SlideShare une entreprise Scribd logo
Filière MITRO
Mathématiques, Informatique théorique et
Recherche Opérationnelle
Quelles
problématiques
?
Avec quelles structures de données
fonctionne un réseau social tel que
Facebook ?
Avec quel algorithme Google a-
t-il écrasé ses concurrents ?
Algorithmique
Recherche opérationnelle
Comment établir l’agenda d’un projet, organiser la logistique d’une
tournée de distribution, décider d’un plan de production manufacturier
ou optimiser la présentation d’un produit ?
Langage & Méthodes formelles
Quels outils utiliser pour savoir si mon logiciel a des bugs ou
garantir qu'il n'en a pas ?
Quelles méthodes pour modéliser mathématiquement des
systèmes complexes ?
Calcul réparti
Comment exploiter des architectures (par exemple
distribuées) afin d’optimiser des calculs (gain de
performance, économie d’énergie) ?
Théorie des jeux
Comment éviter les embouteillages ? Comment prévoir l’issue
d’un conflit ?
Contenu des
enseignements
•  Approche très théorique et vue d’en haut
•  Beaucoup de mathématiques
•  3ième année en priorité au sein des M2 de
Saclay
•  Filière destinée tant en tant que «  majeure  » qu’en complément
aux parcours informatiques plus dédiés
Quels
débouchés ?
•  Services R&D des entreprises
•  Sociétés de service spécialisées
•  Forte possibilité de devenir docteur
•  Large ouverture à tout type d’industrie (transport,
énergie, télécommunication, finance, etc…)

Contenu connexe

Tendances

Introduction to Ethics of Big Data
Introduction to Ethics of Big DataIntroduction to Ethics of Big Data
Introduction to Ethics of Big Data
28 Burnside
 

Tendances (19)

Hands-On Machine Learning with Scikit-Learn and TensorFlow - Chapter8
Hands-On Machine Learning with Scikit-Learn and TensorFlow - Chapter8Hands-On Machine Learning with Scikit-Learn and TensorFlow - Chapter8
Hands-On Machine Learning with Scikit-Learn and TensorFlow - Chapter8
 
Quels outils pour quelles recherches ? Panorama des outils du web
Quels outils pour quelles recherches ? Panorama des outils du webQuels outils pour quelles recherches ? Panorama des outils du web
Quels outils pour quelles recherches ? Panorama des outils du web
 
Applications of Big Data
Applications of Big DataApplications of Big Data
Applications of Big Data
 
Exploratory Data Analysis for Biotechnology and Pharmaceutical Sciences
Exploratory Data Analysis for Biotechnology and Pharmaceutical SciencesExploratory Data Analysis for Biotechnology and Pharmaceutical Sciences
Exploratory Data Analysis for Biotechnology and Pharmaceutical Sciences
 
Supervised learning
Supervised learningSupervised learning
Supervised learning
 
Introduction to Ethics of Big Data
Introduction to Ethics of Big DataIntroduction to Ethics of Big Data
Introduction to Ethics of Big Data
 
Data Mining and Business Intelligence Tools
Data Mining and Business Intelligence ToolsData Mining and Business Intelligence Tools
Data Mining and Business Intelligence Tools
 
Confusion matrix, accuracy, precision, recall, f score
Confusion matrix, accuracy, precision, recall, f scoreConfusion matrix, accuracy, precision, recall, f score
Confusion matrix, accuracy, precision, recall, f score
 
Information Retrieval Fundamentals - An introduction
Information Retrieval Fundamentals - An introduction Information Retrieval Fundamentals - An introduction
Information Retrieval Fundamentals - An introduction
 
Apriori algorithm
Apriori algorithmApriori algorithm
Apriori algorithm
 
CRISP-DM: a data science project methodology
CRISP-DM: a data science project methodologyCRISP-DM: a data science project methodology
CRISP-DM: a data science project methodology
 
Association rule mining
Association rule miningAssociation rule mining
Association rule mining
 
Introduction to Metrics and KPIs
Introduction to Metrics and KPIsIntroduction to Metrics and KPIs
Introduction to Metrics and KPIs
 
18 Data Streams
18 Data Streams18 Data Streams
18 Data Streams
 
Supervised and Unsupervised Machine Learning
Supervised and Unsupervised Machine LearningSupervised and Unsupervised Machine Learning
Supervised and Unsupervised Machine Learning
 
Lecture - Data Mining
Lecture - Data MiningLecture - Data Mining
Lecture - Data Mining
 
Introduction to data pre-processing and cleaning
Introduction to data pre-processing and cleaning Introduction to data pre-processing and cleaning
Introduction to data pre-processing and cleaning
 
Setting up a data repository, what does it entail?
Setting up a data repository, what does it entail?Setting up a data repository, what does it entail?
Setting up a data repository, what does it entail?
 
