de la fécondité

Projet tutoré IMSV (MML3U4)

Projet tutoré IMSV (MML3U4)

Objectifs :

Savoir lire un article (qui peut être en Anglais), et apprendre à en faire la synthèse écrite et à l'exposer en un temps assez court (10 mn). La compréhension repose sur une implémentation informatique.

Compétences acquises :

Savoir lire un article (qui peut être en Anglais), et apprendre à en faire la synthèse écrite et à l'exposer en un temps assez court (10 mn). La compréhension repose sur une implémentation informatique.

UE Professionnalisation
Formation SAS (MML3E52)

Formation SAS (MML3E52)



M2 Semestre 4 (ingenierie mathématique appliquée aux sciences du vivant)
Stage M2 ISMV (MML4U1)

Stage M2 ISMV (MML4U1)




Candidatures

Vous trouverez sur la page des candidatures toutes les informations utiles.