L'année de formation
Cours de mise à niveau
- Bases de données
Bases de données
- Java
Java
- Maths finance
Maths finance
- Statistiques
Statistiques
- UML
UML
UE fondamentales
- Entrepôts de données
Entrepôts de données
Ects : 4
Enseignant responsable :
ELSA NEGREVolume horaire : 36
Description du contenu de l'enseignement :
Introduction et définition d'un entrepôt de données, Architecture fonctionnelle, Modélisation conceptuelle, Alimentation, Stockage, Gestion et exploitation de l'entrepôt. Utilisation de l’ETL Talend en TP.
- TP1 : Introduction Talend / Construction des premiers jobs (tri & jointure)
- TP2 : Découverte d'autres composants Talend (filtre, condition, agrégation, gestion des erreurs)
- TP3 : Modélisation et interaction avec la base de données
- TP4 : Cas pratique complet
Pré-requis recommandés :
Modélisation (UML, Merise) et Bases de données relationnelles
Pré-requis obligatoire :
Bases de données relationnelles
Compétences à acquérir :
Acquérir les notions de base relatives à l'acquisition, l'intégration, la modélisation et au traitement de données multidimensionnelles.
- Sécurité dans les SI
Sécurité dans les SI
Ects : 3
Enseignant responsable :
PIERRE-EMMANUEL ARDUINVolume horaire : 24
Description du contenu de l'enseignement :
La plupart des politiques de sécurité des systèmes d’information reposent sur une vision négativiste de l’action humaine : dissuader, bloquer, détecter, etc. Ce cours vise à installer les basiques de la sécurité pour permettre à chacun de poser les bonnes questions et de devenir un acteur engagé de la politique de sécurité des systèmes d’information de son entreprise. Les fondamentaux aussi bien qu’une vision prospective et innovante de la sécurité des systèmes d’information sont abordés dans ce cours.
- Techniques d'attaque, de défense, de persuasion
- Contexte législatif et réglementaire (CNIL, RGPD, NIST, etc.)
- Éthique sécurisée, lanceurs d'alerte
- Menaces ciblant l'humain, ingénierie sociale et manipulation
Compétences à acquérir :
Initiation à la sécurité des systèmes d'information : menaces et recommandations
- Actuariat
Actuariat
Ects : 3
Enseignant responsable :
EMMANUEL LEPINETTEVolume horaire : 24
Description du contenu de l'enseignement :
Initier les étudiants à l’actuariat.
Actuariat des produits de taux simples en univers déterministe.
Obligations, zéro coupon.
Evaluation, courbe de taux, taux futurs, calcul du taux de rendement interne et de la valeur actuelle nette.
Principes de l’actuariat en assurance vie et IARD : tables de mortalité et de sinistre, calcul de prime.
Exemples d'implémentation en Python.
Pré-requis recommandés :
Très bon niveau Bac+2 en maths.
Pré-requis obligatoire :
Mise à niveau en maths du début d'année.
Compétences à acquérir :
Connaissances générales en actuariat.
Mode de contrôle des connaissances :
Examen et des contrôles de cours.
- Gestion de portefeuille
Gestion de portefeuille
Ects : 3
Enseignant responsable :
EMMANUEL LEPINETTEVolume horaire : 24
Description du contenu de l'enseignement :
Rendement/risque d’un portefeuille. Théorie moderne de gestion d’un portefeuille. Value atRisk.
Analyse de performance (caractéristiques d’un portefeuille).
Théorie moderne du portefeuille ; le modèle de Markowitz, CAPM.
Gestion/Allocation de portefeuilles et mesures de performance.
Modèles multifactoriels.
Mesures de risque : Value at Risk.
Pré-requis obligatoire :
Suivre les mises à niveau proposées en début d'année.
Compétences à acquérir :
Savoir formaliser un problème d'optimisation de portefeuille et savoir le résoudre.
- Systèmes, Langages et Paradigmes pour le Big Data
Systèmes, Langages et Paradigmes pour le Big Data
Ects : 3
Enseignant responsable :
DARIO COLAZZOVolume horaire : 24
Description du contenu de l'enseignement :
Le cours s’articule en trois parties.
Dans la première, l’accent est sur le paradigme MapReduce et le système Hadoop, avec un focus sur son système de fichiers HDFS. Le cours illustrera les mécanismes de base de Hadoop pour le support de l'exécution parallèle de ‘dataflow’ MapReduce sur des clusters de machines. Une attention particulière sera donnée aux aspects algorithmiques et d’optimisation de dataflow MapReduce.
La deuxième partie présentera des langages de requête et d’analyse de données caractérisés par des mécanismes de haut niveau et qui sont compilé sur MapReduce. Le focus sera sur les langages Pig Latin et Hive, des langages incluant des mécanismes à la SQL. Les techniques de compilation vers MapReduce seront présentées.
La troisième partie sera consacrée à des évolutions de Hadoop, et en particulier au système Spark et au langage de support Scala. Le focus sera sur l’architecture de Spark, la notion de RDD, l'évaluation lazy de transformations et actions sur des collections distribuées RDD.
Les notions apprises seront mises en pratique dans un projet où les étudiants devront concevoir un dataflow pour l’analyse de grands volumes de données. L'implémentation sera faite tant en MapReduce qu’en Spark, et une analyse expérimentale sera effectuée pour comparer les performances des deux implémentations.
Compétences à acquérir :
Apprentissage des aspects fondamentaux des technologies Big Data pour la gestion et analyse de données massives.
- Serveurs d'application JAVA
Serveurs d'application JAVA
Ects : 3
Enseignant responsable :
DAN DIMCEAVolume horaire : 27
Description du contenu de l'enseignement :
Introduction
Concepts fondamentaux : objets répartis ORB (RMI\CORBA), moniteurs transactionnels, architecture à composants répartis, services web, SOA
Présentation générale de Java EE : différentes technologies, généralités sur la spécification, modèle d'assemblage et de déploiement.
Composants EJB 3, Persistance JPA, JMS, SOA
API client : interfaces distantes, interface locales, JNDI
Services avancés : clustering, transactions...
Mise en pratique dans le cadre d’un projet (Eclipse/ JBoss /Hibernate / MySQL)
Compétences à acquérir :
Le terme "Serveur d'applications" est un intitulé général pour un objectif commun: la prise en charge de la complexité du développement d'applications pour l'entreprise actuelle. Ces applications se doivent d'être multi-tier, fiables et sécurisées, tolérantes aux pannes, transactionnelles, « scalables », interopérables, extensibles et réutilisables.Dans ce contexte, les serveurs d'applications fournissent un ensemble de services technologiques (middleware SOA ou ORB, serveur et services web, persistance, transactions, clustering etc.) au sein duquel interagissent les composants métiers d'une application répartie. La plateforme Java Entreprise Edition a pour vocation de répondre à ce challenge en offrant, à travers des spécifications ouvertes, un ensemble d'API ainsi qu'un modèle de composants.
UE Optionnelles
- Transparence des algorithmes pour la décision
Transparence des algorithmes pour la décision
Ects : 3
Enseignant responsable :
BRICE MAYAGVolume horaire : 24
Description du contenu de l'enseignement :
Les algorithmes jouent un rôle de plus en plus fondamental dans tous les aspects de notre vie. Une des principales craintes soulevées par les algorithmes est leur manque de transparence de leur fonctionnement, ce qui pourrait amener à l’avènement d’une « société boîte noire ». De plus, cette transparence est un prérequis pour pouvoir analyser et expliquer les décisions prises par les utilisateurs ou des entreprises.
Le but de ce cours est de discuter et de sensibiliser les étudiants aux questions soulevées par la transparence et la responsabilité des algorithmes telles que par exemple :
Quelles sont les situations où la transparence et l’explicabilité sont nécessaires et comment les implémenter en pratique ?
Comment réconcilier le besoin des entreprises de protéger leur propriété intellectuelle avec le besoin des citoyens de pouvoir comprendre la logique derrière les algorithmes qu’ils utilisent ou qui produisent un effet sur leurs vies ?
Comment améliorer la transparence, la responsabilité ainsi que l’équité des décisions prises par des systèmes algorithmiques sans pour autant compromettre leur utilité.
