Responsables :
Jules MAES (Responsable) - département Mathématiques (UFR SEN)
Laurence CARASSUS (Responsable) - département Mathématiques (UFR SEN)

Volume horaire :

Nature	CM	TD	Total
Durée	28h	28h	56h

Modalités de contrôle des connaissances :

Épreuves		Nature	DS	DS	EET	EET	Total
		Durée	2h	2h	3h	3h
Points	Cas général	1ère session	25	25	50	0	100%
		2ème session	25	25	0	50	100%
	Dispense contrôle continu	1ère session	0	0	100	0	100%
		2ème session	0	0	0	100	100%

Objectifs :
Acquisition des notions de probabilités en vue de la préparation d'un Master 2 de mathématiques (recherche ou professionnel) ou l'agrégation de mathématiques.
Compétences spécifiques visées :

Compétences générales visées :
Maîtriser les notions et les techniques de Probabilités et savoir les utiliser pour résoudre des problèmes de mathématiques théoriques ou des problèmes réels.
Connaissances requises :
Mesure et intégration, niveau licence de mathématiques

Programme :
- Mesure et Intégration : rappels et compléments- Mesures de probabilités, Fonctions de répartition, Variables aléatoires, Vecteurs aléatoires- Espérance mathématique, Variance, Fonction caractéristique- Indépendance de variables aléatoires et applications- Vecteurs aléatoires gaussiens, lois gaussiennes et applications- Convergences de suite de variables aléatoires- Lois des grands nombres, théorème central limite et applications

Responsables :
François VIGNERON (Responsable) - département Mathématiques (UFR SEN)

Volume horaire :

Nature	CM	TD	Total
Durée	14h	14h	28h

Modalités de contrôle des connaissances :

Épreuves		Nature	DS	DST	EET	Total
		Durée	2h	2h	2h
Points	Cas général	1ère session	50	50	0	100%
		2ème session	50	0	50	100%
	Dispense contrôle continu	1ère session	0	100	0	100%
		2ème session	0	0	100	100%

Objectifs :
Développer des outils de base pour l?analyse fonctionnelle
Compétences spécifiques visées :
Etudier les espaces de Hilbert, cadre naturel de nombreux problèmes analytiques
Compétences générales visées :
Se familiariser avec les espaces vectoriels de dimension infinie
Connaissances requises :
L3 Mathématiques

Programme :
- Espaces préhilbertiens, espaces de Hilbert. Exemples.
- Projection sur un convexe fermé, projection orthogonale sur un sous-espace vectoriel fermé. Supplémentaires orthogonaux
- Dualité. Théorème de représentation de Riesz. Théorème de Lax-Milgram.
- Orthonormalisation de Gram-Schmidt, bases hilbertiennes. Exemples : polynômes trigonométriques et polynômes orthogonaux.
- Théorème de Hahn-Banach dans un espace vectoriel normé. Applications.

Responsables :
Laurent DI MENZA (Responsable) - département Mathématiques (UFR SEN)

Volume horaire :

Nature	CM	TD	TP	Total
Durée	10h	8h	10h	28h

Modalités de contrôle des connaissances :

Épreuves		Nature	ITP	DST	EET	Total
		Durée	2h	2h	2h
Points	Cas général	1ère session	40	60	0	100%
		2ème session	40	0	60	100%
	Dispense contrôle continu	1ère session	40	60	0	100%
		2ème session	40	0	60	100%

Objectifs :
- Comprendre les grands principes pour l'élaboration de modèles généraux ;- Savoir utiliser des techniques variées pour la résolution d'une EDP simple ;- Analyser les performances de schémas aux différences finies : consistance, stabilité, convergence.
Compétences spécifiques visées :
Implémentation de schémas aux différences finies
Compétences générales visées :
Analyse de la pertinence d'un modèle physique
Connaissances requises :
Calcul différentiel, résolution numérique d'EDO

Programme :
- Modèles généraux issus de la physique- Formules de représentation pour les solutions- Schémas numériques aux différences finies, propriétés (consistance, stabilité, convergence).

Responsables :
Emmanuelle GAUTHERAT (Responsable) - département Economie et sciences sociales (UFR LSH)

Volume horaire :

Nature	CM	TD	Total
Durée	20h	30h	50h

Modalités de contrôle des connaissances :

Épreuves		Nature	IE	ITP	Projet	ITP	ITP	Total
		Durée				2h	2h
Points	Cas général	1ère session	33	33	34	0	0	100%
		2ème session	0	0	0	0	100	100%
	Dispense contrôle continu	1ère session	0	0	0	100	0	100%
		2ème session	0	0	0	0	100	100%

Objectifs :
Maitrise de la production d?un modèle économétrique avec l?ensemble des précautions à mettre en ?uvre.Maitrise de la portée des résultats produitsUtilisation du logiciel RMaitrise de la manipulation de base de données avec SAS® manipulation et la transformation de données avec SAS®Création de rapports statistiques en utilisant des procédures SAS®
Compétences spécifiques visées :
Méthodes linéaires et non linéaires en économétrie ;Familiarité avec les bases de la modélisation économétrique ;Esprit critique face aux hypothèses sous-jacentes ;Méthodes économétriques utilisées en évaluation quantitatives économiques.Analyser des données quantitatives et savoir proposer un modèle adapté à l?étude d?une demande concrètePremières manipulations avec RUtilisation du logiciel SAS® et obtention de la certification SAS® Base Programming for SAS® 9
Compétences générales visées :

Connaissances requises :
Statistique niveau licence d?économie, mathématiques ou informatique.

Programme :
On présente dans cet enseignement une première approche des méthodes d?économétrie (dont l?aspect technique est appelé « modèles linéaires » dans le champ mathématiques). Après avoir présenté l?intérêt et les limites d?un modèle économétrique, on s?attachera à présenter avec minutie la méthode des moindres carrés ordinaires tant en « fixed model » qu?avec des régresseurs aléatoires. On étendra cette méthode aux moindres carrés généralisés. Enfin, on présentera les outils d?aide au diagnostic de situations de colinéarité et on étudiera les moyens mathématiques existant pour y remédier tels que l?utilisation de variables instrumentales et les techniques maitrisées de choix de variables (AIC, BIC etc.). On travaillera sur des données en coupe.Les procédures logicielles correspondant aux différents modèles seront mises en ?uvre et appliquées à des jeux de données réelles sous R et SAS® (Statistical Analysis System). Ces logiciels sont extrêmement utilisés, tant dans l?environnement académique qu?industriel oudes services. Les étudiants seront donc invités à prendre en main R et bénéficieront d?un enseignement de SAS. Ils pourront passer certification SAS® Base Programming for SAS® 9.

