Cette unité d’enseignement se propose d’initier les étudiants aux principes, aux enjeux et aux méthodes de la planification opérationnelle de la résilience au sein des organisations contemporaines. Dans un contexte marqué par l’incertitude, l’accélération des crises et la multiplication des risques, qu’ils soient technologiques, environnementaux, organisationnels ou géopolitiques, la capacité des organisations publiques et privées à anticiper, absorber et surmonter les perturbations constitue désormais un levier essentiel de performance et de pérennité. Le cours offre un cadre théorique et méthodologique permettant de comprendre la résilience organisationnelle comme un processus global, mobilisant des savoirs issus du management, de la gestion des risques, de la stratégie et des sciences de l’ingénierie. À l’issue de cette unité d’enseignement, l’étudiant sera en mesure : 1/ D’identifier et d’analyser les enjeux de la résilience organisationnelle, en comprenant ses implications stratégiques, éthiques et opérationnelles dans un environnement complexe et instable ; 2/ De maîtriser les méthodes et outils de planification opérationnelle, notamment l’analyse des risques, la gestion de crise, la continuité d’activité et les dispositifs d’adaptation organisationnelle ; 3/ De concevoir, structurer et évaluer des plans de résilience, en intégrant les dimensions humaines, techniques et organisationnelles, et en mobilisant une approche systémique favorisant la prévention, la préparation et l’apprentissage post-crise. Cette UE a ainsi pour ambition d’articuler réflexion stratégique et planification opérationnelle, afin d’intégrer la résilience dans les dispositifs de gouvernance et de pilotage, de manière proactive, robuste et adaptative.

Acquérir des compétences globales de mise en place et de gestion de projets de recherche nationaux et internationaux. «recherche» est considéré au sens large : recherche fondamentale et académique, appliquée, partenariale (avec l'industrie), au sein du service R&D d'une entreprise,.. Cours et séminaires sur différents sujets importants, étude de cas réels, pour apprendre à (exemples) -identifier un appel à projets et y répondre -maitriser l'état de l'art, -mettre en place un partenariat -mettre en oeuvre un projet : workpackages, planning,... -maitriser et gérer les financements et le budget -recruter les acteurs essentiels au projet -gérer la propriété intellectuelle et la valorisation -communiquer et produire : publications, conférences, brevets, licences, prototypes,.. -utiliser de façon intelligente les plateformes technologiques et les laboratoires -se familiariser avec l'éthique scientifique

- Acquérir un savoir-faire pratique de base, concernant la notion de grandeur et de mesure ainsi que les techniques de mesure utilisées dans les laboratoires et l'industrie (physique, mécanique, chimie, biologie, informatique, contrôle qualité) - savoir interpréter les résultats de mesures, tirer le maximum d'informations d'une grandeur mesurée, d'un signal mesuré, choisir l'appareil adapté à une mesure spécifique et présenter les résultats suivant les normes - Exploitation des résultats, erreurs, incertitudes, présentation normalisée d'une mesure, chaîne de mesure (appareil analogique, digital) - analyse d'un signal simple et périodique, transport de l'information, bruit - capteurs, techniques de mesure, effet de l'appareil sur la mesure (bruit, filtre,..). Compétences métiers transverses, macro-compétences: a) Savoir choisir un appareil de mesure : - maîtriser la notion de bande passante - maîtriser la notion d'incertitude liée a l'appareil (précision, pertinence d'un résultat de mesure) b) Savoir analyser un résultat de mesure : - savoir interpréter un spectre, - savoir interpréter un ensemble de données/mesures multiples

-connaître les concepts liés aux fonctions d'une variable réelle et développer le raisonnement scientifique -logique et raisonnement -suites numériques -aplications, fonction d'une variable réelle : limites et continuité -fonctions d'une variable réelle : dérivabilité -fonctions réciproques -intégrale simple

-connaître différents concepts de base en algèbre et analyse, et développer le raisonnement scientifique -systèmes linéaires -trigonométrie et complexes -polynômes -séries numériques -développements limités -courbes paramétrées

Be familiar with the concepts and tools related to linear algebra and matrix computations, and to develop scientific reasoning. The notions studied provide the necessary basis for formalising and solving various finite dimensional engineering problems (data analysis, numerical modelling,...). -vector spaces -Linear applications, matrices -determinants -eigenvalues, eigenvectors, decomposition of endomorphism -euclidean spaces

Connaître les concepts et les outils liés à l'algèbre linéaire et au calcul matriciel, et développer le raisonnement scientifique. Les éléments étudiés fournissent le socle nécessaire à la formalisation et à la résolution de problèmes variés de l'ingénieur en dimension finie (analyse de données, modélisation numérique,...). -espaces vectoriels -applications linéaires, matrices -déterminants -valeurs propres, vecteurs propres, réduction d'endomorphisme -espaces euclidiens