On s’intéressera ici à une catégorie particulière d’algorithmes, ceux qui sont utilisés pour l’aide à la décision ou dans des traitements qui ont des incidences sur les comportements individuels, qui ont donc un effet normatif. A titre d’exemples, on peut citer :
Les algorithmes de classement, qui établissent des priorités, des recommandations : on pense évidemment aux algorithmes de présentation des résultats des moteurs de recherche, mais aussi à ceux qui sont utilisés pour classer les candidats à un poste, etc.
Les algorithmes de catégorisation, de classification, de profilage comme ceux qu’on met en œuvre pour détecter des profils de potentiels terroristes, de fraudeurs, etc.
Ce cours abordera les points suivants :
Rappels de notions du langage Python
Transparence, explicabilité et responsabilité des algorithmes : définitions, liens, avantages et limites.
Le bien-fondé de la transparence des algorithmes pour l’informatique décisionnelle. Aspects juridiques.
Cas d’étude 1 : Transparence des algorithmes dans le cadre des systèmes de recommandation : le cas du filtrage collaboratif
Cas d’étude 2 : Transparence des algorithmes dans le cadre de la classification : classification ordonnée et arbre de décision.
Cas d’étude 3 : Transparence des algorithmes dans le cadre de l’élaboration des classements ou palmarès : prise en compte simultanée des préférences des utilisateurs et des données statistiques
Mise en œuvre en langage python, à travers un mini-projet, d’un algorithme transparent pour la résolution d’un problème, à partir de données réelles disponibles sur des plateformes comme www.data.gouv.fr ou www.kaggle.com
Compétences à acquérir :
Rappels de notions du langage Python
Transparence, explicabilité et responsabilité des algorithmes : définitions, liens, avantages et limites.
Le bien-fondé de la transparence des algorithmes pour l’informatique décisionnelle. Aspects juridiques.
- Méthodes Agiles d'Ingénieurie Logicielle
Méthodes Agiles d'Ingénieurie Logicielle
Ects : 3
Enseignant responsable :
MICHEL ZAMFIROIUVolume horaire : 24
Description du contenu de l'enseignement :
La nouvelle économie met à rude épreuve les équipes des projets informatiques. L'instabilité notoire des spécifications et le raccourcissement des délais de livraison imposent une amélioration drastique de la réactivité et de la productivité du développement, sans tolérer pour autant une quelconque négligence en matière de stabilité et d'évolutivité des applications déployées. Les méthodologies dites "agiles" tentent de répondre à ces exigences, en adoptant un investissement minimaliste et prônant des résultats tangibles et fréquents, par opposition aux méthodologies classiques qui - tout en imposant des organisations coûteuses - n'arrivent plus à prouver leur efficacité dans ces conditions extrêmement dynamiques. Ce cours propose un panorama des méthodes et techniques efficaces applicables dès les projets de petite taille, y compris pour assurer la traçabilité complète entre les besoins et les composants techniques en continue évolution. Les étudiants pourront les mettre en œuvre avantageusement, preuve comprise, aussi bien pour leurs projets pédagogiques qu'industriels, une fois dans l'entreprise.
- Introduction. Evolution des modèles du cycle de vie des projets. Manifeste agile: valeurs et principes.
- Offre des méthodologies agiles : XP, Scrum, FDD, Kanban, Lean, etc.
- eXtremeProgramming : cycle de négociation, métaphore & storytelling, développement piloté par les tests, refactoring permanent, etc.
- Gestion des exigences et de configuration logicielles. CMMi vs agile.
- Zoom sur le testing automatique fonctionnel : Behaviour Driven Developement en Gherkin avec Cucumber.
- Modélisation, patterns agiles, stratégies et styles architecturaux agiles: Design Patterns, Analysis Patterns, Metapatterns, Hexagonal, CQRS, DDD.
- Techniques encourageant l'agilité : RAD, AOP, Assemblage de composants, MDA, métriques & audits, EventModeling, Impact et StoryMapping.
Illustrations en Java et Python, tout au long du cours.
Pré-requis recommandés :
Expérience en conception et programmation orientée-objet.
Pré-requis obligatoire :
Avoir des connaissances de programmation Java ou Python et de conception orientée-objet.
Compétences à acquérir :
- Découvrir, comprendre et appliquer les principes et les pratiques agiles les plus efficaces.
- Collaborer en équipe pour atteindre rapidement un objectif fonctionnel ou technique.
- Renforcer les compétences de spécification, conception, planification, communication, développement et tests automatisés.
- Fournir des résultats tangibles et fréquents, avec le sourire
Mode de contrôle des connaissances :
Projet évolutif avec soutenance validant les connaissances individuelles acquises.
Bibliographie-lectures recommandées
Agile Ownership in a nutshell (vidéo) — youtu.be/502ILHjX9EE
Scrum and XP from the Trenches — leanagiletraining.com/wp-content/uploads/2020/03/Scrum-and-XP-from-the-Trenches-2nd-edition.pdf
The Pragmatic Programmer — pragprog.com/titles/tpp20/the-pragmatic-programmer-20th-anniversary-edition/
Le blog de Martin Fowler — martinfowler.com
Le manifeste agile — agilemanifesto.org
Extreme programming: a gentle introduction — www.extremeprogramming.org
The Scrum Guide — www.scrum.org/resources/scrum-guide
- Optimisation en Finance
Optimisation en Finance
Ects : 3
Enseignant responsable :
ALI RIDHA MAHJOUBVolume horaire : 24
Description du contenu de l'enseignement :
Le but de ce module est d'introduire certaines techniques d'optimisation pour résoudre des problèmes en finance moderne, comme les problèmes de gestion de portefeuilles, de gestion de risques ou d’évaluation de prix d’option. L’accent sera mis sur les modèles stochastiques en finance.
Introduction : Rappel de quelques techniques et modèles d’optimisation : modèles linéaires, mixtes, quadratiques, Problèmes de gestion de portefeuilles, d’évaluation de prix d’options et d’arbitrage. Modèle de Markowitz.
Gestion de risque : Valeur en risque, valeur en risque conditionnelle, Optimisation de la valeur en risque conditionnelle.
Optimisation robuste en finance : Sélection de portefeuille robuste sur plusieurs périodes, Profit robuste dans un portefeuille risqué, Sélection de portefeuille robuste, Robustesse relative dans la sélection d’un portefeuille.
Modèles stochastiques : Gestion actif-passif, Gestion des dettes, Evaluation des prix d’options, Estimation de la volatilité.
Compétences à acquérir :
Le but de ce module est d'introduire certaines techniques d'optimisation pour résoudre des problèmes en finance moderne, comme les problèmes de gestion de portefeuilles, de gestion de risques ou d’évaluation de prix d’option. L’accent sera mis sur les modèles stochastiques en finance.
- Outils d'optimisation pour les sciences des données et de la décision
Outils d'optimisation pour les sciences des données et de la décision
Ects : 3
Enseignant responsable :
CLEMENT ROYERVolume horaire : 24
Description du contenu de l'enseignement :
L’optimisation mathématique est un outil très puissant pour modéliser la prise de la meilleure décision possible, que l'on retrouve dans de nombreuses problématiques industrielles. Le but de ce cours est de présenter des outils modernes d'optimisation sur les plans théorique, algorithmique et expérimental. On s'intéresse tout particulièrement aux problèmes issus de la science des données, qui portent actuellement la recherche et le développement en optimisation.
La première partie de ce cours pose les bases de l'optimisation, en termes de modélisation et d'étude théorique d'un problème : on y présente également les algorithmes efficaces en optimisation de grande taille, notamment dans le contexte de l'optimisation convexe. Dans la seconde partie du cours, on se concentre sur les problèmes typiques de sciences des données, pour lesquels on étudie à la fois des reformulations ainsi que les algorithmes récents développés spécifiquement pour ce contexte.
Pré-requis recommandés :
Bases d'algèbre linéaire et d'analyse en une variable réelle.
Compétences à acquérir :
Proposer une boîte à outils permettant de formuler correctement un problème d'optimisation, de choisir un algorithme adapté à sa résolution et de travailler sur une implémentation (personnelle ou propriétaire) d'une méthode donnée.
Bibliographie-lectures recommandées
Convex Optimization, S. Boyd et L. Vandenberghe, Cambridge University Press, 2004.
Optimization Methods for Large-Scale Machine Learning, L. Bottou, F. E. Curtis et J. Nocedal, SIAM Review, 2018.