Responsables :
Amor KEZIOU (Responsable) - département Mathématiques (UFR SEN)
Stéphanie LOHRENGEL (Responsable) - département Mathématiques (UFR SEN)

Volume horaire :

Nature	CM	TD	TP	Total
Durée	28h	18h	10h	56h

Modalités de contrôle des connaissances :

Épreuves		Nature	DS	CRTP	EET	EET	Total
		Durée	2h		3h	3h
Points	Cas général	1ère session	30	20	50	0	100%
		2ème session	0	20	0	80	100%
	Dispense contrôle continu	1ère session	0	20	80	0	100%
		2ème session	0	20	0	80	100%

Objectifs :
Initier à la formulation, l?analyse et la résolution de problèmes d?optimisation.
Compétences spécifiques visées :
- Maîtriser les concepts de base de l?analyse convexe et l'optimisation ;- Maîtriser les techniques numériques de résolution applicables à ces problèmes et être capable de les mettre en ?uvre en pratique.
Compétences générales visées :
- Savoir reconnaître et formuler un problème d'optimisation linéaire, convexe ou non-linéaire.
Connaissances requises :
Mathématiques générales, niveau licence de mathématiques ou informatique.

Programme :
- Concepts de base sur les problèmes d'optimisation ;- Analyse convexe et optimisation ;- Méthodes numériques d?optimisation.

Responsables :
Aline LELARGE (Responsable) - département Langues (UFR SEN)

Volume horaire :

Nature	TD	Total
Durée	12h	12h

Modalités de contrôle des connaissances :

Épreuves		Nature	DS	DST	EOT	EOT	Total
		Durée			0h15	0h15
Points	Cas général	1ère session	50	50	0	0	100%
		2ème session	0	0	0	100	100%
	Dispense contrôle continu	1ère session	0	0	100	0	100%
		2ème session	0	0	0	100	100%

Objectifs :
Consolider les connaissances linguistiques et la pratique de la langue anglaise en situation de communication, et acquérir du lexique dans le domaine des mathématiques. 
Compétences spécifiques visées :
Faire une présentation orale convaincante d?un thème/document étudié (méthodologie de la communication) et/ou prendre part à un débat contradictoire.
Compétences générales visées :
Compétences relatives à l?apprentissage d?une langue étrangère au niveau B2 du Cadre Européen Commun de Référence pour les Langues (CECRL) : compréhension de l?oral, compréhension de l?écrit, expression orale en continu et en interaction, expression écrite.
Connaissances requises :
Étude de la langue anglaise dans l?enseignement secondaire et supérieur

Programme :
L?histoire des mathématiques à travers les grandes théories mathématiques et les grands mathématiciensLa résolution de problèmes mathématiques simplesLes mathématiques dans la société (enseignement, évolution, enjeux, etc.)L?actualité des mathématiques (Prix Abel, médaille Fields, etc.)Remarque : étant donné le niveau visé en fin de diplôme de Master (B2/C1), il est vivement recommandé de compléter les enseignements et apprentissages en TD d?anglais par un travail personnel au Cerel (Centre de Ressources en Langues) du campus, bâtiment 5ter. Ce travail se fera en autonomie mais l'étudiant pourra bénéficier du guidage et de l?accompagnement de son enseignant d'anglais.Pour obtenir 10/20, les étudiants devront avoir le niveau B2 dans les compétences évaluées par l'enseignant.

Responsables :
Jules MAES (Responsable) - département Mathématiques (UFR SEN)

Volume horaire :

Nature	TP	Total
Durée	10h	10h

Modalités de contrôle des connaissances :

Épreuves		Nature	DS	DS	ITP	ITP	Total
		Durée			1h	1h
Points	Cas général	1ère session	50	50	0	0	100%
		2ème session	0	0	0	100	100%
	Dispense contrôle continu	1ère session	0	0	100	0	100%
		2ème session	0	0	0	100	100%

Objectifs :
Introduction à l?algorithmique ;Pratique d'un logiciel de développement rapide.
Compétences spécifiques visées :
Aisance face à un langage de codage avancé
Compétences générales visées :

Connaissances requises :

Programme :
? Eléments d'algorithmique de base (itérateurs, conditionnelle, embranchements)? Programme principal, sous programmes (procédures, fonctions), paramètres (donnés/résultats)? Variables, types, objets, espaces de nom? Gestion de librairies? Bonnes pratiques de la programmation (indentation, structuration, commentaires...)? Mise en ?uvre en langage Python

Responsables :
Jules MAES (Responsable) - département Mathématiques (UFR SEN)

Volume horaire :

Nature	CM	TD	Total
Durée	10h	12h	22h

Modalités de contrôle des connaissances :

Épreuves		Nature	DS	DST	CR	CR	Total
		Durée
Points	Cas général	1ère session	50	50	0	0	100%
		2ème session	0	0	0	100	100%
	Dispense contrôle continu	1ère session	0	0	100	0	100%
		2ème session	0	0	0	100	100%

Objectifs :
Cet enseignement porte sur l?étude des données descriptives spatialisées. Après un bref exposé des différentes techniques géostatistiques, le cours portera sur la prise en compte de la réalité spatiale des activités économiques. Le propos du géostatisticien est de dépasser la simple constatation spatiale et de mettre en place des démarches méthodologiques adaptées pour contribuer à bâtir une stratégie économique ou commerciale et à en mesurer les effets. Les différentes démarches proposées seront appliquées à l?aide d?un logiciel SIG permettant la représentation de données géographiques à l?aide de cartes. Il s?agit également de savoir utiliser les différentes ressources mises à disposition par le logiciel en vue d?appliquer telle ou telle méthode vue en géostatistique ou utile lors des divers projets. On travaillera ici avec le logiciel libre Quantum GIS (Qgis).
Compétences spécifiques visées :
Savoir analyser des données spatialesObtention de cartes géographiques répondant à la problématique générale poséeProblématiser une situation en termes spatiaux et émettre des propositions en termes d?aide à la décisionConnaissance des apports et limites de la géostatistiqueDémarche d?un SIG en vue d?une adaptation rapide à un changement de logiciel.
Compétences générales visées :

Connaissances requises :

Programme :