Connaître les concepts et les outils liés aux fonctions de plusieurs variables réelles, et développer le raisonnement scientifique. Les éléments étudiés fournissent le socle nécessaire à la résolution de divers problèmes rencontrés par l'ingénieur (par exemple, modélisation, représentation multidimensionnelle, optimisation, calcul de grandeurs physiques). -fonctions de plusieurs variables : définition et régularité -analyse vectorielle -fonctions de deux variables : représentation et extrema -intégrales doubles et triples -intégrales curvilignes et intégrales de surfaces

La modélisation mathématique est largement utilisée dans les différents domaines de l'ingénierie et de la science des données. Les techniques mathématiques et les méthodes numériques utilisées pour traiter les problèmes basés sur des données sont très variées et parfois complexes. Une bonne compréhension conceptuelle et opérationnelle est nécessaire à une résolution efficace et une interprétation correcte des résultats obtenus. Cette UE s'intéresse prioritairement à des éléments de mathématiques pour l'ingénieur nécessaires à un approfondissement de la science des données. Les objectifs de l'UE sont de développer conjointement les capacités à manipuler quelques concepts mathématiques utiles et à maitriser les méthodes numériques associées. - Formaliser des algorithmes de résolution de systèmes linéaires - comprendre l'influence du conditionnement matriciel - Poser un problème de régression, exploiter le concept de moindres carrés linéaires et non-linéaires, le résoudre numérique dans le cas linéaire (factorisation QR) - Exploiter le lien entre les aspects mathématiques et statistiques d'un problème de régression et évaluer la qualité d'une solution à partir d'un jeu de données - Caractériser les solutions d'un problème d'optimisation non linéaire et les déterminer numériquement - Choisir une méthode de résolution numérique de problème d'optimisation convexe adaptée parmi un ensemble de méthodes utilisées en science des données (Newton, quasi-Newton, Nelder-Mead...) et l'appliquer pour résoudre le problème.

Dans de nombreux problèmes de l'ingénierie, l'obtention de solutions exactes est impossible à cause de la complexité du domaine de résolution et/ou de la non-linéarité des équations du problème. Le recours à des méthodes numériques est alors indispensable pour obtenir des solutions approchées. -savoir poser la forme forte d'un problème physique et connaître la classification en problèmes elliptiques, paraboliques et hyperboliques -connaître la méthode des différences finies (DF) pour résoudre des EDP stationnaires et application à des problèmes 1D et 2D -connaître la méthode des éléments finis (EF) pour résoudre des EDP stationnaires et application à des problèmes 1D et 2D -connaître les méthodes de résolution des problèmes linéaires : méthodes de Gauss, décomposition LU, Cholesky, conditionnement des matrices -connaître les méthodes itératives de résolution des problèmes non linéaires : Méthode de Jacobi, Gauss-Seidel, Newton-Raphson, notion de convergence -savoir appliquer toutes ces méthodes à la résolution de problèmes par EF et ou DF

La recherche opérationnelle est une discipline à l'intersection des mathématiques appliquées et de l'informatique, pour résoudre des problèmes d'optimisation et d'aide à la décision dans les activités économiques et industrielles. • Comprendre l'intérêt de la modélisation et de l'optimisation pour résoudre des problèmes complexes • Analyser un problème complexe en vue de le modéliser • Faire un modèle mathématique pour formaliser le problème • Implanter le modèle dans un logiciel pour le résoudre • Discuter les résultats pour les confronter à la réalité • Appliquer la démarche pour modéliser des problèmes divers en génie industriel (production, logistique, transport) Savoirs et connaissances théoriques : • Programmation linéaire • Optimisation de fonctions • Programmation non linéaire • Programmation dynamique Techniques, outils et méthodes utilisés : • Analyse de systèmes complexes • Processus de modélisation Algorithmie • Solveur d’optimisation d’Excel

This course details the organization of computers and computer networks in order to explain, for each, how and why it works -understand the organization of both computer and computer networks -understand the goal and functions of each and every stack from this organization, from transistors up to operating systems for computers and from electrical signal to html webpage for computer networks -know the main challenges that each element in this organization is aimed at solving as well as the main tools for proving such solution -introduce the operating systems