- Data Mining/Machine learning
Data Mining/Machine learning
Ects : 4
Enseignant responsable :
GEOVANI RIZKVolume horaire : 36
Description du contenu de l'enseignement :
L’évaluation se fait par examen et par un challenge Kaggle (kaggle.com)
- Introduction
- Objectifs et panorama du datamining et du Machine learning
- Méthodes non supervisées :
Réduction de dimensionnalité
Clustering :
K-means, CAH
Approches probabilistes : EA
Approches spectrales
Application à une segmentation marketing
Application au Text Mining
Règles d’association
-Méthodes supervisées :
Régression logistique
Arbre de Décision
Méthodes à Noyaux
Approches neuronales
Application au scoring
Compétences à acquérir :
Il s'agit d'initier les étudiants à l’apprentissage automatique (machine learning) et à la pratique de la fouille (data mining) et l’extraction de connaissances à partir des grandes masses de données. Il sera illustré par des cas concrets des exemples réalisés en session avec le logiciel R
- Gouvernance des Systèmes d'Information
Gouvernance des Systèmes d'Information
Ects : 3
Enseignant responsable :
FRANCK WULFOWICZVolume horaire : 24
Description du contenu de l'enseignement :
Description :
Introduction - concepts
Entreprise et système d'information
· Définition du système d'informations
· Les composantes clés du SI
Gouvernance : définition et enjeux
· La gouvernance : pourquoi, à quoi cela sert-il ?
· Gouvernance au niveau de l’entreprise
· Gouvernance des SI : pour leur pilotage interne
· SI et entreprise : alignement du SI sur la stratégie et la politique de l’entreprise 360° de la gouvernance
· La gouvernance à mettre en œuvre dépend de comment l’organisation entend piloter son activité et se contrôler
· La gouvernance dépend de l’organisation voire de l’environnement socio-économique
· Notion de « Compliance » : empilage des législations, réglementations, bonnes pratiques et procédures qui conditionnent la gouvernance
Les référentiels
Les grands standards :Itil, Cobit, CMMi, …
· Orientations plus particulières de certains référentiels : développement logiciel, mode projet, exploitation, etc.
Focus sur CoBit
· Applications types, intérêts et limites
· Limites par rapport à la gouvernance de l’entreprise sur son SI
Modèle d’organisation : la matrice des fonctions du département informatique.
Focus sur ITIL
· Applications types intérêts et limites
· Limites par rapport à la gouvernance de l’entreprise sur son SI
Exemple de mise en place d'une démarche ITIL
Organisation de la DSI
Gouvernance des systèmes d'information-gouvernance d'entreprise
· Comment s’articulent la gouvernance interne du SI et le niveau de gouvernance du SI requis pour le pilotage de l’entreprise ?
· Quel recours pertinent aux référentiels métiers SI, quelles autres leviers et indicateurs pour répondre à toutes les exigences de gouvernance au niveau de l’entreprise
· Et si la Direction de l’entreprise n’envisage même pas le SI comme objet/sujet de la gouvernance d’entreprise ?
Les indicateurs de la Direction des Systèmes d'informations
Ce qui se mesure s'améliore
· Des indicateurs, pourquoi faire ?
· Quelques indicateurs incontournables
Tendances Cloud - Digital Marketing et BYOD …
. Quel impact sur la gouvernance et le contrôle de risque ?
Etude de cas - Elaboration d'un Plan Directeur Informatique
· Le plan directeur
· Exemple d'élaboration du Plan Directeur Informatique d'une PME Français
Compétences à acquérir :
Présenter les principes de la gouvernance des SI
- Capitalisation et management des connaissances
Capitalisation et management des connaissances
Ects : 3
Enseignant responsable :
PIERRE-EMMANUEL ARDUINVolume horaire : 24
Description du contenu de l'enseignement :
Le cours de capitalisation sur les connaissances de l'entreprise est une introduction au Knowledge Management (KM). Il prodigue les concepts académiques fondamentaux aussi bien que des études de cas réelles permettant d'apprécier les enjeux du management des connaissances dans les entreprises.
- Interprétations divergentes dans une entreprise étendue : contextes, cultures, intentions
- Cadre académique de l'ingénierie des connaissances, outils de cartographies cognitives
- Expertise, pouvoir, partage et rétention de connaissances
- Devenir des métiers, design thinking
Compétences à acquérir :
Concepts et enjeux du management des connaissances dans les entreprises
- Qualité des données
Qualité des données
Ects : 2
Enseignant responsable :
KHALID BELHAJJAMEVolume horaire : 18
Description du contenu de l'enseignement :
La qualité de l'information a de graves répercussions sur l'efficience et l'efficacité des organisations et des entreprises. Par exemple, dans les organisations privées, telles que les sociétés de marketing ou les banques, il n'est pas surprenant d'avoir plusieurs registres de clients, mis à jour par différentes procédures organisationnelles, ce qui entraîne des informations contradictoires et en double. Ce cours vise à présenter les problèmes liés à la qualité de données, et de présenter les solutions qui peuvent être utilisées pour les résoudre. En particulier, il a pour objectif d’examiner les trois points suivants :
· Dimensions de la qualité de données. Le terme « qualité de données » est assez vague et englobe plusieurs facettes. Dans cette partie, nous allons examiner les différents dimensions de la qualité de données, allant de l’exactitude, complétude, jusqu’au la consistance et la confiance.
· Algorithme et solutions théoriques. Dans cette partie nous allons examiner en détails quelques solutions théoriques proposées pour résoudre certains problèmes de qualité de données, en particulier celles liées à l’identification d’objet.
· Outils et solutions pratiques. Dans cette partie, nous allons utiliser des outils, et montrer comment ils peuvent être utilisés pour améliorer la qualité de données.
Compétences à acquérir :
Le cours a pour objectif d’introduire les caractéristiques principaux liés à la qualité des données ainsi que de presenter les algorithmes pour leur traitement.
- Aide à la Décision : construction d’indicateur
Aide à la Décision : construction d’indicateur
Ects : 3
Enseignant responsable :
BRICE MAYAGVolume horaire : 24
Description du contenu de l'enseignement :
Modélisation (définir les composants de l’indicateur) : techniques de travail collectif pour la structuration du problème : carte cognitives, focus groupe, etc.
Choix des fonctions d'agrégation : présentation de différents types d’agrégation (additive, ordinale). Analyse de leurs propriétés mathématiques
Mise ensemble des différents types de données venant de différentes sources avec différents niveaux de qualités (avec une approche de "théorie de mesurage" et analyse de signifiance)
Etude de cas avec une présentation d'un cas d'application industriel avec un intervenant industriel
Compétences à acquérir :
Fournir les fondements mathématiques et les outils de gestion nécessaires pour la conception et la mise en place des indicateurs composites.
- Virtualisation et conteneurs
Virtualisation et conteneurs
Ects : 3
Enseignant responsable :
IMAD CHOUKRI KELLOUVolume horaire : 24
Stage
- Stage
Stage
Ects : 9
UE fondamentales
- Management de projet informatique
Management de projet informatique
Ects : 3
Enseignant responsable :
PATRICK GOURDON
PHILIPPE ELBAZVolume horaire : 36
Description du contenu de l'enseignement :
- Les différents processus qui accompagnent les méthodes de conduite de projet informatique
- Rôle de la maîtrise d'ouvrage et de la maîtrise d'œuvre
- Les activités de support
- Exposer et développer les méthodologies de conduite de projet informatique
- Conception agile : Lean, Scrum et Kanban
- Rétro-conception outillée d'un système existant : impact mapping, story mapping et backlog prêt
- Rétrospective méthodologique
- Définition et domaines d'usage d'un ERP
- Pourquoi un ERP ? Les enjeux Business
- Fonctionnement d'un ERP,
- Analyse et Stratégie de l'Entreprise
- Critères de choix d'un ERP,
- Organisation du projet et facteurs clés du succès
- Développement de la solution, test de la solution, mise en production de la solution
- Évaluation de la solution.
Prérequis : UML
Compétences à acquérir :
Développer les compétences nécessaires en matière de lancement, planification, et gestion de projets de manière efficace ainsi qu’à la consolidation des notions de conception et de modélisation et de leur intégration dans une démarche agile.
- Droit, Données et Ethique
Droit, Données et Ethique
Ects : 3
Enseignant responsable :
OLIVIA TAMBOU
AMANDINE PEPERSVolume horaire : 36
Description du contenu de l'enseignement :
Introduction :
- Qu’est-ce que l’éthique (distinction, articulation entre éthique, droit, morale).