Responsables :
Djamal LOUANI (Responsable) - département Mathématiques (UFR SEN)

Volume horaire :

Nature	CM	TD	TP	Total
Durée	30h	20h	10h	60h

Modalités de contrôle des connaissances :

Épreuves		Nature	CRTP	DS	EET	EET	Total
		Durée		2h	3h	3h
Points	Cas général	1ère session	25	25	50	0	100%
		2ème session	25	25	0	50	100%
	Dispense contrôle continu	1ère session	25	0	75	0	100%
		2ème session	25	0	0	75	100%

Objectifs :

Compétences spécifiques visées :

Compétences générales visées :

Connaissances requises :

Programme :

Programme :
I- Introduction à la théorie de la décision
1. Décision (définition, fonction de perte)
2. Choix d'une règle de décision et risque
3. Les principes statistiques
- Principe bayésien
- Principe minimax
- Principe des règles sans biais
- Principe d'invariance
- Principe d'exhaustivité
- Principe de Neyman
- Principe de vraisemblance
- Principes asymptotiques

II Statistique
1. Modèle statistique: définition et variantes
2. Définition d'une statistique et propriétés
3. Statistique d'ordre et espacement
4. Exhaustivité, caractérisation
5. Statistique libre, statistique totale, statistique minimale
6. Information de Fisher
- Définition et propriétés
- Cas multidimensionnel

III Estimation ponctuelle
1. Définition d'un problème d'estimation ponctuelle
2. Estimation dans le cas d'un modèle d'échantillonnage
3. Propriétés
4. Méthodes d'estimation
5. Réduction de variance d'un estimateur (Théorème deBlackwell)
6. Efficacité d'un estimateur

IV Estimation par des régions de confiance
1. Définition d'une région de confiance
2. Principe de construction d'une région de confiance
- Fonction pivotale (Cas scalaire, cas vectoriel)
- Cas gaussien
- Cas non gaussien

V Tests statistiques
1. Définitions et principes de la méthode de Neyman
- Test non aléatoire
- Erreurs, risques et fonction puissance d'un test
- P-valeur
2. Propriétés
- Biais d'un test
- Test convergent
- Test UPP
3. Examples de tests dans le cas gaussien, dans le cas général
4. Test de Neyman-Pearson
5. Test du rapport de vraisemblances maximales
6. Théorème de Karlin-Rubin
7. Tests d'ajustement (Généralités, Test de Kolmogorov-Smirnov, Test du Khi-deux

Responsables :
Stéphanie SALMON (Responsable) - département Mathématiques (UFR SEN)
François LEFÈVRE (Responsable) - département Mathématiques (UFR SEN)

Volume horaire :

Nature	CM	TD	TP	Total
Durée	28h	22h	10h	60h

Modalités de contrôle des connaissances :

Épreuves		Nature	DS	CRTP	DST	EOT	Total
		Durée	2h		3h	0h30
Points	Cas général	1ère session	25	25	50	0	100%
		2ème session	25	25	0	50	100%
	Dispense contrôle continu	1ère session	0	25	75	0	100%
		2ème session	0	25	0	75	100%

Objectifs :
Donner les concepts pour la simulation numérique des modèles d'EDP.Appliquer sur ordinateur la méthode des éléments finis et les méthodes numériques associées.
Compétences spécifiques visées :
Modélisation et discrétisation par la méthode des éléments finis.
Compétences générales visées :
Modélisation et simulation numérique.
Connaissances requises :
Bases de calcul différentiel et intégral. Intégration Numérique. Algèbre Linéaire. Algorithmique/Programmation

Programme :
- Eléments finis de Lagrange : P-unisolvence, élément fini de référence, interpolation, fonctions de base globales, cas de l?EF-P1.- Formulation variationnelle : espaces de Sobolev, existence et unicité (théorème de Lax-Milgram), applications aux problèmes elliptiques.- Discrétisation : méthode de Galerkin, système linéaire, calculs élémentaires, intégration numérique. Cas des EF-P1.- Situations et exercices en modélisation 1D / 2D.- Maillages : triangulation, qualité, structures de données.- Modélisation de la diffusion et du transfert thermique.- Méthode des Eléments Finis en 2D : formulation variationnelle, discrétisation EF-P1, coefficients élémentaires, intégration numérique, algorithmes d'assemblage du système linéaire.- Systèmes linéaires creux, stockages. Préconditionnement.- Mise en oeuvre informatique par métalogiciels (type Matlab/Octave/Python et FreeFem++/Gmsh).

Responsables :
Philippe REGNAULT (Responsable) - département Mathématiques (UFR SEN)

Volume horaire :

Nature	CM	TD	Total
Durée	16h	14h	30h

Modalités de contrôle des connaissances :

Épreuves		Nature	IE	CR	ITP	ITP	Total
		Durée			1h30	1h30
Points	Cas général	1ère session	50	50	0	0	100%
		2ème session	0	0	0	100	100%
	Dispense contrôle continu	1ère session	0	0	100	0	100%
		2ème session	0	0	0	100	100%

Objectifs :
Maîtrise des différentes étapes de la mise en ?uvre d?une analyse statistique descriptive ;Maîtrise des tests paramétriques usuels ;Maîtrise des procédures (logiciel R).
Compétences spécifiques visées :
Préparation d?une base de données ;Description et visualisation de données sous R ;Mise en ?uvre d?une procédure de tests statistiques répondant à une problématique donnée.
Compétences générales visées :

Connaissances requises :
Probabilités et statistique niveau licence de mathématiques, économétrie ou informatique ; Connaissances de base du logiciel R.

Programme :
Cet enseignement vise à faire acquérir les connaissances et compétences nécessaires à la mise en ?uvre d?une analyse statistique descriptive rigoureuse d?une base de données. Plus précisément, les différentes étapes d?une analyse (préparation des données, description, visualisation, formalisation de la problématique d?intérêt, tests d?hypothèses et leur interprétation) sont décrites, les méthodes afférentes présentées.Une part importante de l?enseignement porte sur les tests d?hypothèses paramétriques considérés comme usuels (tests de Student, de Welch, de Fisher, ANOVA, etc). On présente les résultats mathématiques nécessaires à leur compréhension, leur mise en ?uvre rigoureuse et leur interprétation, ainsi que les procédures logicielles (sous R) permettant leur application. Ces procédures sont illustrées par leur application à des jeux de données variés.

