Sciences pour l'ingénieur S5
Public Concerné
Suivre et valider les semestres précédents de la formation SETI
Objectifs pédagogiques
Definition des strategies de modelisation et de simulation suivant le probleme donne.
Comprehension des informations requises pour une modelisation discrete ou continue.
Familiarisation avec des algorithmes de simulation discrete et continue.
Initiation a la construction des simulations numeriques.
Modelisation probabiliste : utilisation des lois de probabilites discretes et continues pour la modelisation de processus en ingenierie. Tests de selection des lois.
Maitriser les techniques usuelles de l'inference statistique.
Il s'agit d'une formation scientifique de base sur les phenomenes de propagation des ondes electromagnetiques et leurs applications.
Sensibiliser et transmettre des connaissances sur des sujets pointus, a l'etat de l'art dans le domaine des systemes electroniques, telecommunications et informatique.
Le but est de donner aux apprentis un sujet d'etude scientifique qu'ils n'ont pas eu l'occasion d'aborder au cours de leur formation.
A partir d'un ou plusieurs articles, ils devront faire une analyse complete du sujet:
Comprehension des methodes proposees
Analyse par rapport a l'existant (ce qui impose donc de d'exploiter un certain nombre de
documents)
Analyse critique (sont-ils d'accord avec les travaux publies)
Ameliorations possibles et travaux futurs envisageables.
Introduction a la mise en oeuvre d'algorithmes d'intelligence artificielle et de « machine learning » pour l'analyse et le traitement des donnees issues des mesures de differents capteurs.
Comprehension des informations requises pour une modelisation discrete ou continue.
Familiarisation avec des algorithmes de simulation discrete et continue.
Initiation a la construction des simulations numeriques.
Modelisation probabiliste : utilisation des lois de probabilites discretes et continues pour la modelisation de processus en ingenierie. Tests de selection des lois.
Maitriser les techniques usuelles de l'inference statistique.
Il s'agit d'une formation scientifique de base sur les phenomenes de propagation des ondes electromagnetiques et leurs applications.
Sensibiliser et transmettre des connaissances sur des sujets pointus, a l'etat de l'art dans le domaine des systemes electroniques, telecommunications et informatique.
Le but est de donner aux apprentis un sujet d'etude scientifique qu'ils n'ont pas eu l'occasion d'aborder au cours de leur formation.
A partir d'un ou plusieurs articles, ils devront faire une analyse complete du sujet:
Comprehension des methodes proposees
Analyse par rapport a l'existant (ce qui impose donc de d'exploiter un certain nombre de
documents)
Analyse critique (sont-ils d'accord avec les travaux publies)
Ameliorations possibles et travaux futurs envisageables.
Introduction a la mise en oeuvre d'algorithmes d'intelligence artificielle et de « machine learning » pour l'analyse et le traitement des donnees issues des mesures de differents capteurs.
Capacité et compétences acquises
Maitriser les notions :
- des variables aleatoires
- d'optimisation
- d'estimation Statistique et fiabilite
Cette unite d'enseignement se situe dans la continuite du cours de circuits radiofrequences de deuxieme annee, si ce n'est que desormais la variation spatiale n'est plus unidimensionnelle mais tri-dimensionnelle. Cette unite d'enseignement est en lien avec l'unite d'enseignement « telecommunications optiques » par le biais de la notion de guidage. Il s'agit ainsi de presenter entre autres aux apprentis cette notion pour qu'ils soient capables de l'appliquer en fonction du milieu de propagation et du support de transmission. Les notions de ce cours sont utilisees dans l'unite d'enseignement « Radiocommunications ».
Avoir une idee precise sur des sujets novateurs et innovants du domaine de la formation. Reperer les avancees et les verrous qui ont ete leves pour de nouveaux systemes, ou nouvelles normes, ...
Utiliser les outils de recherche bibliographique,
Entrer en contact avec des experts ou des personnes competentes,
Analyser profondement et comprendre le sujet propose,
Faire une synthese accessible par des scientifiques non-specialistes,
Rediger un rapport ecrit,
Preparer une presentation orale.
- Analyser et mettre en forme les donnees a traiter
- Formalisation d'un probleme simple et le resoudre avec des techniques issues de l'IA
- Mise en oeuvre des algorithmes de machine learning pour le traitement des donnees
- Faire le lien avec les cours mathematiques et de statistiques de 2eme et 3eme annee en integrant les notions de moyenne, ecart type et variance.