- De quelles données parle-t-on ?
- Pourquoi une éthique des données aujourd’hui ? Les principaux enjeux : le développement de l’Intelligence artificielle et la question du respect de dignité humaine, dépersonnalisation, déresponsabilisation, encadrement nécessaire de la gouvernance algorithmique (Cambridge Analytica)
Partie 1 : Les différentes formes d’encadrement de l’éthique des données
- L’encadrement collectif
Des obligations actuelles fixées par les Etats et l’UE (RGDP)
Des tentatives de régulation à l’échelle internationale
Une forme de responsabilité sociétale des entreprises (développement de code de conduite, d’outils de privacy by design ou by default)
- Une responsabilité individuelle : Du cas de conscience à la revendication du statut de lanceur d’alerte
Partie 2 : L’émergence de principes éthiques des données
- Les initiatives en cours :
Les recommandations de la CNIL : Vers la concrétisation d’un principe de loyauté des algorithmes et d’un principe de précaution en matière d’Intelligence Artificielle ?
Le projet de lignes directrices en matière d’éthique dans le domaine de l’IA développée par la Commission européenne
Vers une charte constitutionnelle française du numérique ?
- Les questionnements éthiques spécifiques :
La revendication d’un droit des robots
Vers la création de biens communs numériques ?
- Les bonnes pratiques sectorielles : Ethique des données dans le domaine de la finance, de l’éducation, de la santé etc.
Compétences à acquérir :
La profonde transformation numérique de nos sociétés rend nécessaire comme l’a encore récemment rappelé la CNIL de « former à l’éthique tous les maillons de la chaîne algorithmique, concepteurs, professionnels, citoyens ». La création de ce nouveau cours Données et Ethique s’inscrit dans cette optique. Il s’agit de permettre aux informaticiens de prendre conscience des implications éthiques et sociales du traitement des données qu’ils opèrent. Il s’agit aussi les informer sur l’évolution du cadre dans lesquels ils vont pouvoir ou devoir mettre en œuvre le traitement de leurs données tant à titre personnel que professionnel. L’éthique est une notion souvent difficile à cerner. Elle repose sur un ensemble de règles morales susceptibles d’orienter le comportement des individus voire des entreprises. Ces règles qu’ils s’imposent à eux-mêmes peuvent soit préfigurer, soit en réalité se superposer ou se confondre avec des règles juridiques contraignantes. Ainsi, l’éthique des données se développe à titre collectif qu’à titre individuel notamment avec la figure des lanceurs d’alerte. En outre, l’éthique des données peut varier en fonction de la catégorie de données en cause (données personnelles, non personnelles, données dite d’intérêt général etc.). Ces prémisses sont importantes pour comprendre les enjeux économiques et sociétaux autour de l’émergence actuelle des principes éthiques des données.
- Anglais
Anglais
Ects : 3
Enseignant responsable :
CATHERINE PIOLAVolume horaire : 43.5
Description du contenu de l'enseignement :
Cours par niveau (selon la taille de la promotion). Une sélection de domaines liés au monde du travail, à son évolution et ses enjeux, est abordée par le biais de lectures, d'exercices apprentissage de lexique spécialisé, de présentations orales, de synthèses écrites et de participation à des débats.
Pré-requis recommandés :
Les étudiants doivent avoir un niveau B2 au minimum et/ou d'une certification internationale correspondant au moins au niveau B2.
Pré-requis obligatoire :
Les étudiants doivent pouvoir justifier d'un niveau B2 au minimum et/ou d'une certification internationale correspondant au moins au niveau B2.
Compétences à acquérir :
L'étudiant doit acquérir une autonomie langagière pour être capable de travailler dans un contexte international, à l'écrit comme à l'oral.
A l'issu du cours, il maîtrisera en anglais les prises de parole dans différents contextes professionnels tout comme la rédaction de documents et l'interaction avec des partenaires.
Mode de contrôle des connaissances :
Des travaux à l'écrit et à l'oral sont requis tout au long du cours.
Bibliographie-lectures recommandées
Lecture régulière de la presse anglophone
- Finance de marché
Finance de marché
Ects : 3
Enseignant responsable :
EMMANUEL LEPINETTEVolume horaire : 30
Description du contenu de l'enseignement :
Le but de ce cours est de présenter les marchés financiers et de donner un aperçu des notions mathématiques utilisées pour gérer les produits dérivés. Le cours s’articule autour de la formule de Black and Scholes et se conclut par une présentation des applications les plus courantes en informatique.
Bloc introductif : tour d'horizon culturel des marchés financiers et étude de l'hypothèse d'Absence d'Opportunité d'Arbitrage.
Présentation ou rappel de diverses notions utiles : probabilités, espérance etc...
Processus discrets (temps indexé par un entier), portefeuilles de couverture.
Processus continus (temps indexé par un réel positif), formule de Black and Scholes et ses conséquences (volatilité implicite, couverture en delta neutre etc...)
Compléments (en informatique) : méthode de Monte-Carlo, Box-Muller, Intégrale stochastique, Méthode d’Euler, formule de Feynman-Kac et EDP. Implémentation sur Python pour le pricing.
Pré-requis recommandés :
Mise à niveau en théorie des probabilités jusqu'aux filtrations et espérances conditionnelles.
Pré-requis obligatoire :
Mise à niveau en théorie des probabilités jusqu'aux filtrations et espérances conditionnelles.
Compétences à acquérir :
Compréhension des modèles stochastiques et leurs implémentation.
Mode de contrôle des connaissances :
Examen dont un test sur l'implémentation Python.
- Management des Organisations
Management des Organisations
Ects : 3
Enseignant responsable :
SAMY RAHMANIVolume horaire : 24
Description du contenu de l'enseignement :
Ce cours vise à faire comprendre le contexte de management dans les organisations, et favoriser l'intégration des futurs diplômés dans toute organisation avec des outils concrets et ayant fait leur preuve. Travailler le savoir-être qui est un vernis indispensable pour réussir dans le monde du travail.
Compétences à acquérir :
Comprendre le contexte de management des organisations
Préparer les futurs diplômés à la prise de fonction d’un poste en management
Acquérir des outils concrets pour animer une équipe
Introduire les notions de gestion du changement
Travailler la prise de parole et les présentations
- Projet BI Finance
Projet BI Finance
Ects : 1.5
Enseignant responsable :
PHILIPPE MAZARSVolume horaire : 12
Description du contenu de l'enseignement :
Ce projet consiste à développer un système d’acquisition de données financières présentes publiquement sur le Web (i.e., cours de bourse, taux de change, taux d’intérêts), à les intégrer dans un entrepôt de données (éventuellement XML), et à implanter quelques tâches d’analyse sur les données de l’entrepôt.
Exemple de projet :
Interrogation des historiques de NAV de fonds et de taux ainsi que des données statiques sur les fonds, benchmark, société de gestion etc.
Calcul des indicateurs sur les fonds et leur benchmark comme les volatilités historiques, les rendements glissants, le ratio de sharpe et le ratio d'information.
Génération à partir de la base XML des reportings sur les fonds sous EXCEL ou plus simplement sous un nouveau format XML.
- Projet Finance Reuters
Projet Finance Reuters
Ects : 1.5
Volume horaire : 12
Description du contenu de l'enseignement :
Ce projet consiste à développer un système de manipulation de données financières.
Ce projet, sous forme de TP, consiste à travailler avec l’application Reuters (3000 Xtra) ou Bloomberg afin de manipuler et comprendre les données financières à travers un logiciel incontournable en finance des marchés.
UE Optionnelles
- Large scale machine learning in Spark
Large scale machine learning in Spark
Ects : 3
Enseignant responsable :
DARIO COLAZZOVolume horaire : 24
Description du contenu de l'enseignement :
Les algorithmes d'apprentissage automatique sont de plus en plus utilisés de nos jours, et il existe une demande croissante d'algorithmes d'apprentissage qui sont capable de passer à l'échelle et de traiter des données massives.
Plutôt qu'offrir une introduction exhaustive à l'apprentissage automatique, ce cours se concentre sur les aspects typiques qui doivent être traités dans la conception d'algorithmes distribués pour l'apprentissage, et qui peuvent être exécutés sur les clusters Hadoop, afin d'analyser des grands jeux de données, en tenant compte l'adaptabilité à la croissance du volume des données ainsi que la robustesse en cas de pannes.