Data mining based social network
Data mining based social networkData mining based social network
Data mining based social network
 

Similaire à Mathématiques, Informatique théorique et Recherche Opérationnelle : filière ingénieur 2e année

01-introduction (2).ppt
01-introduction (2).ppt01-introduction (2).ppt
01-introduction (2).ppt
Souha Bennani
 

Similaire à Mathématiques, Informatique théorique et Recherche Opérationnelle : filière ingénieur 2e année (20)

Agile Brown Bag: Gouvernance SharePoint
Agile Brown Bag: Gouvernance SharePointAgile Brown Bag: Gouvernance SharePoint
Agile Brown Bag: Gouvernance SharePoint
 
EXTRA-Présentation generale 180923.pptx
EXTRA-Présentation generale 180923.pptxEXTRA-Présentation generale 180923.pptx
EXTRA-Présentation generale 180923.pptx
 
Intro IA CJD
Intro IA CJDIntro IA CJD
Intro IA CJD
 
Intelligence artificielle : du buzz à la réalité [webinaire]
Intelligence artificielle : du buzz à la réalité [webinaire] Intelligence artificielle : du buzz à la réalité [webinaire]
Intelligence artificielle : du buzz à la réalité [webinaire]
 
Gti710
Gti710Gti710
Gti710
 
Réussir la transformation de votre organisation avec sharepoint
Réussir la transformation de votre organisation avec sharepoint Réussir la transformation de votre organisation avec sharepoint
Réussir la transformation de votre organisation avec sharepoint
 
biZNov - pour dynamiser votre business avec l'intelligence artificielle
biZNov - pour dynamiser votre business avec l'intelligence artificiellebiZNov - pour dynamiser votre business avec l'intelligence artificielle
biZNov - pour dynamiser votre business avec l'intelligence artificielle
 
Euratech'trends : Machine Learning
Euratech'trends : Machine LearningEuratech'trends : Machine Learning
Euratech'trends : Machine Learning
 
Machine Learning, Intelligence Artificielle et Modélisation ARCHIMATE
Machine Learning, Intelligence Artificielle et Modélisation ARCHIMATEMachine Learning, Intelligence Artificielle et Modélisation ARCHIMATE
Machine Learning, Intelligence Artificielle et Modélisation ARCHIMATE
 
Sujet de thèse : CATCAP
Sujet de thèse : CATCAPSujet de thèse : CATCAP
Sujet de thèse : CATCAP
 
Du business avec les graphes
Du business avec les graphesDu business avec les graphes
Du business avec les graphes
 
Maîtriser concrètement le Big Data
Maîtriser concrètement le Big DataMaîtriser concrètement le Big Data
Maîtriser concrètement le Big Data
 
Les systèmes d'information
Les systèmes d'informationLes systèmes d'information
Les systèmes d'information
 
01-introduction.ppt
01-introduction.ppt01-introduction.ppt
01-introduction.ppt
 
01-introduction (2).ppt
01-introduction (2).ppt01-introduction (2).ppt
01-introduction (2).ppt
 
Le web granulaire
Le web granulaireLe web granulaire
Le web granulaire
 
aOS - Teams Découvrez les options pour digitaliser vos processus métiers
aOS - Teams Découvrez les options pour digitaliser vos processus métiersaOS - Teams Découvrez les options pour digitaliser vos processus métiers
aOS - Teams Découvrez les options pour digitaliser vos processus métiers
 
Comment devenir Data Scientist - Nicolas Garcia, Data Scientist @ Le Kiosk
Comment devenir Data Scientist - Nicolas Garcia, Data Scientist @ Le KioskComment devenir Data Scientist - Nicolas Garcia, Data Scientist @ Le Kiosk
Comment devenir Data Scientist - Nicolas Garcia, Data Scientist @ Le Kiosk
 
Déjeuner-débat EIM360 | Machine Learning et Transformation Digitale, un duo g...
Déjeuner-débat EIM360 | Machine Learning et Transformation Digitale, un duo g...Déjeuner-débat EIM360 | Machine Learning et Transformation Digitale, un duo g...
Déjeuner-débat EIM360 | Machine Learning et Transformation Digitale, un duo g...
 
Atelier salon Digital Workplace : Apres l'intranet et le digital workplace, q...
Atelier salon Digital Workplace : Apres l'intranet et le digital workplace, q...Atelier salon Digital Workplace : Apres l'intranet et le digital workplace, q...
Atelier salon Digital Workplace : Apres l'intranet et le digital workplace, q...
 

Dernier

Cours mécanique des fluides de l’ingénieur
Cours mécanique des fluides de l’ingénieurCours mécanique des fluides de l’ingénieur
Cours mécanique des fluides de l’ingénieur
NdeyeAminataDond
 
support de formation Consignation et déconsignation des energies et produits...
support de formation  Consignation et déconsignation des energies et produits...support de formation  Consignation et déconsignation des energies et produits...
support de formation Consignation et déconsignation des energies et produits...
ABDELHADI ENNAIR
 
1-IMP-Tuto-Recherche simple avancée-V4-20240425-BS.pptx
1-IMP-Tuto-Recherche simple avancée-V4-20240425-BS.pptx1-IMP-Tuto-Recherche simple avancée-V4-20240425-BS.pptx
1-IMP-Tuto-Recherche simple avancée-V4-20240425-BS.pptx
schneiderbeatrice78
 

Dernier (13)

Formation M2i - Prise de parole face caméra : performer en distanciel
Formation M2i - Prise de parole face caméra : performer en distancielFormation M2i - Prise de parole face caméra : performer en distanciel
Formation M2i - Prise de parole face caméra : performer en distanciel
 
Présentation Webinaire Cohésion - Concevoir et mettre en place une CMDB, comm...
Présentation Webinaire Cohésion - Concevoir et mettre en place une CMDB, comm...Présentation Webinaire Cohésion - Concevoir et mettre en place une CMDB, comm...
Présentation Webinaire Cohésion - Concevoir et mettre en place une CMDB, comm...
 