Responsables :
Amor KEZIOU (Responsable) - département Mathématiques (UFR SEN)

Volume horaire :

Nature	CM	TD	Total
Durée	10h	10h	20h

Modalités de contrôle des connaissances :

Épreuves		Nature	IE	CR	ITP	ITP	Total
		Durée	1h		1h	1h
Points	Cas général	1ère session	50	50	0	0	100%
		2ème session	0	0	0	100	100%
	Dispense contrôle continu	1ère session	0	0	100	0	100%
		2ème session	0	0	0	100	100%

Objectifs :
Présentation des différentes méthodes de validation croisée et de bootstrap ;Maîtrise des méthodes de régularisation en régression.
Compétences spécifiques visées :
Maîtrise des techniques de validation croisée et de bootstrap ;Sélection des modèles optimaux en régression ;Savoir mettre en ?uvre les différentes méthodes sous le logiciel R.  
Compétences générales visées :

Connaissances requises :
Probabilités et statistique niveau licence de mathématiques, économétrie ou informatique ; Connaissances de base du logiciel R.

Programme :
Ce cours présente les différentes méthodes de reéchantionnage, de validation croisée et de bootsrtap pour l?estimation de l?erreur en régression.On étudiera en deuxième partie les méthodes de régularisation en régression (estimateur ridge, Lasso ?), et l?étude du choix des paramètres de régularisation via les différentes méthodes de validation croisée.

Responsables :
Raymond BRUMMELHUIS (Responsable) - département Mathématiques (UFR SEN)

Volume horaire :

Nature	CM	TD	Total
Durée	16h	15h	31h

Modalités de contrôle des connaissances :

Épreuves		Nature	DS	DST	EET	Total
		Durée	2h	2h	2h
Points	Cas général	1ère session	50	50	0	100%
		2ème session	0	0	100	100%
	Dispense contrôle continu	1ère session	0	100	0	100%
		2ème session	0	0	100	100%

Objectifs :
- Savoir maîtriser les outils probabilistes avancés.- Savoir maîtriser la modélisation par les chaînes de Markov, files d'attentes.
Compétences spécifiques visées :

Compétences générales visées :
Maîtrise d?outils probabilistes avancés.
Connaissances requises :
EC Probabilités 1 du S7

Programme :
- Lois de probabilités conditionnelles ;- Espérance conditionnelle ;- Chaînes de Markov ;- Processus de Poisson et files d?attentes.

Responsables :
François LEFÈVRE (Responsable) - département Mathématiques (UFR SEN)

Volume horaire :

Nature	CM	TD	TP	Total
Durée	10h	4h	16h	30h

Modalités de contrôle des connaissances :

Épreuves		Nature	CRTP	DST	EOT	Total
		Durée		2h	0h30
Points	Cas général	1ère session	50	50	0	100%
		2ème session	50	0	50	100%
	Dispense contrôle continu	1ère session	50	50	0	100%
		2ème session	50	0	50	100%

Objectifs :
Accéder à l'environnement de la programmation en langage compilé.
Compétences spécifiques visées :
Accéder à l'environnement de la programmation en langage compilé.
Compétences générales visées :
Programmation
Connaissances requises :
algorithmique, pratiques de base de la programmation.

Programme :
? algorithmique, programmation structurée : graphcet, arbre;? introduction au langage C : itérateurs, conditionnelle; variables et types de base, portée des variables, chaînes de caractères; tableaux, structures, pointeurs élémentaires; appel des fonctions et passages de paramètres; E/S standarts (clavier/écran) ; fichiers (ascii); librairies standarts; allocation dynamique de tableaux (1D) et de structures;? introduction au langage C++ : références; classes élémentaires, espaces de noms; initiation à la programmation objet (constructeur/destructeur/notion d?encapsulation).? Compilation séparée, débogueur

Responsables :
Emmanuelle GAUTHERAT (Responsable) - département Economie et sciences sociales (UFR LSH)

Volume horaire :

Nature	CM	Total
Durée	2h	2h

Modalités de contrôle des connaissances :

Épreuves		Nature	CR	Oral	Total
		Durée		0h30
Points	Cas général	1ère session	50	50	100%
		2ème session	50	50	100%
	Dispense contrôle continu	1ère session	50	50	100%
		2ème session	50	50	100%

Objectifs :
Présenter un travail de synthèse écrit et oral sur un thème mathématique nouveau pour l?étudiant, sous la direction d?un enseignant dans le cadre du projet de recherche. Présenter un travail de synthèse écrit et oral sur un thème mathématique nouveau pour l?étudiant, sous la direction d?un enseignant du Master. En outre, l'étudiant pourra éventuellement effectuer un stage conventionné en entreprise ou en laboratoire, en dehors des périodes d'enseignement et d?examens, pour développer son projet en situation professionnelle.
Compétences spécifiques visées :
Culture scientifique, utilisation de ressources bibliographiques. Concernant le stage, avoir une première expérience du monde de l'entreprise.
Compétences générales visées :
Développement de l?autonomie, esprit de synthèse, démarche scientifique.
Connaissances requises :

Programme :
L?étudiant travaillera sur un sujet mathématique (via un article ou un chapitre de livre) proposé par un enseignant du laboratoire de Mathématiques sur un thème nouveau (mais d?un niveau technique raisonnable). L?étudiant devra effectuer les recherches bibliographiques nécessaires et rédiger un travail de synthèse de ces lectures, permettant de montrer sa compréhension du sujet scientifique proposé. De plus, ce mémoire sera soutenu oralement et publiquement.Un sujet à développer sera choisi en accord avec un enseignant ; il consistera en une étude bibliographique, une analyse du problème et une mise en ?uvre informatique pour sa résolution. Ce travail fera l?objet d?une remise d?un rapport et d?une soutenance.