Le focus sera sur des algorithmes de réduction de dimension, de clustering et de classification, en tenant compte les aspects suivants. Le premier est la conception d'algorithmes en s'appuyant sur des paradigmes basés sur map-reduce, à cette fin Spark sera utilisé. Le second aspect est l'analyse expérimentale des algorithmes implémentés en Spark, afin de tester leur capacité de passer à l'échelle (scalabilité). Le troisième aspect concerne l'étude et l'application de techniques d'optimisation afin de pallier le manque éventuel de scalabilité.
Bien que le cours se focalise sur certains algorithmes d'apprentissage, les techniques étudiées sont transversales et trouvent application dans un large éventail d'algorithmes d'apprentissage automatique. Pour certains des algorithmes étudiés le cours présentera des techniques pour une implémentation à partir de zéro en Spark-core, tandis que pour d'autres algorithmes Spark ML sera utilisé, et des pipelines de bout en bout seront conçus. Dans les deux cas, les algorithmes seront analysés et optimisés sur des jeux de données réels, sur un cluster Hadoop local, ainsi que sur un cluster sur le cloud Amazon WS.
Compétences à acquérir :
Savoir concevoir des applications efficaces pour l'apprentissage machine sur les données massives.
Mode de contrôle des connaissances :
CC et Projet
- C++
C++
Ects : 3
Enseignant responsable :
JULIEN LESCAVolume horaire : 24
Description du contenu de l'enseignement :
Le langage C++ est actuellement le 3e langage de programmation le plus utilisé au monde(TIOBE Programming Community Index).
Ce cours est destiné en priorité aux étudiants débutants en programmation C++.
Classes et objets (constructeurs/destructeur, Propriétés des méthodes, Surcharge des opérateurs, Objet membre)
Héritage (simple, multiple, virtuel)
Patron de fonctions et Patron de classes Pré requis : Langage C et programmation orientée-objet
Compétences à acquérir :
Former les étudiants à la programmation orientée-objet en C++.
- Initiation à l'entrepreneuriat
Initiation à l'entrepreneuriat
Ects : 3
Enseignant responsable :
MATHIEU CATTENOZVolume horaire : 24
Description du contenu de l'enseignement :
Processus entrepreneurial et Lean Start-up
- Les fondamentaux de l’étude de marché
- Définir un business model pertinent et une stratégie adaptée
- Démarches juridiques et administratives (statut, propriété intellectuelle)
- Réaliser et construire un Business Plan et un Executive Summary
- Apprendre à présenter son projet : Construire un argumentaire, l’art du « pitch » et du « storytelling »
- Panorama des sources de financement et présentation de l’écosystème startup
Compétences à acquérir :
Ce cours permet de se familiariser avec les problématiques d’entrepreneuriat et d’appréhender les fondamentaux nécessaires à la création d’une entreprise ou startup. Les étudiants développent des connaissances, compétences essentielles pour entreprendre grâce à une méthodologie basée sur l’apprentissage par l’action. Un savoir-faire et savoir-être entrepreneurial est développé permettant aux étudiants à la fin du cours de présenter leur projet à un jury d’experts en entrepreneuriat et d’investisseurs potentiels.
- LV2 - Allemand
LV2 - Allemand
Ects : 1
Volume horaire : 12
Description du contenu de l'enseignement :
- Niveau intermédiaire : revoir les règles grammaticales et le lexique de base de la langue allemande – ce qui pourra faciliter un apprentissage plus approfondi si cela s’avère nécessaire pour des raisons professionnelles – et découvrir une autre culture (vie quotidienne, vie politique et sociale, vie professionnelle). Les compétences orales et écrites sont travaillées; des exposés sont consacrés aux sujets économiques et culturels.
- Niveau avancé: étude des grandes questions de société et de l'actualité politique, du fonctionnement de l'économie sociale de marché, approfondissement des compétences linguistiques. Les étudiants seront capables de s'intégrer rapidement à un milieu professionnel germanophone, non pas nécessairement en maîtrisant une langue très technique, mais en ayant acquis une certaine fluidité dans l’expression et approfondi leur connaissance des pays de culture germanique.
Pré-requis obligatoire :
Avoir au moins un niveau B1 (niveau bac).
Compétences à acquérir :
En fonction des promotions, le niveau sera soit intermédiaire, soit avancé.
Niveau intermédiaire : approfondissement des moyens linguistiques permettant de bien communiquer dans un pays germanophone, voire de pouvoir s’intégrer dans un milieu professionnel germanophone (niveau B1-B2 du CECRL).
Niveau avancé : acquisition du niveau B2-C1+ du CECRL, garantissant une très bonne intégration sur le marché du travail des pays germanophones.
Bibliographie-lectures recommandées
La bibliographie est fournie à la rentrée par l'enseignant, mais les étudiants sont invités dès maintenant à s'exercer régulièrement en consultant, par exemple, les documents dédiés sur le site de la Deutsche Welle: www.dw.com/de/deutsch-lernen/s-2055
- LV2 - FLE
LV2 - FLE
Ects : 1
- LV2 - Espagnol
LV2 - Espagnol
Ects : 1
Volume horaire : 12
Description du contenu de l'enseignement :
Cours par niveau
- Virtualisation et conteneurs
Virtualisation et conteneurs
Ects : 3
Enseignant responsable :
IMAD CHOUKRI KELLOUVolume horaire : 24
- Protection des données et Système d'Information
Protection des données et Système d'Information
Ects : 2
Formation année universitaire 2022 - 2023 - sous réserve de modification
Modalités pédagogiques
La formation démarre en septembre, dont la présence en cours est obligatoire.
Les enseignements sont organisés en semestre 3 et semestre 4. Chaque semestre est constitué d'UE fondamentales et d'UE optionnelles auxquels s'ajoute un bloc stage pour le semestre 4.
La note finale de première session d'une UE est obtenue par pondération entre des notes des contrôles continu, de projets, d'examens partiels et terminaux. La note de contrôle continu peut faire intervenir plusieurs éléments : projets, devoirs, interrogations écrites ou orales, et note de participation...
Toute UE pour laquelle l'étudiant a obtenu une note finale supérieure ou égale à 10/20 est définitivement acquise ainsi que les ECTS associés.
Chaque semestre est composé d'UE fondamentales et d'UE optionnelles, ainsi que d'une UE stage pour le semestre 4. Un semestre est définitivement acquis si toutes les conditions suivantes sont vérifiées :
- Il est constitué d'au moins 30 ECTS
- La note finale du semestre est supérieure ou égale à 10/20
- La note finale de chaque UE composant le semestre est supérieure ou égale à 8/20 sauf pour l'UE d'anglais dont la note finale doit-être supérieure ou égale à 6/20
- La note finale de l'UE stage pour la validation du semestre 4 est supérieure ou égale à 10/20
La validation d'un semestre implique la validation de chaque UE de ce semestre et des ECTS associés.
La validation d'une année entraîne la validation de chacun des deux semestres et de toutes les UE les composant ainsi que de tous les ECTS associés.
Une année est définitivement acquise (ainsi que les 60 ECTS associés) si toutes les conditions suivantes sont vérifiées :
- Elle est constituée d'au moins 60 ECTS et la note finale de l'année est supérieure ou égale à 10/20
- La note finale de chaque UE de chaque semestre de l'année est supérieure ou égale à 8/20 sauf pour l'UE d'anglais dont la note finale doit-être supérieure ou égale à 6/20
- La note finale de l'UE stage est supérieure ou égale à 10/20
UE Obligatoires
- Algorithmique de données massives et incertaines
Algorithmique de données massives et incertaines
Ects : 3
Enseignant responsable :
MICHAIL LAMPISVolume horaire : 24
Description du contenu de l'enseignement :
This is an advanced algorithms course with an emphasis on topics that have applications in the treatment of large volumes of data and handling partially unknown information.
The course is divided into two parts :
In the first part, the course discusses Randomized Algorithms and the use of probability theory in the design and analysis of algorithms. Topics that will be covered are applications of randomized techniques to sample and verify large volumes of data efficiently, the difference between average-case analysis and randomized worst-case analysis, and the application of randomized algorithms to cases where the input is only partially and gradually revealed (on-line algorithms).
