RNCP41824 Active · Niveau 7

Ingénieur diplômé de l'institut national des sciences appliquées de Rennes, spécialité mathématiques appliquées

Certificateur · MINISTERE DE L'ENSEIGNEMENT SUPERIEUR ET DE LA RECHERCHE

L'essentiel

Nomenclature du niveau de qualification

Niveau 7

Code(s) NSF

114 · Mathématiques

Formacode(s)

11052 · Mathématiques appliquées

31054 · Informatique - Systèmes d’information et numérique

32062 · Recherche développement

15099 · Résolution problème

Date d'échéance de l'enregistrement

31-08-2027

Certificateur(s)

Nom légalSIRETSite

MINISTERE DE L'ENSEIGNEMENT SUPERIEUR ET DE LA RECHERCHE 11004401300040 —

INSTITUT NATIONAL SCIENCES APPLIQUEES RENNES 19350097200016 —

Résumé de la certification

Objectifs et contexte

Les mathématiques appliquées occupent aujourd’hui une place centrale dans de nombreux secteurs industriels et de services, portés par l’essor du numérique, l’augmentation massive des volumes et de la diversité des données, ainsi que par la croissance continue des capacités de stockage et de calcul. Les audits et études menés en France et en Europe confirment une demande particulièrement forte en ingénieurs mathématiciens capables de traiter des problématiques de plus en plus complexes et de répondre aux besoins croissants en modélisation, analyse quantitative, simulation, optimisation et traitement de données.

La certification d’ingénieur de l’INSA Rennes en spécialité mathématiques appliquées a pour objectif de diplômer des ingénieurs aptes à conduire des projets de modélisation mathématique issus de ces besoins. Elle vise à certifier leur capacité à mobiliser des phénomènes dans un large éventail de domaines d’application, ainsi qu’à maîtriser l’ensemble du processus allant de la formation du problème jusqu’à sa résolution numérique et la valorisation des solutions obtenues.

Les ingénieurs certifiés répondent aux attentes des entreprises confrontées à des enjeux de traitement et d’exploitation d’informations quantitatives et de données. Leur capacité à conduire des projets de modélisation dans leurs dimensions techniques, organisationnelles, économiques et humaines leur permet d’intervenir dans tous les secteurs faisant appel à l’analyse et à la valorisation de données : industrie, énergie, transport, télécommunications, banque et assurance, services, conseil ou encore santé.

Activités visées

Modélisation statistique de données complexes et hétérogènes : signaux, images, données textuelles

Déploiement des algorithmes d’optimisation mathématique pour la résolution de problèmes d’apprentissage automatique et d’apprentissage profond

Conception des solutions logicielles et matérielles pour le traitement de données massives

Pilotage d’un projet pour la résolution d’un problème réel posé par une entité métier

Modélisation statistique de données potentiellement massives, dans un but explicatif ou prédictif

Analyse quantitative et qualitative d’information pour la gestion de risques

Compétences attestées

Analyser une problématique scientifique ou technique présentée par un ingénieur ou un spécialiste métier afin de la formaliser en modèle mathématique adapté

Appliquer en équipe les méthodes d'analyse et d'algèbre nécessaires pour résoudre la problématique formulée

Utiliser les outils de probabilité et statistique pour décrire, estimer ou interpréter des phénomènes aléatoires simples

Mettre en oeuvre les méthodes d'analyse numérique pour résoudre un problème mathématique

Sélectionner et justifier le ou les outils mathématiques le(s) plus approprié(s), selon le type de problème et les contraintes métier

Modéliser des phénomènes issus de domaines variés (physique, ondes, mécanique des fluides ou des structures, finance, actuariat, biologie...) à l'aide entre autres d’équations différentielles ordinaires, d'équations aux dérivées partielles, d'équations différentielles stochastiques, de modèles stochastiques

Simuler numériquement et valider les résultats obtenus au regard du problème initial

Sélectionner les méthodes numériques adaptées pour résoudre les modèles considérés en fonction des contraintes et hypothèses

Appliquer les méthodes sur des cas réels issus de l'industrie ou de la recherche afin d'en évaluer la pertinence et les limites

Construire un modèle de l'évolution d'un processus aléatoire

Identifier des structures particulières dans des jeux de données complexes et en faire l'interprétation

Simuler des phénomènes aléatoires à l'aide d'outils adaptés

Élaborer une surface de réponses pour aider les décideurs

Planifier des expériences aléatoires en cohérence avec les objectifs du problème étudié

Réaliser une analyse de sensibilité dans des codes de simulation numérique

Communiquer, échanger sur la valeur de la donnée avec des experts métiers des différents domaines d'utilisation

Préparer et transformer des données issues de sources hétérogènes en vue de leur exploitation

Ajuster et sélectionner un modèle statistique en grande dimension afin de faire de la prédiction

