跳到主要内容
Moodle Sciences & Techno. Moodle Sciences & Techno.
  • 简体中文 ‎(zh_cn)‎
    Deutsch ‎(de)‎ eesti ‎(et)‎ English ‎(en)‎ Español - Internacional ‎(es)‎ Français ‎(fr)‎ Hrvatski ‎(hr)‎ Italiano ‎(it)‎ Latviešu ‎(lv)‎ Lietuvių ‎(lt)‎ magyar ‎(hu)‎ Nederlands ‎(nl)‎ Norsk ‎(no)‎ Polski ‎(pl)‎ Português - Portugal ‎(pt)‎ Română ‎(ro)‎ Slovenčina ‎(sk)‎ Suomi ‎(fi)‎ Türkçe ‎(tr)‎ Vietnamese ‎(vi)‎ Ελληνικά ‎(el)‎ Български ‎(bg)‎ 简体中文 ‎(zh_cn)‎
  • 个人主页
  • Course
    • 显示所有课程
  • Dropdown to ub
  • Aide / Foire aux questions
  • 您尚未登录。 (登录)

Fermeture définitive de la plateforme pédagogique

Cette plateforme pédagogique est désormais fermée.
La connexion n'est plus possible pour les étudiants qui ne peuvent donc plus réaliser d'activités sur cette plateforme.
Les espaces de cours actifs sont normalement présents sur la plateforme pédagogique unique moodle.u-bordeaux.fr. Contactez votre enseignant(e) pour connaître les modalités d'accès à ces espaces.

Mathématiques appliquées, statistique

页面路径
  1. Master
  2. Mathématiques appliquées, statistique
展开全部

Recherche opérationnelle et aide à la décision

Analyse, EDP, Probabilité

Méthodes MCMC

  • Enseignant: FredesLuis

Analyse de Fourier Appliquée 4TMS820U

  • Enseignant: LeclaireArthur

Projet de statistique pour données environnementales

Description de l'UE : Projets en écologie et/ou en statistique pour l'environnement (climatologie, énergies...) /

Projet de statistique en écologie (Frédéric Barraquand) :

Projet de statistique en sciences pour l'environnement (Didier Swingedow & Valentin Portmann) :

  • Enseignant: BarraquandFrederic
  • Enseignant: CouallierVincent
  • Enseignant: SwingedouwDidier

Introduction à l'apprentissage profond et défi sciences des données

  • Enseignant: BigotJeremie
  • Enseignant: FredesLuis

Challenge DKT - M1 MSS & CMI ISI - 2022

Une page moodle pour héberger les données, les échanges étudiants, les consignes du challenge Decathlon 2022, un projet de statistique pour les M1 MAS.

  • Enseignant: CouallierVincent

Optimisation continue pour IREF

  • Enseignant: AmetanaKomlanvi Parfait
  • Enseignant: FrogerAurelien

S7 Modèles de régression (MSS)

  • Enseignant: BarbieriAntoine
  • Enseignant: BigotJeremie

Optimisation en grande dimension- approches déterministes et stochastiques

  • Enseignant: AujolJean-Francois

Optimisation en grande dimension- approches déterministes et stochastiques

  • Enseignant: AujolJean-Francois

S9 Modèles linéaires mixtes et applications en biostatistique

UE pour les étudiants en master 2 MAS-MSS et CMI ISI.

  • Enseignant: BarbieriAntoine

Programmation Fortran pour le calcul scientifique

À la fin de ce cours, vous saurez programmer en Fortran des algorithmes classiques vu dans des cours de niveau antérieur au Master, comme l'interpolation polynomiale, la quadrature, la résolution d'équations non linéaires, d'équations différentielles... Vous serez capable d'exécuter ces programmes sur un ordinateur de type PC, et de récupérer les résultats pour les exploiter. Ces apprentissages vous permettrons de programmer les méthodes vues dans les cours d'approximation des EDP au M1puis au M2.

Le cours est concentré sur le mois de septembre pour vous rendre autonome quand des TP auront lieu dans les autres cours.


  • Enseignant: CoudièreYves

Management et Ethique - 4TMS903U

  • Enseignant: GagnouEmmanuelle

Management et Théorie des Organisations - 4TMS709U

  • Enseignant: GagnouEmmanuelle

4TMS708U Modèles de régression et tests d'hypothèse

  • Enseignant: CouallierVincent

4TSS701U Analyse de Survie M1

  • Enseignant: CouallierVincent

4TMS003U Données massives

  • Enseignant: RichouAdrien

Finance Mathématique (temps discret)

  • Enseignant: FeralDelphine

Econométrie 1

  • Enseignant: FeralDelphine

Sciences des données dans l'entreprise M2 MSS

  • Enseignant: CouallierVincent
  • Enseignant: GirardAntoine

4TMS706U Probabilités et Statistique

  • Enseignant: FeralDelphine
  • Enseignant: FredesLuis
  • Enseignant: LeclaireArthur
  • Enseignant: RichouAdrien