In the second part, the course revisits traditional algorithm design techniques, such as divide&conquer, with a focus on optimizing performance to the point where the resulting algorithms can realistically be applied to big data problems. This part of the course places a particular emphasis on the notion of dynamic programming.
Compétences à acquérir :
Students who finish this course will learn advanced techniques to design and analyze efficient deterministic and randomized algorithms.
Bibliographie-lectures recommandées
?Bibliography:
1. "Probability and Computing" by Mitzenmacher and Upfal
2. "Algorithms" by Dasgupta, Papadimitriou, Vazirani
- Actuariat pour le crédit et l’assurance
Actuariat pour le crédit et l’assurance
Ects : 3
Enseignant responsable :
EMMANUEL LEPINETTEVolume horaire : 24
Description du contenu de l'enseignement :
Initier les étudiants à l’actuariat.
Actuariat des produits de taux simples en univers déterministe.
Obligations, zéro coupon.
Evaluation, courbe de taux, taux futurs, calcul du taux de rendement interne et de la valeur actuelle nette.
Quelques exemples de modèles stochastiques pour aller plus loin.
Principes de l’actuariat en assurance vie et IARD : tables de mortalité et de sinistre, calcul de prime quand les flux sont aléatoires.
Exemples d'implémentation en Python.
Pré-requis recommandés :
Des connaissances générales en mathématiques; très bon niveau de bac+2 minimum, bac +3 idéalement.
Pré-requis obligatoire :
Suivre les mises à niveau proposés en début d'année.
Compétences à acquérir :
Connaissance générale en actuariat. Evaluation d'obligations, courbe de taux, calcul de prime en assurance.
- Finance des marchés 1
Finance des marchés 1
Ects : 3
Enseignant responsable :
SANDRINE HENONVolume horaire : 24
Description du contenu de l'enseignement :
Le but de ce cours est de présenter les marchés financiers et de donner un aperçu des outils informatiques utilisés pour gérer les produits dérivés.
1. Bloc introductif : tour d'horizon culturel des marchés financiers, étude de l'hypothèse d'Absence d'Opportunité d'Arbitrage en toute généralité.
2. Rappels sur les variables aléatoires, moments. Simulation d'une v.a., Box-Muller. Méthode de Monte-Carlo.
3. Processus discrets (temps indexé par un entier), portefeuilles de couverture. Modèle binomial et valorisation par arbres.
4. Processus continus (temps indexé par un réel positif), formule et modèle de Black and Scholes, volatilité implicite.
5. Simulation du mouvement brownien, schéma d'Euler et formule d'Ito. Grecques.
Pré-requis recommandés :
Notions de probabilités, calcul intégral.
Compétences à acquérir :
Etre capable de refaire les exercices et comprendre comment s'organise le pricing d'un produit dérivé, dans un cadre simple.
- Finance entrepreneuriale
Finance entrepreneuriale
Ects : 3
Enseignant responsable :
FRANCOIS PETERVolume horaire : 24
Description du contenu de l'enseignement :
Ce cours aborde les principaux thèmes de la finance d'entreprises. Il apporte un aperçu des mécanismes financiers de création de valeur. Au travers de la théorie et d'exemples réels, il s'articule en trois parties : outils de base, financement des sociétés et fusions-acquisitions. Les étudiants auront l'opportunité de présenter en groupe et à l'oral une société de leur choix (une liste de sociétés sera proposée par l'enseignant). Cette présentation mettra l'accent sur les aspects financiers des sociétés étudiées et permettra de valider les acquis.
Partie I - Outils financiers de l'entrepreneur :Eléments de stratégie : les cinq forces d'un marché (concurrents, clients, fournisseurs, produits de substitution et nouveaux entrants), notions générales de compétitivité, Le modèle économique des sociétés, Les sources du financement : la dette et le capital, Le business plan : paramètres et modélisation, Rappel des méthodes de valorisation des sociétés.
Partie II - Financement des sociétés aux différents stades de développement :Création : business angels et capital risque - attente des intervenants, sur quels critères financent-ils les start-up ?Développement : privateequity - objectifs et fonctionnement des fonds, caractéristiques des principales places financières (New York, San Francisco, Londres), Maturité : introduction en bourse - contraintes et opportunités d'une IPO.
Partie III - Introduction aux fusions et acquisitions :Pourquoi les sociétés fusionnent-elles : synergies, intérêts financiers, Les principaux acteurs internes (actionnaires, management) et externes (avocats, banques d'affaires, banques de financement, auditeurs, consultants), Enjeux de la fusion des sociétés : risques, culture, facteurs exogènes, Principales étapes d'une acquisition : identification d'une cible, approche des actionnaires, due diligence, valorisation, négociation, rôle des intervenants externes (avocats, banquiers, auditeurs, consultants), intégration post-fusion.
Partie IV - Cas d'une entreprise : création, développement, positionnement, écosystème, analyse financière de la société.
- Gestion de portefeuille et risque
Gestion de portefeuille et risque
Ects : 3
Enseignant responsable :
FRANCOIS PETERVolume horaire : 24
Description du contenu de l'enseignement :
Rendement/risque d’un portefeuille. Théorie moderne de gestion d’un portefeuille. Value atRisk.
Analyse de performance (caractéristiques d’un portefeuille).
Théorie moderne du portefeuille ; le modèle de Markowitz, CAPM.
Gestion/Allocation de portefeuilles et mesures de performance.
Modèles multifactoriels.
Mesures de risque : Value at Risk.
- Management de Projets
Management de Projets
Ects : 3
Enseignant responsable :
THIERRY JAILLETVolume horaire : 24
Description du contenu de l'enseignement :
- Les différents processus qui accompagnent les méthodes de conduite de projet informatique
- Rôle de la maîtrise d'ouvrage et de la maîtrise d'œuvre
- Les activités de support
- Exposer et développer les méthodologies de conduite de projet informatique
- Conception agile : Lean, Scrum et Kanban
- Rétro-conception outillée d'un système existant : impact mapping, story mapping et backlog prêt
- Rétrospective méthodologique
- Définition et domaines d'usage d'un ERP
- Pourquoi un ERP ? Les enjeux Business
- Fonctionnement d'un ERP,
- Analyse et Stratégie de l'Entreprise
- Critères de choix d'un ERP,
- Organisation du projet et facteurs clés du succès
- Développement de la solution, test de la solution, mise en production de la solution
- Évaluation de la solution.
Pré-requis obligatoire :
UML
Compétences à acquérir :
Ce cours vise à développer les compétences nécessaires en matière de lancement, planification, et gestion de projets de manière efficace ainsi qu’à la consolidation des notions de conception et de modélisation et de leur intégration dans une démarche agile.
- Optimisation en finance
Optimisation en finance
Ects : 3
Enseignant responsable :
ALI RIDHA MAHJOUBVolume horaire : 24
Description du contenu de l'enseignement :
Le but de ce module est d'introduire certaines techniques d'optimisation pour résoudre des problèmes en finance moderne, comme les problèmes de gestion de portefeuilles, de gestion de risques ou d’évaluation de prix d’option. L’accent sera mis sur les modèles stochastiques en finance.
Introduction : Rappel de quelques techniques et modèles d’optimisation : modèles linéaires, mixtes, quadratiques, Problèmes de gestion de portefeuilles, d’évaluation de prix d’options et d’arbitrage. Modèle de Markowitz.
Gestion de risque : Valeur en risque, valeur en risque conditionnelle, Optimisation de la valeur en risque conditionnelle.
Optimisation robuste en finance : Sélection de portefeuille robuste sur plusieurs périodes, Profit robuste dans un portefeuille risqué, Sélection de portefeuille robuste, Robustesse relative dans la sélection d’un portefeuille.
Modèles stochastiques : Gestion actif-passif, Gestion des dettes, Evaluation des prix d’options, Estimation de la volatilité.
- Projet Business Intelligence
Projet Business Intelligence
Ects : 1.5
Enseignant responsable :
PHILIPPE MAZARSVolume horaire : 12
Description du contenu de l'enseignement :
Ce projet consiste à développer un système d’acquisition de données financières présentes publiquement sur le Web (i.e., cours de bourse, taux de change, taux d’intérêts), à les intégrer dans un entrepôt de données (éventuellement XML), et à implanter quelques tâches d’analyse sur les données de l’entrepôt.
Exemple de projet :
Interrogation des historiques de NAV de fonds et de taux ainsi que des données statiques sur les fonds, benchmark, société de gestion etc.