Responsables :
Cyril HÉDOIN (Responsable) - département Economie et sciences sociales (UFR LSH)

Volume horaire :

Nature	CM	TD	Total
Durée	20h	30h	50h

Modalités de contrôle des connaissances :

Épreuves		Nature	CR	EOT	Total
		Durée
Points	Cas général	1ère session	100	0	100%
		2ème session	0	100	100%
	Dispense contrôle continu	1ère session	100	0	100%
		2ème session	0	100	100%

Objectifs :
Cet enseignement présente, confronte et articule deux grandes traditions d?analyse de la complexité et des systèmes complexes : la tradition systémique « française » ancrée sur la métaphore biologique, et la tradition cybernétique « anglo-saxonne » ancrée dans un paradigme physique et informationnel. Bien que divergentes sur un certain nombre de points, ces deux traditions en ont commun de développer des démarches méthodologiques et des cadres théoriques interdisciplinaires pour étudier les phénomènes naturels et sociaux.L?analyse des systèmes complexes propose de ce point de vue un ensemble d?outils permettant de caractériser la complexité (boucles rétroactives, effets d?émergence et échecs d?agrégation, organisation hiérarchique, résilience?), de déterminer ses origines et d?évaluer ses conséquences. La science économique est elle-même une contributrice à l?analyse des systèmes complexes, mais elle ne peut prétendre à en constituer la totalité. Les autres sciences sociales (sociologie, psychologie?) et lessciences de la nature (physique, biologie, écologie?) apportent également des éclairages indispensables. Au final, la compréhension des systèmes complexes n?est pas seulement importante d?un point de vue cognitif, elle est également primordiale dans une perspective d?aide à la décision.
Compétences spécifiques visées :

Compétences générales visées :

Connaissances requises :

Programme :
Le cours vise à sensibiliser les étudiants aux problèmes posés par la dimension complexe de nombreuses questions traitées par la science économique et à l?intérêt de développer des approches interdisciplinaires. Le cours initie les étudiants à une réflexion interdisciplinaire sur les plans historiques et analytiques, il les familiarise avec les enjeux cognitifs et décisionnels liés à la complexité intrinsèque des systèmes socio-économiques et à leurs interactions avec d?autres systèmes, eux-mêmes complexes, comme les écosystèmes, par exemple. Il s?agit de doter les étudiants d?outils appliqués (analyse systémographique, analyse de réseaux et théorie des graphes, théorie des jeux et systèmes dynamiques, agent-based modeling?) pour qu?ils soient en mesure d?étudier le fonctionnement de systèmes complexes et d?assurer une meilleure aide à la décision. On privilégiera dans le cours une application aux problématiques environnementales et de santé.

Responsables :
Stéphane CORMIER (Responsable) - département Informatique (UFR SEN)
Luiz-Angelo STEFFENEL (Responsable) - département Informatique (UFR SEN)

Volume horaire :

Nature	CM	TD	Total
Durée	15h	10h	25h

Modalités de contrôle des connaissances :

Épreuves		Nature	IE	CR	EOT	Total
		Durée
Points	Cas général	1ère session	50	50	0	100%
		2ème session	0	0	100	100%
	Dispense contrôle continu	1ère session	0	100	0	100%
		2ème session	0	0	100	100%

Objectifs :
Ce cours permet de comprendre les enjeux du processus de création d?une base de données, d?un point de vue organisationnel et de gestion, de pouvoir interroger des bases de données existantes via un langage de requête et de créer et gérer des bases de données massives. Après une introduction aux bases de données et aux méthodes de conception, le modèle relationnel et le langage SQL, référence en matière de base de données, seront présentés. L?interfaçage avec un langage de programmation et les notions avancées en bases de données seront développés. Une partie importante de cet enseignement sera consacrée à la compréhension des problématiques spécifiques du Big Data, en particulier, la gestion des bases de données massives qu?elles soient structurées ou non. On présente de manière approfondie Hadoop et Spark.
Compétences spécifiques visées :
- Création de base de données sous SQL Server et Oracle;- Bases de données NoSQL- Manipulation de bases de données de sources diverses;- Comprendre les problématiques spécifiques du Big Data ;- Extraction de données structurée et non structurées massives ;- Gestion de bases de données massives.
Compétences générales visées :

Connaissances requises :
Informatique de base.

Programme :
I. Bases de données- Conception, Réalisation et Interrogation de Bases de données ;- Conception d?une base de données relationnelle ;- Utilisation de Procédures stockées.II. Bases de données non structurées, Hadoop et Spark- Contexte et problématiques du Big Data- Hadoop et Spark

Responsables :
Frédéric BLANCHARD (Responsable) - département Informatique IUT (IUT RCC - Reims)
Philippe REGNAULT (Responsable) - département Mathématiques (UFR SEN)

Volume horaire :

Nature	CM	TD	Total
Durée	15h	10h	25h

Modalités de contrôle des connaissances :

Épreuves		Nature	IE	CR	EOT	Total
		Durée
Points	Cas général	1ère session	50	50	0	100%
		2ème session	0	0	100	100%
	Dispense contrôle continu	1ère session	0	100	0	100%
		2ème session	0	0	100	100%

Objectifs :
L'objectif de ce module est de comprendre les problématiques du machine learning et de maîtriser l'usage d'une sélection d'algorithmes emblématiques. À travers des exemples concrets, nous aborderons les problèmes de clustering, d'aide à la décision, d'extraction de règles d'association, et d'analyse d?analyse de données liées.Une attention particulière sera apportée à l?intégration des méthodes dans un worflow complet d?analyse, ainsi qu?à la présentation synthétique et visuelle des résultats.D'un point de vue pratique, les travaux seront réalisés en R ou Python à l'aide de packages dédiés. Cet enseignement demande des notions de base en R.
Compétences spécifiques visées :
- Comprendre les problématiques associées au machine learning ;- Savoir identifier la méthode à utiliser en fonction du problème ;- Être capable de la mettre en ?uvre dans un processus complet d?analyse et de fournir une restitution et une interprétation des résultats.
Compétences générales visées :

Connaissances requises :
Notions de base en R

Programme :
Plan de cours :? Contexte, problématique et workflow en machine learning? Apprentissage non supervisé◦ Clustering (k-means, CAH)◦ Clustering par modèles de mélanges gaussiens, algorithme EM◦ Extraction de règles d'association (a priori)◦ Analyse de données liées (pagerank)? Apprentissage supervisé◦ Réseaux de neurones◦ Arbres de décision, forêts aléatoires◦ Bagging, Boosting

Responsables :
Emmanuelle GAUTHERAT (Responsable) - département Economie et sciences sociales (UFR LSH)

Volume horaire :

Nature	CM	TD	Total
Durée	20h	30h	50h

Modalités de contrôle des connaissances :

Épreuves		Nature	IE	CR	EOT	Total
		Durée
Points	Cas général	1ère session	50	50	0	100%
		2ème session	0	0	100	100%
	Dispense contrôle continu	1ère session	0	100	0	100%
		2ème session	0	0	100	100%