- Faire des traitements simples sur les donnees remontees par les differents capteurs et mettre en place des regles de decision
- des variables aleatoires
- d'optimisation
- d'estimation Statistique et fiabilite
Cette unite d'enseignement se situe dans la continuite du cours de circuits radiofrequences de deuxieme annee, si ce n'est que desormais la variation spatiale n'est plus unidimensionnelle mais tri-dimensionnelle. Cette unite d'enseignement est en lien avec l'unite d'enseignement « telecommunications optiques » par le biais de la notion de guidage. Il s'agit ainsi de presenter entre autres aux apprentis cette notion pour qu'ils soient capables de l'appliquer en fonction du milieu de propagation et du support de transmission. Les notions de ce cours sont utilisees dans l'unite d'enseignement « Radiocommunications ».
Avoir une idee precise sur des sujets novateurs et innovants du domaine de la formation. Reperer les avancees et les verrous qui ont ete leves pour de nouveaux systemes, ou nouvelles normes, ...
Utiliser les outils de recherche bibliographique,
Entrer en contact avec des experts ou des personnes competentes,
Analyser profondement et comprendre le sujet propose,
Faire une synthese accessible par des scientifiques non-specialistes,
Rediger un rapport ecrit,
Preparer une presentation orale.
- Analyser et mettre en forme les donnees a traiter
- Formalisation d'un probleme simple et le resoudre avec des techniques issues de l'IA
- Mise en oeuvre des algorithmes de machine learning pour le traitement des donnees
- Faire le lien avec les cours mathematiques et de statistiques de 2eme et 3eme annee en integrant les notions de moyenne, ecart type et variance.
- Faire des traitements simples sur les donnees remontees par les differents capteurs et mettre en place des regles de decision
Contenu de la formation
ECUE USSE0C-1 Statistiques, modélisation, fiabilité coefficient 2
Statistiques descriptives. vocabulaire de la statistique. Données statistiques. Représentations graphiques. Valeurs caractéristiques associées à une distribution statistique. Le mode. La médiane. Paramètre de dispersion. Paramètre de forme.
Rappels sur les lois usuelles en probabilités. Loi faible des grands nombres. Théorème central limite. Utilisation des tables statistiques. Approximations par la loi Normale. Approximation par la loi de Poisson.
Algorithmes de simulation des lois usuelles. Méthode d'inversion. Méthode de rejet. Simulation de mixture de lois.
Estimation statistique. modèles paramétriques. La vraisemblance. Estimateurs. Estimateurs sans biais. Estimateurs consistants. Estimateurs consistants en moyennes quadratique. Fonction de risque. Estimateur du maximum de vraisemblance. Estimateur de la méthode des moments. Information de Fisher. Estimateurs efficaces. Intervalle de confiance. Intervalles de confiance pour les paramètres de la loi Normale. Normalité asymptotique. Intervalle de confiance asymptotique. Estimateurs de Bayes.
Tests statistiques. Construction d'un test statistique. Tests simples. Tests composés. Test de moyenne de la loi Normale avec variance connue ou inconnue. Test de variance de la loi Normale avec moyenne connue et inconnue. Test d'une proportion. Test de comparaison de deux moyennes. Test de comparaison de deux proportions. Tests d'ajustement du chi-deux. Test d'indépendance.
Etudes de quelques modèles particuliers. Modèles de détection de Rupture. Simulation d'un modèle de détection de Rupture. Chaînes de Markov. Modèles ARMA
ECUE USSE0C-2 Propagation, Electromagnétisme, Rayonnement et CEM coefficient 2
Equation de Maxwell dans un milieu indéfini
Ondes guidées
Rayonnement
Travaux pratiques : Mesures en chambre anéchoïde de diagrammes de rayonnement d'une antenne cornet
ECUE USSE0C-3 Cycle de conférences à l'état de l'art en systèmes électroniques, télécommunications et et systèmes embarqués coefficient 2
Conférences suivies d'échanges entre les experts et les apprentis. Les intervenants sont des enseignants chercheurs du Cnam ou des industriels de grand groupe (Thales, Orange,...) ou de PME.
ECUE USSE0C-4 Bibliographie scientifiques coefficient 2
Le but est de donner aux apprentis un sujet d'étude scientifique qu'ils n'ont pas eu l'occasion d'aborder au cours de leur formation.