Calcul des indicateurs sur les fonds et leur benchmark comme les volatilités historiques, les rendements glissants, le ratio de sharpe et le ratio d'information.
Génération à partir de la base XML des reportings sur les fonds sous EXCEL ou plus simplement sous un nouveau format XML.
- Projet Logiciel Finance (Reuters/Bloomberg)
Projet Logiciel Finance (Reuters/Bloomberg)
Ects : 1.5
Volume horaire : 12
Description du contenu de l'enseignement :
Ce projet consiste à développer un système de manipulation de données financières.
Ce projet, sous forme de TP, consiste à travailler avec l’application Reuters (3000 Xtra) ou Bloomberg afin de manipuler et comprendre les données financières à travers un logiciel incontournable en finance des marchés.
- Finance des marchés 2
Finance des marchés 2
Description du contenu de l'enseignement :
Il s'agit d'implémenter sur Python des problèmes classiques en finance. En particulier:
Calibration et implémentation du modèle de Black et Scholes, calcul de la volatilité implicite.
Gestion de portefeuille: calcul de portefeuilles optimaux, frontière efficiente.
Sur-réplication de payoff Européens sans probabilité de risque neutre à partir d'un historique.
Calcul de mesures de risques (VAR, CVAR).
Pré-requis recommandés :
Théorie des probabilités, connaissance en programmation, connaissance en finance générale.
Pré-requis obligatoire :
Cours "Finance de marché 1" du premier semestre et cours "Gestion de portefeuille".
Compétences à acquérir :
Savoir comprendre et implémenter des modèles en finance.
Mode de contrôle des connaissances :
Examen terminal.
Bibliographie-lectures recommandées
Le cours se suffit à lui même.
- Systèmes, Langages et Paradigmes pour le Big Data
Systèmes, Langages et Paradigmes pour le Big Data
Ects : 3
Enseignant responsable :
DARIO COLAZZO
MOHAMMAD AMIN FARVARDIN
BENJAMIN NEGREVERGNEVolume horaire : 24
Description du contenu de l'enseignement :
Le cours a pour objectif d'apprendre aux étudiants les aspects fondamentaux des technologies Big Data pour la gestion et analyse de données massives.
Le cours s’articule en trois parties.
Dans la première, l’accent est sur le paradigme MapReduce et le système Hadoop, avec un focus sur son système de fichiers HDFS. Le cours illustrera les mécanismes de base de Hadoop pour le support de l'exécution parallèle de ‘dataflow’ MapReduce sur des clusters de machines. Une attention particulière sera donnée aux aspects algorithmiques et d’optimisation de dataflow MapReduce.
La deuxième partie présentera des langages de requête et d’analyse de données caractérisés par des mécanismes de haut niveau et qui sont compilé sur MapReduce. Le focus sera sur Hive, permettant du traitement de données via SQL. Des techniques de compilation de SQL vers MapReduce seront présentées.
La troisième partie sera consacrée à des évolutions de Hadoop, et en particulier au système Spark et au langage de support Scala. Le focus sera sur l’architecture de Spark, la notion de RDD, l'évaluation lazy de transformations et actions sur des collections distribuées RDD.
Les notions apprises seront mises en pratique dans un projet où les étudiants devront concevoir un dataflow pour l’analyse de grands volumes de données. L'implémentation sera faite tant en MapReduce qu’en Spark, et une analyse expérimentale sera effectuée pour comparer les performances des deux implémentations.
Compétences à acquérir :
Savoir concevoir des applications pour le tratement efficace de données massives.
Mode de contrôle des connaissances :
CC et Projet
UE Obligatoires
- Anglais
Anglais
Ects : 3
Enseignant responsable :
FRANCOISE DE FILIPPISVolume horaire : 24
Description du contenu de l'enseignement :
Cours par niveau
- Applications Web Orientées Services
Applications Web Orientées Services
Ects : 3
Enseignant responsable :
MOULOUD MENCEURVolume horaire : 24
Description du contenu de l'enseignement :
Introduction aux microservices, constituant un paradigme d'architecture logicielle visant décomposer une système applicatif en une suite de services indépendants et découplés. Ce type d'architecture a émergé de la nécessité de construire des systèmes applicatifs à l’échelle du Web, c'est à dire continuellement évolutifs avec des niveaux de performance et de résilience jamais atteints.
- Les concepts et les enjeux des architectures microservices :
* Enterprise-scale IT à Web-scale IT (Cloud : IaaS, Paas, Saas, agilité, scalabilité horizontale, "design for failure"....)
* Architectures SOA traditionnelle versus Microservices
* Décomposition d'une application monolithique en microservices
- Les technologies et les pratiques de développements associées
* Architecture REST, API
* Microservices patterns
* Conteneurisation des applications (Docker, Kubernetes,...)
* Supervision et traces (Elastic Stack,...)
Mise en oeuvre dans le cadre d'un projet Java avec Spring Boot, Spring Cloud
- C++
C++
Ects : 3
Enseignant responsable :
JULIEN LESCAVolume horaire : 24
Description du contenu de l'enseignement :
Le langage C++ est actuellement le 3e langage de programmation le plus utilisé au monde(TIOBE Programming Community Index).
Ce cours est destiné en priorité aux étudiants débutants en programmation C++.
Classes et objets (constructeurs/destructeur, Propriétés des méthodes, Surcharge des opérateurs, Objet membre)
Héritage (simple, multiple, virtuel)
Patron de fonctions et Patron de classes Pré requis : Langage C et programmation orientée-objet
Compétences à acquérir :
Former les étudiants à la programmation orientée-objet en C++.
- Management des Organisations
Management des Organisations
Ects : 3
Enseignant responsable :
ISABELLE QUINIOVolume horaire : 24
Description du contenu de l'enseignement :
Ce cours vise à faire comprendre le contexte de management dans les organisations, et favoriser l'intégration des futurs diplômés dans toute organisation avec des outils concrets et ayant fait leur preuve. Travailler le savoir-être qui est un vernis indispensable pour réussir dans le monde du travail.
Compétences à acquérir :
Comprendre le contexte de management des organisations
Préparer les futurs diplômés à la prise de fonction d’un poste en management
Acquérir des outils concrets pour animer une équipe
Introduire les notions de gestion du changement
Travailler la prise de parole et les présentations
- Méthodes Agiles d’Ingénierie Logicielle
Méthodes Agiles d’Ingénierie Logicielle
Ects : 3
Enseignant responsable :
MICHEL ZAMFIROIUVolume horaire : 24
Description du contenu de l'enseignement :
La nouvelle économie met à rude épreuve les équipes des projets informatiques. L'instabilité notoire des spécifications et le raccourcissement des délais de livraison imposent une amélioration drastique de la réactivité et de la productivité du développement, sans tolérer pour autant une quelconque négligence en matière de stabilité et d'évolutivité des applications déployées. Les méthodologies dites "agiles" tentent de répondre à ces exigences, en adoptant un investissement minimaliste et prônant des résultats tangibles et fréquents, par opposition aux méthodologies classiques qui - tout en imposant des organisations coûteuses - n'arrivent plus à prouver leur efficacité dans ces conditions extrêmement dynamiques. Ce cours propose un panorama des méthodes et techniques efficaces applicables dès les projets de petite taille, y compris pour assurer la traçabilité complète entre les besoins et les composants techniques en continue évolution. Les étudiants pourront les mettre en œuvre avantageusement, preuve comprise, aussi bien pour leurs projets pédagogiques qu'industriels, une fois dans l'entreprise.
- Introduction. Evolution des modèles du cycle de vie des projets. Manifeste agile: valeurs et principes.
- Offre des méthodologies agiles : XP, Scrum, FDD, Kanban, Lean, etc.
- eXtremeProgramming : cycle de négociation, métaphore & storytelling, développement piloté par les tests, refactoring permanent, etc.
- Gestion des exigences et de configuration logicielles. CMMi vs agile.
- Zoom sur le testing automatique fonctionnel : Behaviour Driven Developement en Gherkin avec Cucumber.
- Modélisation, patterns agiles, stratégies et styles architecturaux agiles: Design Patterns, Analysis Patterns, Metapatterns, Hexagonal, CQRS, DDD.
- Techniques encourageant l'agilité : RAD, AOP, Assemblage de composants, MDA, métriques & audits, EventModeling, Impact et StoryMapping.