Objectifs :
Ce cours se déroule en trois parties. La première porte sur les méthodes d?analyse descriptives multidimensionnelles, la seconde présente de manière approfondie le logiciel spécialisé SPSS permettant de mettre en ?uvre ces méthodes, tandis que la dernière partie conjuguera les acquis théoriques d?analyse multidimensionnelle avec leur mise en ?uvre pour construire une méthode d?exploration de données (fouille de données, datanmining) avec des outils dédiés au data mining.L?analyse des données (ADD) permet d?étudier un ensemble d?individus décrits selon plusieurs variables afin d?extraire une typologie des variables ou/et des individus.Le logiciel SPSS (Statistical Package for the Social Science) et son langage de syntaxe est un logiciel de traitement de données et de modélisation statistique. Il possède différents niveaux de manipulation : à l?aide de boîtes de dialogues, de langage de syntaxe (surcouches, équivalente aux procédures de SAS) et de scripts (programmation directe, proche de VB). Il peut également intégrer des programmes R et python. Des séances en salle machine visent à acquérir une pratique avancée de ce logiciel, tant dans son aspect « boîte noire » qu?en utilisant les possibilités de programmation (syntaxe / R/Python).Le data mining est une discipline se situant à la confluence de la statistique, de l'intelligence artificielle et des bases de données. Son objectif est la découverte de connaissances dirigée ou non dirigée et la structuration des données. En puisant dans des bases de données volumineuses, souvent disséminées et non standardisées les méthodes de datamining présentent à l'utilisateur une information fiable, interprétable et utile à la prise de décision.
Compétences spécifiques visées :
Savoir mener une analyse des données : démarche structurée ;Etre capable de présenter des informations utiles aux décideurs non statisticiens ;Maîtrise des manipulations de fichiers sous SPSS ;Savoir mettre en ?uvre le data mining de manière immédiate face à des problématiques réelles.
Compétences générales visées :

Connaissances requises :
Statistique niveau Master 1 d?économie, mathématiques ou informatique.

Programme :
Champs de l?ADDEtude uni et bidimensionnelle, ANOVA à un facteur Méthodes multidimensionnelles : ACP, AFC, ACMBase de données : création de base, importation, exportation dans différents formats, concaténation de baseManipulation des bases de données, utilisation des barres d?outils et des fenêtres de syntaxe, graphiquesPersonnalisation de SPSS : création de boutons et macro personnelles dans la barre d?outils.Méthodes d?exploration de donnéesScoring, Segmentation

Responsables :
Amor KEZIOU (Responsable) - département Mathématiques (UFR SEN)

Volume horaire :

Nature	CM	TD	Total
Durée	20h	30h	50h

Modalités de contrôle des connaissances :

Épreuves		Nature	IE	CR	EOT	Total
		Durée
Points	Cas général	1ère session	50	50	0	100%
		2ème session	0	0	100	100%
	Dispense contrôle continu	1ère session	0	100	0	100%
		2ème session	0	0	100	100%

Objectifs :
Allant de pair avec le développement des outils informatiques, les bases de données très volumineuses sont de plus en plus nombreuses. Il s?agit alors de chercher à en extraire de l'information pertinente pour aider à la décision. Le Data Mining se base sur une articulation spécifique de différentes techniques statistiques. Ce cours vise à construire les différentes techniques statistiques utilisées lors du processus de Data Mining, en apprentissage statistique, classification et scoring, en particulier, en grande dimension et dans le cadre de données massives. La mise en ?uvre des différentes techniques explorées, d?apprentissage statistique de classification et de scoring, se fera à l?aide du logiciel R et Python. Des exemples de scoring issus des secteurs : bancaire, assurance ou marketing, seront présentés, par le biais d?intervention de professionnels.
Compétences spécifiques visées :
- Acquérir les différentes méthodes d?apprentissage statistique et de classification, notamment en grande dimension ;- Savoir mettre en ?uvre ces techniques, à l?aide du logiciel R ou Python, pour répondre aux multiples problèmes réels du domaine d?application du Data Mining ;- Savoir créer un score adéquat ;- Etre à même d?utiliser et d?interpréter de manière pertinente un score.
Compétences générales visées :

Connaissances requises :
Statistique niveau Master 1 de mathématiques, économétrie ou informatique ; Connaissances de base de R/Python.

Programme :
- Analyse discriminante linéaire, quadratique et K-plus proches voisins- Classification binaire par régression logistique- Classification multi-groupes par régression logistique multinomiale- Modèles de rapport de densités pour la classification binaire ou multi-groupe- Sélection de modèles pour la classification par critères AIC et BIC, et validation croisée (leave-one- out, k-fold cross-validation, bootstrap)- Les machines à vecteurs de support (SVM)- Apprentissage statistique et classification en grande dimension : Méthodes de réduction dedimension ; Méthodes de régularisation ; Modèles à noyau- Application : Scoring

Responsables :
Raymond BRUMMELHUIS (Responsable) - département Mathématiques (UFR SEN)
Jules MAES (Responsable) - département Mathématiques (UFR SEN)

Volume horaire :

Nature	CM	TD	Total
Durée	40h	20h	60h

Modalités de contrôle des connaissances :

Épreuves		Nature	IE	CR	EOT	Total
		Durée
Points	Cas général	1ère session	50	50	0	100%
		2ème session	0	0	100	100%
	Dispense contrôle continu	1ère session	0	100	0	100%
		2ème session	0	0	100	100%

Objectifs :
Cet enseignement présente trois domaines d?application spécifique des méthodes statistiques, probabilistes et économiques. Le premier domaine est celui de la gestion des risques. Il est présenté dans le cadre du contexte bancaire et financier et étudie les méthodes mathématiques sous-jacentes. Ce cours pourra être dispensé en anglais. La deuxième partie portera sur les différents modèles utilisés dans le cas de données chronologiques. Ces modèles permettent de lever les effets dus aux saisons, WE, etc., ainsi que de prévoir l?«avenir» de la suite chronologique. L?enseignement sera illustré par de nombreux exemples et sera mis en ?uvre à l?aide du logiciel SAS.La dernière partie, est dédiée aux outils microéconométriques pour l?évaluation des politiques publiques. Après avoir présenté les enjeux liés à l?exercice d?évaluation (enjeux démocratiques, techniques mais aussi en termes de programme de recherche pour les mathématiciens et les économistes) il s?agit, de traiter les principales méthodes économétriques (formes réduites dites « athéoriques ») adaptées au cadre de l?évaluation ex post.
Compétences spécifiques visées :