Newsletter SPW Agriculture en province du Luxembourg du 17-05-24
Newsletter SPW Agriculture en province du Luxembourg du 17-05-24Newsletter SPW Agriculture en province du Luxembourg du 17-05-24
Newsletter SPW Agriculture en province du Luxembourg du 17-05-24
 
Épreuve de leçon SII.pptx
Épreuve de leçon  SII.pptxÉpreuve de leçon  SII.pptx
Épreuve de leçon SII.pptx
 
Sainte Jeanne d'Arc, patronne de la France 1412-1431.pptx
Sainte Jeanne d'Arc, patronne de la France 1412-1431.pptxSainte Jeanne d'Arc, patronne de la France 1412-1431.pptx
Sainte Jeanne d'Arc, patronne de la France 1412-1431.pptx
 
Cours mécanique des fluides de l’ingénieur
Cours mécanique des fluides de l’ingénieurCours mécanique des fluides de l’ingénieur
Cours mécanique des fluides de l’ingénieur
 
Cahier-de-Charges-Communication-Digitale-1-1.pdf
Cahier-de-Charges-Communication-Digitale-1-1.pdfCahier-de-Charges-Communication-Digitale-1-1.pdf
Cahier-de-Charges-Communication-Digitale-1-1.pdf
 
Résultats enquête RH 2024 Fonction Publique.pdf
Résultats enquête RH 2024 Fonction Publique.pdfRésultats enquête RH 2024 Fonction Publique.pdf
Résultats enquête RH 2024 Fonction Publique.pdf
 
support de formation Consignation et déconsignation des energies et produits...
support de formation  Consignation et déconsignation des energies et produits...support de formation  Consignation et déconsignation des energies et produits...
support de formation Consignation et déconsignation des energies et produits...
 
Comment enseigner la langue française en Colombie?
Comment enseigner la langue française en Colombie?Comment enseigner la langue française en Colombie?
Comment enseigner la langue française en Colombie?
 
1-IMP-Tuto-Recherche simple avancée-V4-20240425-BS.pptx
1-IMP-Tuto-Recherche simple avancée-V4-20240425-BS.pptx1-IMP-Tuto-Recherche simple avancée-V4-20240425-BS.pptx
1-IMP-Tuto-Recherche simple avancée-V4-20240425-BS.pptx
 
Bilan schéma pour réun concertation SDLP V4.pptx
Bilan schéma pour réun concertation SDLP V4.pptxBilan schéma pour réun concertation SDLP V4.pptx
Bilan schéma pour réun concertation SDLP V4.pptx
 
Guide d'utilisation Microsoft PowerPoint 2016
Guide d'utilisation Microsoft PowerPoint 2016Guide d'utilisation Microsoft PowerPoint 2016
Guide d'utilisation Microsoft PowerPoint 2016
 

Mathématiques, Informatique théorique et Recherche Opérationnelle : filière ingénieur 2e année

  • 1. Filière MITRO Mathématiques, Informatique théorique et Recherche Opérationnelle
  • 3. Avec quelles structures de données fonctionne un réseau social tel que Facebook ? Avec quel algorithme Google a- t-il écrasé ses concurrents ? Algorithmique
  • 4. Recherche opérationnelle Comment établir l’agenda d’un projet, organiser la logistique d’une tournée de distribution, décider d’un plan de production manufacturier ou optimiser la présentation d’un produit ?
  • 5. Langage & Méthodes formelles Quels outils utiliser pour savoir si mon logiciel a des bugs ou garantir qu'il n'en a pas ? Quelles méthodes pour modéliser mathématiquement des systèmes complexes ?
  • 6. Calcul réparti Comment exploiter des architectures (par exemple distribuées) afin d’optimiser des calculs (gain de performance, économie d’énergie) ?
  • 7. Théorie des jeux Comment éviter les embouteillages ? Comment prévoir l’issue d’un conflit ?
  • 8. Contenu des enseignements •  Approche très théorique et vue d’en haut •  Beaucoup de mathématiques •  3ième année en priorité au sein des M2 de Saclay •  Filière destinée tant en tant que «  majeure  » qu’en complément aux parcours informatiques plus dédiés
  • 9. Quels débouchés ? •  Services R&D des entreprises •  Sociétés de service spécialisées •  Forte possibilité de devenir docteur •  Large ouverture à tout type d’industrie (transport, énergie, télécommunication, finance, etc…)