Illustrations en Java et Python, tout au long du cours.
Pré-requis recommandés :
Expérience en conception et programmation orientée-objet.
Pré-requis obligatoire :
Avoir des connaissances de programmation Java ou Python et de conception orientée-objet.
Compétences à acquérir :
- Découvrir, comprendre et appliquer les principes et les pratiques agiles les plus efficaces.
- Collaborer en équipe pour atteindre rapidement un objectif fonctionnel ou technique.
- Renforcer les compétences de spécification, conception, planification, communication, développement et tests automatisés.
- Fournir des résultats tangibles et fréquents, avec le sourire
Mode de contrôle des connaissances :
Projet évolutif avec soutenance validant les connaissances individuelles acquises.
Bibliographie-lectures recommandées
Agile Ownership in a nutshell (vidéo) — youtu.be/502ILHjX9EE
Scrum and XP from the Trenches — leanagiletraining.com/wp-content/uploads/2020/03/Scrum-and-XP-from-the-Trenches-2nd-edition.pdf
The Pragmatic Programmer — pragprog.com/titles/tpp20/the-pragmatic-programmer-20th-anniversary-edition/
Le blog de Martin Fowler — martinfowler.com
Le manifeste agile — agilemanifesto.org
Extreme programming: a gentle introduction — www.extremeprogramming.org
The Scrum Guide — www.scrum.org/resources/scrum-guide
- Projet Programmation financière
Projet Programmation financière
Ects : 1.5
Enseignant responsable :
EMMANUEL LEPINETTEVolume horaire : 12
Description du contenu de l'enseignement :
Ce cours projet traite du problème d’implémentation des modèles de valuation des produits dérivés financiers.
Il s’agira de mettre en application les modèles de pricing présentés en finance de marché. Ce cours-projet abordera tout particulièrement la méthode de Monte-Carlo et son implémentation en Python afin d'évaluer des options Européennes et Asiatiques dans des modèles à volatilité locale.
Pré-requis obligatoire :
Cours de finance de marché.
Compétences à acquérir :
Programmation en Python des méthodes de pricing vues dans le cours Finance de Marché.
Mode de contrôle des connaissances :
Contrôle sous la forme d'un TP.
- Projet Programmation par composants
Projet Programmation par composants
Ects : 1.5
Enseignant responsable :
JOSE LUUVolume horaire : 15
Description du contenu de l'enseignement :
Ce cours est essentiellement un projet visant à réaliser concrètement le développement et l’intégration de composants logiciels dans un outil existant.
Les exemples seront choisis dans le domaine financier et permettront d’illustrer en pratique l’intérêt de la programmation par composant, et son application au domaine applicatif du Master IF.
Exemple : Développement d'une application VBA Excel / Addin C++ de construction et d'utilisation d'une courbe de taux à partir d'inputs bien définis dans une feuille Excel. L'API c++ devra proposer plusieurs services :Récupération des courbes zéro-coupons & forward et Calcul (avec interpolation) d'un point donné dans une courbe
- SQL, NoSQL et NewSQL
SQL, NoSQL et NewSQL
Ects : 3
Enseignant responsable :
MAUDE MANOUVRIERVolume horaire : 24
Description du contenu de l'enseignement :
Le cours a pour objectif d'apprendre aux étudiants les aspects fondamentaux des différents types bases de données qu’elles soient basées sur le SQL, le NoSQL (Not Only SQL) ou récemment le NewSQL.
Le cours s’articule en trois parties.
Dans la première partie, l’accent est mis sur les bases de données relationnelles : leurs avantages et leurs inconvénients, ainsi que la correspondance objet-relationnel (Object-Relationnel Mapping -ORM) avec la norme JPA.
La deuxième partie présentera les différents modèles noSQL (clé-valeur, document, graphe), les notions de disponibilité et de partitionnement à la cohérence (propriétés BASE, théorème CAP), les différents systèmes NoSQL (Redis, MongoDB, Cassandra, Neo4j, ...), les avantages et les inconvénients du NoSQL.
La troisième partie sera consacrée aux bases NewSQL : leur définition et leurs caractéristiques, les nouvelles architectures et la notion de DBaaS (Database as a service), leurs avantages et leurs inconvénients.
Les notions apprises seront mises en pratique dans le cadre de TP (sur Redis, Cassandra, MongoDB et Neo4j) et d'un projet où les étudiants devront manipuler différents types de bases de données afin de les comparer.
Pré-requis recommandés :
Programmation Java (pour la norme JPA)
Pré-requis obligatoire :
Bases de données relationnelles, SQL.
Compétences à acquérir :
Compréhension des modèles NoSQL, modélisation des bases de données en SQL et NoSQL, norme JPA.
Mode de contrôle des connaissances :
Cette UE est évaluée par un projet (50%) et un examen (50%)
Bibliographie-lectures recommandées
P. J. Sadalage et M. Fowler (2013).
NoSQL Distilled: A Brief Guide to the Emerging World of Polyglot Persistence. Addison Wesley
R. Bruchez (2015).
Les bases de données NoSQL et le Big Data. Eyrolles
G. Harrison (2015), Next Generation Databases, NoSQL, NewSQL and Big Data, Apress
- Conduite de projet de communication
Conduite de projet de communication
Description du contenu de l'enseignement :
Réaliser en groupe un projet de communication : site web, communication réseaux sociaux, conception de supports de communication, promotion sur salons et forums online et offline.
Compétences à acquérir :
Familiariser les étudiants aux méthodes de communication dans le cadre d’un projet concret et leur apprendre les bases de la communication en entreprise (oral et écrit, online et offline).
Mode de contrôle des connaissances :
Notes sur livraison des projets
UE Obligatoires
- Mémoire de master
Mémoire de master
Ects : 9
Formation année universitaire 2022 - 2023 - sous réserve de modification
Modalités pédagogiques
La formation démarre en septembre, dont la présence en cours est obligatoire. Le rythme d'alternance est de quatre semaines en entreprise / deux à trois semaines à l'Université.
La formation est à 75% une formation dédiée aux connaissances nécessaires à l’ingénierie d’application de haute qualité. Les trois modules purement consacrés aux connaissances informatiques couvrent respectivement les domaines de l’architecture logicielle, de la gestion de grandes masses de données et du management et pilotage de projets informatiques. Ces connaissances sont nécessaires à des informaticiens de haut niveau pour maîtriser la conception et la réalisation d’application exigeante en terme de sécurité, de performance ou de complexité architecturale. La coloration en finance intervient dans le projet à deux titres :
- Le quatrième module, dit « fonctionnel », donnera aux étudiants un aperçu des métiers de la finance et des problématiques propres aux systèmes d’information de ce domaine. Il ne s’agit pas d’en faire des professionnels du domaine, mais de leur donner les moyens de s’adapter, de comprendre et de réagir aux besoins « métiers » auxquels ils seront confrontés.
- Les projets proposés dans chacun des trois modules techniques seront orientés vers des études de cas tirés du domaine finance/assurance, et serviront de lien avec le module fonctionnel. Les étudiants pourront donc confronter dès la période de cours les techniques apprises avec des besoins métiers, et assimiler des outils et pratiques typiques des SI finance/assurance.
Le diplôme de 2ème année de master mention Informatique parcours MIAGE-IF formation en apprentissage est délivré aux étudiants satisfaisant aux conditions suivantes :
- Elle est constituée d'au moins 60 ECTS et la note finale de l'année est supérieure ou égale à 10/20
- La note finale du bloc enseignement est supérieure ou égale à 10/20 sous réserve que la note finale de chaque enseignement composant ce bloc soit supérieure ou égale à 6/20
- La note de mémoire est supérieure ou égale à 10/20
Stages et projets tutorés
Le stage se déroule sur une durée de cinq à six mois. Le sujet du stage doit être validé par le responsable de la formation avant le début du stage. A l'issue du stage, l'étudiant dépose une version électronique et remet deux exemplaires papier du rapport signés par le tuteur entreprise au secrétariat de la formation. Le rapport doit-être remis au plus tard quinze jours avant la date de la soutenance définie par le secrétariat de la formation.
Des programmes nourris par la recherche
Les formations sont construites au contact des programmes de recherche de niveau international de Dauphine, qui leur assure exigence et innovation.
La recherche est organisée autour de 6 disciplines toutes centrées sur les sciences des organisations et de la décision.
En savoir plus sur la recherche à Dauphine