Compétences générales visées :

Connaissances requises :

Programme :
Gestion des risques :Référentiel IFRSLes différents risques : Risque de marché, de crédit, opérationnel et autres risques ; Risques spécifiques des instruments financiers complexes (fonctionnement d?un modèle de valorisation et processus de validation)Les réformes du comité de Bâle (introduction)Techniques de VaRSéries temporelles :Processus stochastiques, stationnarité.Méthodes de désaisonnalisation, prévision par lissage.Introduction aux modèles ARIMA, SARIMA.Méthode de Box et Jenkins, Modèles ARCH, GARCH.Applications.Econométrie approfondie :Econométrie des variables qualitatives ; Econométrie de panelTemporalité des politiques et de leur évaluation, paramètres d'intérêt, contexte d'observation et de causalité, construction du contrefactuel :Formalisation : cadre de Rubin et résultat potentiel ; Biais de sélection ; effets du traitement ; externalités ; expériences naturelles et expériences aléatoires ; caractéristiques individuelles observables/inobservablesExpérience conditionnelle avec variables explicatives ; Variables instrumentales ; Différence de différence ; Régressions sur discontinuités ; Régressions quantiles, Contrôle, matching, score de propension

Responsables :
Philippe REGNAULT (Responsable) - département Mathématiques (UFR SEN)

Volume horaire :

Nature	CM	TD	Total
Durée	20h	20h	40h

Modalités de contrôle des connaissances :

Épreuves		Nature	IE	CR	EOT	Total
		Durée
Points	Cas général	1ère session	50	50	0	100%
		2ème session	0	0	100	100%
	Dispense contrôle continu	1ère session	0	100	0	100%
		2ème session	0	0	100	100%

Objectifs :

Cet enseignement vise à présenter un ensemble de méthodes et d'outils pour la manipulation, l'analyse, la modélisation et la valorisation de jeux de données massifs, dans un cadre collaboratif.
L'environnement de développement intégré RStudio pour le logiciel de traitement statistique R facilite la mise en place et l'utilisation de ces méthodes et outils pour former un workflow cohérent et robuste dont la maîtrise est l'objectif principal de ce cours.
L'apprentissage de ce workflow s'appuiera sur sa mise en ?uvre pour l'étude d'exemples "fil-rouge".

Compétences spécifiques visées :

* Déploiement des outils nécessaires pour la sécurisation de l'environnement de travail.
* Maîtrise d'outils usuels (git, gitlab, scheduler, etc) pour le développement collaboratif de ressources (scripts, logiciels, rapports, etc).
* Maîtrise des packages R de référence pour la manipulation, l'analyse et la modélisation de données.
* Maîtrise de la production (éventuellement automatisée) de rapports, interfaces utilisateurs et autres supports de communication reproductibles.

Compétences générales visées :

Maîtrise d'un workflow cohérent et robuste pour toutes les étapes d'une analyse de données, de la manipulation de ces données et la restitution des résultats. Cette compétence transversale pourra être mise à profit dans les autres modules d'enseignement de l'année de M2

Connaissances requises :

* Connaissance intermédiaire des logiciels R et RStudio.
* Connaissance des procédures d'analyse descriptive, des modèles usuels, des procédures de ré-échantillonnage présentés dans les modules #SEP0731 #SEP0831 #SEP0832

Programme :

1) Traitement de données personnelles : réglementations et procédures de sécurisation.
* Présentation des réglementations (Loi Informatique et Liberté, RGPD).
* Procédures de sécurisation : méthodes et outils de chiffrement, virtualisation du poste de travail, utilisation de RStudio Server.
2) Développement collaboratif de ressources avec git, gitlab et RStudio (Desktop et Server).
* Gestion de versions avec git.
* Partage de ressources et suivi de développement collaboratif avec GitLab et RStudio.
3) Tidyverse : la grammaire des données et de leur représentation.
* Importation des données avec readr, readxl, haven.
* Manipulation et transformation des données avec dplyr, tidyr, forcats, stringr, lubridate.
* Représentation des données avec ggplot2.
4) Manipulation de bases de données massives locales ou distantes.
* Manipulation sur poste local avec data.table et dtplyr.
* Manipulation d'une base de données SQL distante avec dbi et dbplyr.
* Manipulation d'une basede données distribuées avec sparklyr.
5) Modélisation et apprentissage avec tidymodels.
6) Rédaction de rapports et autres supports de communication avec R Markdown.
* Principe de fonctionnement de R Markdown.
* Reproductibilité.
* Automatisation.
7) Optimisation du code et mise en production.
* Profilage de code avec profvis et RStudio.
* Déboggage.
* Inclusion de code C++ avec Rcpp.
* Parallélisation.
* Développement de package.

Responsables :
Emmanuelle GAUTHERAT - département Economie et sciences sociales (UFR LSH)
Aline LELARGE - département Langues (UFR SEN)

Volume horaire :

Nature	TD	Total
Durée	20h	20h

Modalités de contrôle des connaissances :

Épreuves		Nature	IE	Oral	EOT	Total
		Durée
Points	Cas général	1ère session	50	50	0	100%
		2ème session	0	0	100	100%
	Dispense contrôle continu	1ère session	0	100	0	100%
		2ème session	0	0	100	100%

Objectifs :
Cet enseignement d'anglais a pour premier objectif de fournir un kit de survie pour les étudiants désirant suivre les cours du master dispensé en anglais (cours relatifs à la gestion du risque ou à leur modélisation). Dans un second temps il s?agit de "débloquer" la pratique de l'oral grâce à une réelle participation de chaque étudiant. Celui-ci sera invité à dialoguer avec ses collègues sur des questions de société.Enfin, chaque étudiant participera à la rédaction de son CV en ayant étudié au préalable le vocabulaire spécifiquement "Business", il sera ainsi à même de s'exprimer face à un recruteur.La dernière partie portera sur une préparation au TOIEC qu?il est vivement conseillé de passer.Pour obtenir 10/20, les étudiants devront avoir le niveau B2 dans les compétences évaluées par l?enseignant.
Compétences spécifiques visées :
-maîtrise de la base de la langue anglaise ;-maîtrise des dossiers de candidatures (stages et postes de statisticiens économistes) en anglais-vocabulaire du domaine statistique appliqué en économie, assurance et secteur bancaire
Compétences générales visées :

Connaissances requises :
Avoir étudié et pratiqué l?anglais dans l?enseignement secondaire et supérieur.