Bases de données et outils de simulation

  • Enseignant: BercuBernard

Modélisation pour le traitement d'images

  • Enseignant: AujolJean-Francois

4TMS812U Stochastic Simulation

  • Enseignant: LeclaireArthur
  • Enseignant: TraonmilinYann

4TMS813U/APPROXIMATION DES EDP2

  • Enseignant: AregbaDenise
  • Enseignant: BouharguaneAfaf

4TMS807U - Chaînes de Markov

  • Enseignant: GauthierMarine
  • Enseignant: RichouAdrien

Optimisation Convexe

L'optimisation est l'un de champs mathématiques le plus utiles dans les applications. On retrouve les outils de l'optimisation dans pratiquement tous les domaines des mathématiques appliquées. La raison est claire : comme le dit un experte dans ce domaine, Jean-Baptiste Hiriart-Urruty, les outils de l'optimisation sont..."les mathématiques du mieux faire".

L'optimisation consiste en une première phase de modélisation mathématique d'un problème, qui peut être abstrait ou issue d'un problème réel, dans laquelle on identifie la solution optimale à notre problème comme le maximum ou le minimum d'une fonction opportune, qu'on appelle objectif. Cette première phase, qui peut être déjà suffisamment compliquée, est suivie par sa continuation naturelle : la détermination de la solution optimale via la recherche de l'argument qui minimise ou maximise la fonction objectif, cette phase peut être bien plus compliquée que la première.

Selon le problème analysé, la solution optimale peut exister ou pas, être unique ou pas, être déterminée d'une manière précise ou approchée. 

Dans ce cour, on analysera le cas le plus simple, celui des fonctions convexes, qu'on peut considérer comme une espèce de généralisation des paraboles, avec une analogie incorrecte, mais qui a le privilège d'être fortement evocative. Comme pour une parabole, sous des conditions très générales, on peut garantire l'existence et l'unicité d'un minimiseur d'une fonction convexe. 

Si, de plus, la fonction convexe est aussi différentiable, alors on a à disposition des algorithmes itératifs plus ou moins efficaces, selon le cas, pour la recherche approché du minimiseur. Si la fonction n'est pas différentiable, alors il faut développer de stratégies plus compliquées basées qui font appel à la dualité.

Une partie importante du cours sera l'analyse des problèmes sous contraintes, c'est-à-dire, des problèmes où le minimiseur doit vérifier des équations ou inéquations. L'analyse de ces situations nécessite l'introduction d'outils géométriques qui vont rendre notre étude encore plus riche et intéressant. 

Le fil rouge qui nous accompagnera pendant tout le cours sera le très répandu problème des moindres carrés, que, dû à son importance, on analysera d'un point de vue algébrique, analytique et numérique. 

  • Enseignant: AujolJean-Francois
  • Enseignant: BenardPierre-Jean
  • Enseignant: ThurinGauthier Louis

Outils Hilbertiens

Le cours est une initiation à l'analyse harmonique basé sur la structure portante des espaces de Hilbert : la base Hilbertienne (ou système orthonormée complet), qui généralise le concept de base orthonormée dans une espace vectoriel réel ou complexe de dimension finie.

Une correcte pedagogie impose de se familiariser d'une manière progressive à ce concept, pour cela on commencera avec un exemple de base orthonormée extrêmement important et stratégique pour la suite du cours : la base de Fourier de l'espace des suites complexes fines à N éléments.

La continuation naturelle est faite par l'analyse de base Hilbertienne de l'espace de Hilbert des suites infinies carré sommables et la définition de la série de Fourier.

La contrepartie "continue" des concepts mentionnés ci-dessus est la transformée de Fourier : on analysera ses propriétés selon l'espace de définition et on verra des applications aux traitement de signaux 1D (son) et 2D (images).

Le cours terminera avec une introduction aux ondelettes et à ses applications, notamment dans le  traitement d'images.

  • Enseignant: ProvenziEdoardo
跳过 Rentrée 2024 - Fermeture définitive
Rentrée 2024 - Fermeture définitive

Depuis la rentrée 2023, la nouvelle plateforme pédagogique unique remplace les 4 plateformes historiques dont celle-ci.

Depuis cette rentrée 2024, l'usage, à des fins pédagogiques, des ces plateformes historiques n'est plus possible : les étudiants n'ont plus accès aux espaces de cours, les synchronisations d'inscriptions ne s'effectuent plus, etc.
Seuls les enseignantes et enseignants peuvent encore accéder à leurs espaces de cours pour en réaliser des sauvegardes ou extractions, et ce, jusqu'au 31 décembre 2024.

A compter du 01 janvier 2025, ces plateformes ne seront plus du tout accessibles, en vue de leur archivage puis de leur destruction. 

Pour accéder à la plateforme pédagogique actuelle, rendez-vous sur l'ENT, dans l'onglet "Formation" > "Plateformes pédagogiques" ou directement sur la nouvelle plateforme : https://moodle.u-bordeaux.fr.


跳过 Droit d'auteur
Droit d'auteur

Sauf consentement formel des auteurs, nous vous alertons que tout partage partiel ou total d'un document fourni par vos enseignants (quelle que soit sa nature) est strictement interdit, conformément au Code de la Propriété Intellectuelle.

Voir les détails et sanctions