 | Programme d’études 2025-2026 | English | |
 | Analyse des données et modélisation des procédés | ||
Unité d’enseignement du programme de Bachelier en sciences de l'ingénieur, orientation ingénieur civil (MONS) (Horaire jour) à la Faculté Polytechnique |
| Code | Type | Responsable | Coordonnées du service | Enseignant(s) |
|---|---|---|---|---|
| UI-B3-IRCIVI-124-M | UE Obligatoire | VITRY Véronique | F601 - Métallurgie |
|
| Langue d’enseignement | Langue d’évaluation | HT(*) | HTPE(*) | HTPS(*) | HR(*) | HD(*) | Crédits | Pondération | Période d’enseignement |
|---|---|---|---|---|---|---|---|---|---|
| Français | 12 | 12 | 0 | 0 | 0 | 2 | 2.00 | 1er quadrimestre |
| Code(s) d’AA | Activité(s) d’apprentissage (AA) | HT(*) | HTPE(*) | HTPS(*) | HR(*) | HD(*) | Période d’enseignement | Pondération |
|---|---|---|---|---|---|---|---|---|
| I-META-023 | Plans d'expériences et méthodes stochastiques | 6 | 6 | 0 | 0 | 0 | Q1 | |
| I-MARO-033 | Analyse des données | 6 | 6 | 0 | 0 | 0 | Q1 |
| Unité d'enseignement |
|---|
Objectifs par rapport aux acquis d'apprentissage du programme
- Mettre en oeuvre une démarche d'ingénieur face à un problème aux contours définis, compte tenu de contraintes techniques, économiques et environnementales.
- Mettre en oeuvre une solution choisie sous la forme d'un dessin, d'un schéma, d'un plan, d'une maquette, d'un prototype, d'un logiciel et/ou d'un modèle numérique.
- Maîtriser les connaissances fondamentales (théoriques et méthodologiques) en sciences et en sciences de l'ingénieur pour résoudre des problèmes impliquant ces disciplines.
- Identifier, décrire et expliquer les principes scientifiques et mathématiques fondamentaux.
- Choisir et appliquer avec rigueur les connaissances, méthodes et outils en sciences et en sciences de l'ingénieur pour résoudre des problèmes impliquant ces disciplines.
Acquis d'apprentissage de l'UE
- maîtrise des techniques d'analyse des données: compréhension des méthodes et capacité à les mettre en oeuvre.
- Comprendre et interpréter des résultats de modélisation avec un esprit critique; interagir avec les personnes responsables de la modélisation pour en améliorer la qualité; extraire et analyser les données significatives d'un procédé afin d'en préparer la modélisation.
- Pouvoir mettre en oeuvre un plan d'expérience. Sensibilisation a à la validation expérimentale des modèles.
Les méthodes d'analyse des données sont très souvent utilisées pour le dépouillement des résultats des plan d'expérience, ce qui est mis en évidence à travers un projet commun aux deux AA.
Contenu de l'UE : descriptif et cohérence pédagogique
- techniques d'analyse des données: techniques de réduction de la dimensionalité (analyse en composantes principales et la décomposition en valeurs singulières) , modèles classiques d'analyse des données statistiques (analyse de la variance, régression linéaire multiple, ...)
- méthodes de modélisation basées sur les probabilités (méthodes de Monte Carlo)
- méthodes ab initio
- théorie des plans d'expériences et méthodes d'analyse des résultats.
Compétences préalables
Sans objet
Type(s) et mode(s) d'évaluation Q1 pour l'UE
- Examen écrit - En présentiel
- Production (travail écrit, rapport, essai, collection, produit…) à déposer - En présentiel
Commentaire sur les évaluations Q1 de l'UE
La note de l'AA 'plans d'expériences et méthodes stochastiques' est basée sur le projet commun et les rapports de travaux pratiques (pas d'examen)
Pour l'AA 'analyse des données' un examen écrit est organisé.
La note globale est la moyenne des notes des deux AA
Méthode de calcul de la note globale pour l'évaluation Q1 de l'UE
La note de l'UE est la moyenne artihmétique des notes des deux AA.
Type(s) et mode(s) d'évaluation rattrapage Q1 (BAB1) pour l'UE
- Néant - Néant
Commentaire sur les évaluations rattrapage Q1 (BAB1) de l'UE
-
Méthode de calcul de la note globale pour l'évaluation rattrapage Q1 (BAB1) de l'UE
-
Type(s) et mode(s) d'évaluations Q3 pour l'UE
- Examen écrit - En présentiel
Commentaire sur les évaluations Q3 de l'UE
Examens séparés pour les 2 AA mais organisés le même jour.
La note de l'UE est la moyenne artihmétique des notes des deux AA.
Méthode de calcul de la note globale pour l'évaluation Q3 de l'UE
La note de l'UE est la moyenne artihmétique des notes des deux AA.
Types d'activités
| AA | Types d'activités |
|---|---|
| I-META-023 |
|
| I-MARO-033 |
|
Mode d'enseignement
| AA | Mode d'enseignement |
|---|---|
| I-META-023 |
|
| I-MARO-033 |
|
Supports principaux non reproductibles
| AA | Supports principaux non reproductibles |
|---|---|
| I-META-023 | Sans objet |
| I-MARO-033 | Slides et notes pour les exercices |
Supports complémentaires non reproductibles
| AA | Support complémentaires non reproductibles |
|---|---|
| I-META-023 | copies de présentations |
| I-MARO-033 | Sans objet |
Autres références conseillées
| AA | Autres références conseillées |
|---|---|
| I-META-023 | Introduction to materials modelling, ed. Zoe H. Barber, Maney, London, 2005 Computational Thermodynamics - The Calphad Method, hans Lukas, Suzana Fries, Bo Sundman, Cambridge University Press, London, 2007. |
| I-MARO-033 | R.O.Duda, P.E.Hart, D.G.Stork. "Pattern Classification". John Wiley and Sons, 2000. Bishop, Christopher M. Pattern recognition and machine learning. springer, 2006. R.E.Walpole, R.H.Myers, S.L.Myers, K.Ye, "Probability and Statistics for Engineers and Scientists", Prentice Hall, 2012 K P Murphy. Machine learning: a probabilistic perspective. MIT press, 2012. |