A partir d'un ou plusieurs articles, ils devront faire une analyse complète du sujet:
- Introduction
o Analyses des donnees d'entree et de sortie d'un modele (caracterisation, normalisation)
o Introduction aux problematiques de machine learning (classification, regression, clustering)
o Introduction aux solutions de machine learning (supervisee, semi- supervisee, non-supervisee)
- Les algorithmes de machine learning pour la classification o Les principes
o Les techniques
- Les algorithmes de machine learning pour la regression
o Les principes o Les techniques
- Les algorithmes de machine learning pour le post-traitement des donnees o Les motivations
o Les principes et techniques
- Travaux pratiques
o Resolution d'une problematique de classification (analyse des donnees, formulation du probleme, mise en oeuvre de l'algorithme de machine learning)
o Resolution d'une problematique de regression (analyse des donnees, formulation du probleme, mise en oeuvre de l'algorithme de machine learning)
Statistiques descriptives. vocabulaire de la statistique. Données statistiques. Représentations graphiques. Valeurs caractéristiques associées à une distribution statistique. Le mode. La médiane. Paramètre de dispersion. Paramètre de forme.
Rappels sur les lois usuelles en probabilités. Loi faible des grands nombres. Théorème central limite. Utilisation des tables statistiques. Approximations par la loi Normale. Approximation par la loi de Poisson.
Algorithmes de simulation des lois usuelles. Méthode d'inversion. Méthode de rejet. Simulation de mixture de lois.
Estimation statistique. modèles paramétriques. La vraisemblance. Estimateurs. Estimateurs sans biais. Estimateurs consistants. Estimateurs consistants en moyennes quadratique. Fonction de risque. Estimateur du maximum de vraisemblance. Estimateur de la méthode des moments. Information de Fisher. Estimateurs efficaces. Intervalle de confiance. Intervalles de confiance pour les paramètres de la loi Normale. Normalité asymptotique. Intervalle de confiance asymptotique. Estimateurs de Bayes.
Tests statistiques. Construction d'un test statistique. Tests simples. Tests composés. Test de moyenne de la loi Normale avec variance connue ou inconnue. Test de variance de la loi Normale avec moyenne connue et inconnue. Test d'une proportion. Test de comparaison de deux moyennes. Test de comparaison de deux proportions. Tests d'ajustement du chi-deux. Test d'indépendance.
Etudes de quelques modèles particuliers. Modèles de détection de Rupture. Simulation d'un modèle de détection de Rupture. Chaînes de Markov. Modèles ARMA
ECUE USSE0C-2 Propagation, Electromagnétisme, Rayonnement et CEM coefficient 2
Equation de Maxwell dans un milieu indéfini
Ondes guidées
Rayonnement
Travaux pratiques : Mesures en chambre anéchoïde de diagrammes de rayonnement d'une antenne cornet
ECUE USSE0C-3 Cycle de conférences à l'état de l'art en systèmes électroniques, télécommunications et et systèmes embarqués coefficient 2
Conférences suivies d'échanges entre les experts et les apprentis. Les intervenants sont des enseignants chercheurs du Cnam ou des industriels de grand groupe (Thales, Orange,...) ou de PME.
ECUE USSE0C-4 Bibliographie scientifiques coefficient 2
Le but est de donner aux apprentis un sujet d'étude scientifique qu'ils n'ont pas eu l'occasion d'aborder au cours de leur formation.
A partir d'un ou plusieurs articles, ils devront faire une analyse complète du sujet:
- Compréhension des méthodes proposées
- Analyse par rapport à l'existant (ce qui impose donc de d'exploiter un certain nombre de documents)
- Analyse critique (sont-ils d'accord avec les travaux publiés)
- Améliorations possibles et travaux futurs envisageables.
- Introduction
o Analyses des donnees d'entree et de sortie d'un modele (caracterisation, normalisation)
o Introduction aux problematiques de machine learning (classification, regression, clustering)
o Introduction aux solutions de machine learning (supervisee, semi- supervisee, non-supervisee)
- Les algorithmes de machine learning pour la classification o Les principes
o Les techniques
- Les algorithmes de machine learning pour la regression
o Les principes o Les techniques
- Les algorithmes de machine learning pour le post-traitement des donnees o Les motivations
o Les principes et techniques
- Travaux pratiques
o Resolution d'une problematique de classification (analyse des donnees, formulation du probleme, mise en oeuvre de l'algorithme de machine learning)
o Resolution d'une problematique de regression (analyse des donnees, formulation du probleme, mise en oeuvre de l'algorithme de machine learning)
Description des modalités de validation
- Contrôle continu
- Projet(s)
- Mémoire
- Examen final
En alternance ou en formation continue en journée :
Merci de consulter directement le secrétariat pédagogique de votre formation pour obtenir le planning.
En formation « à la carte Hors Temps de Travail », en présentiel, à distance ou hybride :
Voir les dates, les lieux d'enseignement et les modalités d'inscription sur les sites internet des centres régionaux qui proposent cette formation.