Mettre en œuvre les méthodes d'apprentissage statistique adaptées au problème étudié

Détecter des structures particulières dans les données complexes et interpréter les résultats obtenus

Synthétiser et analyser en équipe les résultats numériques obtenus

Exploiter des sources de données pour les intégrer dans une solution logicielle

Utiliser des outils de calcul haute performance pour traiter des problèmes à données massives

Analyser les performances d'une solution logicielle sur des cas réels et évaluer son efficacité

Modéliser et prévoir l'occurrence d'événements indésirables en utilisant des outils probabilistes adaptés

Manipuler, implémenter et tester de nouvelles méthodes de traitement d’image ou de signal

Construire et formaliser des modèles d’aide à la décision permettant d’orienter efficacement un choix ou une action

Planifier et concevoir des expériences aléatoires afin d'en analyser les résultats

Construire et étudier la convergence d'algorithmes d'optimisation adaptés à la grande dimension

Mettre en œuvre des algorithmes d'optimisation en utilisant des langages bas puis haut niveau

Élaborer des modèles intégrant des aspects déterministes et aléatoires ou tenant compte d'incertitudes

Mettre en œuvre des outils de calcul haute performance pour optimiser le temps de calcul

Sélectionner, configurer et valider l’utilisation conforme d’un large panel de logiciels utilisés en milieu professionnel

Travailler avec des spécialistes d'autres métiers pour comprendre une problématique de valorisation de données sur un problème réel

Concevoir et planifier un projet en lien avec un cahier des charges

Rechercher et synthétiser les informations issues de la littérature ou de sources professionnelles nécessaires à la résolution du projet, et les restituer à des spécialistes

Mettre en place une infrastructure matérielle et logicielle adaptée

Intégrer les contraintes et les réglementations françaises et européennes sur la protection des données

Adopter un comportement éthique en lien avec la déontologie scientifique

Rendre compte de manière claire et structurée à l'écrit et à l'oral du travail effectué auprès de décideurs, d'experts ou de professionnels non spécialistes du domaine

Travailler dans un contexte international et multiculturel en prenant en compte les enjeux industriels, économiques, sociétaux et environnementaux

Blocs de compétences · 6

RNCP41824BC01

Analyser et modéliser des problématiques mathématiques fondamentales

Compétences visées

Analyser une problématique scientifique ou technique présentée par un ingénieur ou un spécialiste métier afin de la formaliser en modèle mathématique adapté

Appliquer en équipe les méthodes d'analyse et d'algèbre nécessaires pour résoudre la problématique formulée

Utiliser les outils de probabilité et statistique pour décrire, estimer ou interpréter des phénomènes aléatoires simples

Mettre en oeuvre les méthodes d'analyse numérique pour résoudre un problème mathématique

Sélectionner et justifier le ou les outils mathématiques le(s) plus approprié(s), selon le type de problème et les contraintes métier

Modalités d'évaluation

* Examens individuels (écrits et oraux) sur la résolution de problèmes * Travaux pratiques * Contrôles continus de la progression dans l'assimilation des compétences * Analyse de cas d'études pratiques issus de projets Industrie ou recherche * Constitution de dossier technique de synthèse de bureau d'études (oral en anglais et rapport écrit)

RNCP41824BC02

Concevoir et mettre en oeuvre numériquement des modèles mathématiques

Compétences visées

Simuler numériquement et valider les résultats obtenus au regard du problème initial

Sélectionner les méthodes numériques adaptées pour résoudre les modèles considérés en fonction des contraintes et hypothèses

Appliquer les méthodes sur des cas réels issus de l'industrie ou de la recherche afin d'en évaluer la pertinence et les limites

Modalités d'évaluation

* Examens individuels (écrits et oraux) sur la résolution de problèmes * Contrôles continus de la progression dans l'assimilation des compétences * Travaux pratiques * Projets en binôme ou en groupe avec rapport et soutenance orale

RNCP41824BC03

Modéliser l’aléa et les incertitudes

Compétences visées

Construire un modèle de l'évolution d'un processus aléatoire

Identifier des structures particulières dans des jeux de données complexes et en faire l'interprétation

Simuler des phénomènes aléatoires à l'aide d'outils adaptés

Élaborer une surface de réponses pour aider les décideurs

Planifier des expériences aléatoires en cohérence avec les objectifs du problème étudié

Réaliser une analyse de sensibilité dans des codes de simulation numérique

Modalités d'évaluation

* Examens écrits : comptes rendus de Travaux Pratiques en binôme * Contrôles continus de la progression dans l’assimilation des compétences * Travaux pratiques * Projets sur la modélisation de phénomène ou problème aléatoire (en groupe) avec rapport et soutenance orale

RNCP41824BC04

Analyser et valoriser des données complexes