Programme :
I. CommunicationII. Rédaction d'un CVIII. Préparation au TOIEC

Responsables :
Emmanuelle GAUTHERAT (Responsable) - département Economie et sciences sociales (UFR LSH)
Jules MAES (Responsable) - département Mathématiques (UFR SEN)

Volume horaire :

Nature	CM	Total
Durée	13h	13h

Modalités de contrôle des connaissances :

Épreuves		Nature	Oral	Oral	Total
		Durée
Points	Cas général	1ère session	100	0	100%
		2ème session	0	100	100%
	Dispense contrôle continu	1ère session	100	0	100%
		2ème session	0	100	100%

Objectifs :

Les postes qui seront occupés par l?ensemble des étudiants issus des parcours-types suivant cet enseignement sont, par nature, en relation permanente avec une multitude de professionnels issus de domaines très variés. Nos futurs professionnels doivent apprendre à faire preuve d?initiatives, de capacité de d?écoute et de travail en groupe et de capacité de mise en ?uvre réelles de leurs propositions. Ce module permet de mettre en avant les capacités de création, d?ouverture au monde les environnant et la construction de projets de nos étudiants. Ainsi, on offre ici la possibilité, créditée par des ECTS, de s?impliquer dans diverses associations universitaires, en particulier celle de l?association du diplôme, MAZIA, mais pas seulement : toute implication effective dans une association est valorisée. Chaque étudiant devra faire face à des impératifs de calendriers souvent présents dans le monde professionnel. Ainsi il devra présenter la mission sur laquelle il désire s?investir, en groupe ou seul, et argumenter sur les qualités ou les expériences antérieures qui lui donnent à penser d?être à même de la mener à bien. Il présentera également un plan de travail et un rétro-planning en tout début d?année. Lors d?une soutenance orale publique à l?issue du semestre il exposera l?avancée de son travail et le respect du rétro-planning, et présentera par écrit et lors de cette soutenance publique le résultat final.

Compétences spécifiques visées :

- acquérir une autonomie
- savoir se fixer seul des objectifs et les atteindre
- travailler hors du contexte scolaire
- entrer en contact avec plusieurs autres organismes ou institutions
- savoir mettre en ?uvre un réseau
- savoir communiquer

Compétences générales visées :

Connaissances requises :

Programme :

Responsables :
Emmanuelle GAUTHERAT (Responsable) - département Economie et sciences sociales (UFR LSH)
Jules MAES (Responsable) - département Mathématiques (UFR SEN)

Volume horaire :

Nature	CM	TD	Total
Durée	44h	8h	52h

Modalités de contrôle des connaissances :

Épreuves		Nature	IE	CR	EOT	EOT	Total
		Durée
Points	Cas général	1ère session	50	50	0	0	100%
		2ème session	0	0	0	100	100%
	Dispense contrôle continu	1ère session	0	0	100	0	100%
		2ème session	0	0	0	100	100%

Objectifs :

Cet enseignement est fortement professionnalisant. En effet il s?agit de se placer en surplomb des enseignements de statistique reçus, par le biais de conférences de professionnels et de chercheurs, et par la Business Intelligence. Il est complété par deux apports informatiques. L?un consiste en la poursuite de l?apprentissage du logiciel SAS® avec passage de la certification SAS® Advanced Programming for SAS 9®. L?autre consiste à l?apprentissage approfondi de VBA.

Les langages SAS® et VBA n?étant plus à présenter, on présente ici en quelques mots la partie concernant la Business Intelligence (BI). La BI est un processus technologique qui analyse des données pour présenter des informations exploitables par les décideurs afin de leur permettre de prendre des décisions plus avisées. Il s?agit donc d?aller au-delà de la maîtrise de telles ou telles techniques de la Data science pour se centrer sur les solutions à présenter pour répondre aux besoins des utilisateurs.

Compétences spécifiques visées :

Culture Data science appliquée
Culture BI
Savoir créer et utiliser des macro SAS ; écrire et interpréter du code SAS SQL.
Certification SAS® Advanced Programming for SAS 9®
Création et maintenance de projets en VB, Réalisation d?une interface efficace
Programmation et optimisation de modèles numériques
Partage de données par inter et intranet au sein d?une société
Programmation de macros en VBA dans les composants de Microsoft Office

Compétences générales visées :

Connaissances requises :

Programme :

Certification de niveau 2 en SAS.
Création et maintenance de projets en VB, Réalisation d?une interface efficace
Programmation et optimisation de modèles numériques
Partage de données par inter et intranet au sein d?une société
Programmation de macros en VBA dans les composants de Microsoft Office

Responsables :
Emmanuelle GAUTHERAT (Responsable) - département Economie et sciences sociales (UFR LSH)
Jules MAES (Responsable) - département Mathématiques (UFR SEN)

Volume horaire :

Nature	CM	Total
Durée	15h	15h

Modalités de contrôle des connaissances :

Épreuves		Nature	Oral	Total
		Durée
Points	Cas général	1ère session	100	100%
		2ème session	100	100%
	Dispense contrôle continu	1ère session	100	100%
		2ème session	100	100%

Objectifs :
Ce cours présente les différentes étapes indispensables à une démarche rigoureuse et productive allant de l?obtention d?un stage professionnel à sa réalisation et à la recherche d?un poste.La recherche de stage et d?emploi est souvent vécue de manière anxiogène par les étudiants y compris lorsque le secteur est porteur comme c?est le cas pour la formation SEP. De plus la formation de statisticiens permet d?exercer dans des secteurs très différents qu?il convient d?expliciter. Cet accompagnement, un soutien matériel et une préparation solide à cette recherche, par des exercices de maîtrise des techniques de présentations écrites et orales, et l?identification de l?ensemble des structures ressources de la statistique et ou de la statistique économique, permet aux étudiants de trouver leur assurance et de démarcher avec succès les différentes structures correspondant à leur centre d?intérêt.Le stage est d?une durée de 3 à 6 mois à compter de début avril. Le stage donne lieu à un rapport ou à un mémoire en cas de stage recherche et à une soutenance publique (sauf soutenance confidentielle).
Compétences spécifiques visées :
- connaissance des réseaux en statistique- réalisation de CV et de lettre de motivation- connaissance des mots clefs déclinés selon les métiers ou les secteurs- simulation d?entretien
Compétences générales visées :

Connaissances requises :

Programme :
- réalisation de CV et de lettre de motivation- simulation d?entretien- communication écrite et orale