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.
• Connaître les étapes d'une démarche d'ingénieur.
• 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.
• Identifier et acquérir les connaissances et compétences nécessaires à la résolution du problème.
• 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.
• Identifier, décrire et expliquer les principes de base en sciences de l'ingénieur en particulier dans la dominante.
• 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.
• Communiquer de manière structurée - oralement et par écrit, en français et en anglais - des informations claires, précises, argumentées.
• Argumenter et convaincre, tant à l'oral qu'à l'écrit, vis-à-vis d'un client, des enseignants et des jurys.
• Faire preuve de rigueur et d'autonomie dans son parcours de formation.
• Développer sa curiosité scientifique et son ouverture d'esprit.

Acquis d'apprentissage de l'UE

- analyser diverses formes de données et signaux
- comprendre la théorie sous-jacente au développement des composants de base des systèmes de traitement numérique du signal
- comprendre et expliquer la théorie, les modèles et les techniques utilisées pour l'analyse statistique des données
- analyser des jeux de données à l'aide d'un logiciel (Python, MATLAB, ...)
- interpréter les résultats fournis par le logiciel, en montrant une compréhension de la théorie

Contenu de l'UE : descriptif et cohérence pédagogique

- systèmes numériques linéaires et invariants; analyse fréquentielle de signaux et systèmes numériques; théorème de Shannon et échantillonnage; transformée de Fourier Discrète; analyse spectrale de signaux aléatoires; filtrage numérique
- techniques descriptives des donneés (analyse en composantes principales, analyse factorielle discriminante)
- modèles classiques d'analyse des données statistiques (analyse de la variance, régression linéaire)
- data mining / machine learning (méthodes de classification, supervisée et non-supervisée)

Compétences préalables

Algèbre, Analyse, probabilités et statistiques, fonctions de variables complexes