La recherche de processus systématiques de résolution de problèmes nécessite une approche structurée qui, dans le contexte de la programmation, conduit à la production d'algorithmes. L'objectif est d'étudier la formalisation des problèmes, les approches de résolution et les solutions types, et de caractériser leurs propriétés. L'approche proposée, qui vise à décrire un processus de traitement de données, peut être généralisée à de nombreux autres processus. - Formaliser un problème et rédiger les spécifications associées - Les structures de contrôle - Les structures de données statiques et dynamiques - L'approche descendante de la résolution de problèmes - Comprendre les bases de l'évaluation des performances d'une solution algorithmique - Comprendre les notions de paquets et des service informatique - Introduction à l'architecture d'un ordinateur et à la représentation interne des données et des instructions - Traduire un algorithme simple en programme (introduction à deux langages : C et Python)

La recherche de processus systématiques de résolution de problèmes requiert une démarche structurée qui conduit, dans le contexte de la programmation, à la production d'algorithmes. L'objectif est d'étudier la formalisation de problèmes, des démarches de résolution, des solutions typiques et d'en caractériser les propriétés. Cette démarche est transférable à toute discipline d'ingénierie. -formaliser un problème et rédiger les spécifications associées -connaître les structures de contrôle -connaitre les structures de données statiques et dynamiques -maitriser l'approche descendante pour la résolution de problèmes -avoir des notions sur l'évaluation des performances d'une solution -traduire un algorithme simple en programme (découverte de deux langages:C et Visual Basic)

Etre familier avec le typage des variables, les structures de données, et la conception de programmes structurés. Savoir écrire un programme en C et en Python, en portant de l'importance à la qualité logicielle. Le programme s'appuie sur les notions basiques de l'écriture de programmes en langage C : types, opérateurs, structures de contrôle, et tableaux. Les notions suivantes sont étudiées : -notions de C : structures, fonctions, pointeurs, variables dynamiques, fichiers -nootions de Python : types, opérateurs, instructions de base, structures, fonctions, variables globales et locales, fichiers, notion de classes / méthodes, structures de bibliothèques classiques. -réalisation de projets

• Acquérir des compétences numériques essentielles • Comprendre le contexte historique et social du numérique • Se préparer à la certification PIX Que vous souhaitiez rechercher de l'information fiable en ligne, produire et gérer des documents numériques, collaborer efficacement avec d'autres, protéger votre vie privée et respecter les droits d'auteur ou configurer vos appareils en toute sécurité, cette UE vous permet d'acquérir les notions essentielles du numérique. Chaque module vise à vous doter de compétences pratiques que vous pourrez immédiatement appliquer dans votre vie personnelle et professionnelle. Grâce à cette UE, vous développerez les compétences numériques nécessaires pour évoluer dans le monde numérique d'aujourd'hui.

A la fin de ce cours, l'étudiant sera en mesure de mettre en ½uvre une infrastructure logicielle et la faire évoluer pour répondre au mieux aux besoins des usagers. -identifier les différents composants de l'infrastructure informatique (ex : systèmes d'exploitation, gestion des données et stockage, plateformes de mise en réseau, ...) -identifier les tâches nécessaires pour mettre en place et maintenir une infrastructure informatique -décrire les principales architectures techniques (ex : architectures transactionnelles, Client-Serveur, ...) -distinguer les principales techniques de l'optimisation des infrastructures physiques (ex: Virtualisation, Cloud Computing, Converged Infrastructure...) -identifier les éléments d'un système de gestion de base de données (SGBD, Oracle) -proposer et mettre en place, à partir d'un cas d'étude, une infrastructure informatique pertinente

L'innovation par la donnée est devenue un enjeu majeur pour les entreprises. La réussite des projets orientés Data constitue le c½ur de la stratégie d'innovation de plusieurs entreprises. Elle est en grande partie basée sur la maîtrise de bout en bout des étapes de transformation de la donnée en valeur. -analyser le contexte d'une problématique data -comprendre le concept d'innovation par la donnée (Data-driven Innovation) -identifier et cartographier les gisements de données potentiellement porteurs d'innovation -évaluer le périmètre d'un projet Data -concevoir un projet data pour innover dans l'entreprise -piloter et maintenir un projet Data

Introduction à la physique de la matière molle et aux bio- et nano-technologies associées. Présentation de différentes applications dans le domaine de la santé : biocapteurs, encapsulation des saveurs, vectorisation des médicaments, adhésion cellulaire. -comprendre les interactions entre les molécules, les particules et les surfaces -découvrir les principes du marquage fluorescent et la détection optique associée à travers différente applications -acquérir des connaissances sur les propriétés des membranes lipidiques et leurs applications -découvrir la microfluidique et la manipulation cellulaire -assimiler les propriétés optiques et les notions élémentaires des systèmes colloïdaux dans le but de manipuler des micro et nanoparticules -découvrir la plasmonique et les biotechnologies associées