Mathématiques, Vision, Apprentissage

M1 Semestre 1 (Mathématiques appliquées)

UE Analyse et probabilités

MA111 Analyse fonctionnelle

Analyse fonctionnelle (MA111)
MA112 Analyse de Fourier

Analyse de Fourier (MA112)

Objectifs:
L'analyse de Fourier et ses prolongements (ondelettes, analyse harmonique, ...) jouent un rôle
central dans beaucoup de problèmes de mathématiques appliquées (équations différentielles et équations aux dérivées partielles, analyse numérique, convolution, traitement du signal et de l'image, etc). L'objectif de ce cours est de donner des bases mathématiques solides dans ce domaine.

Compétences acquises:
Transformations de Fourier continue et discrète.
Applications de la transformée de Fourier.

Programme:
* Rappels sur les séries de Fourier
* Transformée de Fourier dans L1, propriétés, calculs. Liens avec la convolution.
* Formule d'inversion. Impact de la régularité d'une fonction sur sa transformée de Fourier.
* Transformée de Fourier dans L2: construction, propriétés, exemples.
* Espace de Schwartz et transformée de Fourier. Stabilité. Propriétés de densité.
* Transformée de Fourier discrète, transformée de Fourier rapide. Lien entre séries de Fourier,
transformée de Fourier, et transformée de Fourier discrète. Applications.

Responsable du module:
Lionel MOISAN
MA121 Probabilités avancées

Probabilités avancées (MA121)

Objectifs:
Initiation aux processus en temps discret. Compréhension de l'espérance conditionnelle. Martingales à temps discret et les théorèmes de convergence associés.

Compétences acquises:
Espérance conditionnelle, martingale en temps discret

Programme:
Définition de l'espérance conditionnelle générale
Tribus, temps d'arrêt
Martingales à temps discret
Inégalités (maximale, Doob,...).
Convergence presque sûre des martingales
Convergence dans L^p

Responsable du module:
Mireille CHALEYAT-MAUREL
UE Modélisation

MA113 Modélisation mathématique
Bientot la description de ce module
MA114 EDP : Introduction

EDP : Introduction (MA114)

Objectifs:
Ce module se concentre sur certains modèles mathématiques issus de la physique ou de la biologie, accessibles avec des outils mathématiques élémentaires. Sur des exemples très simples, on peut mettre en évidence la nécessité d'introduire des solutions non continues.

Compétences acquises:
modélisation élémentaire par équations aux dérivées partielles

Programme:
Equations de transport linéaires en dimension d'espace 1. Notions sur le cas multi-dimensionnel.

Equations hyperboliques non linéaires en dimension d'espace 1. Cas particulier de l'équation de Burgers. Droites caractéristiques. Solutions fortes. Solutions faibles. Lignes de choc. Condition de Rankine-Hugoniot. Problème de Riemann. Solution entropique.

Introduction aux schémas de résolution numérique.

Equation des ondes linéaire.

Responsable du module:
Annie RAOULT
MA115 Optimisation, algorithmique

Optimisation, algorithmique (MA115)

Objectifs:
Introduire les méthodes fondamentales de minimisation sans contraintes sur des fonctions régulières dépendant de beaucoup de variables. On s'efforcera à étudier et comparer les résultats mathématiques de convergence, ainsi que la complexité des algorithmes. Les travaux pratiques permettront de s'exercer à l'implémentation d'algorithmes et de mieux comprendre les résultats théoriques.

Compétences acquises:
L'étudiant(e) apprend les notions fondamentales d'optimisation. Ces bases devront lui permettre d'aborder une grande partie des méthodes existantes afin de les adapter et appliquer à un problème donné.

Programme:
Rappels et compléments d'algèbre linéaire numérique :
- factorisation LU et Cholesky pour systèmes linéaires ;
- décomposition en valeurs singulières ;
- résolution de systèmes au sens des moindres carrées ;

Algorithmes de minimisation sans contrainte :
- méthodes de descente, vitesse de convergence, minimisation en 1D ;
- cas particuliers :
méthode de descente du gradient,
méthode de Newton et quasi-Newton,
méthode du gradient conjugué,
méthode de Gauss-Newton,
méthode de Levenberg-Marquardt,

Les algorithmes seront programmées et testées en travaux pratiques
sur machine avec Scilab.

Responsable du module:
Georges KOEPFLER
MA106 Logiciels mathématiques

Logiciels mathématiques (MA106)

Programme:
Analyse numérique matricielle Optimisation libre et sous contraintes Résolution numérique d'équations différentielles Simulation de variables aléatoires, de chaînes de Markov, de diffusions.

Responsable du module:
Yves ROZENHOLC
MA159 Anglais
Bientot la description de ce module
M1 Semestre 2 (Mathématiques appliquées)

UE Approfondissement

MA217 Distributions et théorie de l'échantillonnage

Distributions et théorie de l'échantillonnage (MA217)

Programme:
Introduction à la théorie des distributions. Transformée de Fourier d'une distribution tempérée et convolution. Transformée de Laplace des distributions. Séries de Fourier de distributions périodiques. Echantillonnage (théorème de Shannon-Nyquist).

Responsable du module:
Annie RAOULT
MA214 EDP : Approfondissement

EDP : Approfondissement (MA214)

Objectifs:
Présenter et étudier les équations aux dérivées partielles utilisées dans la modélisation
déterministe en médecine, biologie, mécanique, physique. On fera l'étude des propriétés
des équations et de leurs solutions au sens classique avant d'introduire la notion de solution faible. On abordera le problème de la résolution numérique à travers les schémas aux différences finies et la méthode des éléments finis.

Compétences acquises:
L'étudiant suit le chemin depuis la modélisation jusqu'à la résolution numérique sur des exemples standards d'e.d.p. Ceci lui permet de s'approprier les bases des techniques modernes
de modélisation par e.d.p.

Programme:
Rappels et compléments d'analyse vectorielle.

Modélisation de phénomènes de diffusion et
équations d'advection-réaction-diffusion.
Schémas aux différences finies : consistance et stabilité.

Équations aux dérivées partielles linéaires elliptiques d'ordre 2.
Exemples classiques et formulation variationnelle.
Introduction aux espaces de Sobolev.
Méthode des éléments finis.

Responsable du module:
Georges KOEPFLER
MA215 Optimisation avancée
Bientot la description de ce module
MA231 Statistique mathématique

Statistique mathématique (MA231)

Objectifs:
Ce cours vise à introduire les méthodes de construction d'estimateurs dans des modèles paramétriques, et à faire acquérir aux étudiants la maîtrise des outils mathématiques qui permettent d'étudier leur performance.

Compétences acquises:
Modèles et estimation en contexte paramétrique, optimalité des estimateurs.

Programme:
- Introduction : Modèle, échantillon, paramètre.
- Comparaison d'estimateurs: fonctions de perte, de risuqe, estimateurs admissibles, consistance, vitesse de convergence.
- Lois empiriques et quantiles : répartition, quantiles et moments empiriques et résultats de convergence.
- Méthodes de construction d'estimateurs : méthodes de substitution, maximum de vraisemblance.
- Notion d'intervalles de confiance, et exemples.
- Régression linéaire et méthode des moindres carrés.
- Statitistiques exhaustives, complètes.
- Modèles régulier, Information de fisher, Inégalité de l'Information (Cramer-Rao).

Responsable du module:
Valentine GENON-CATALOT / Fabienne COMTE
MA232 Statistique asymptotique

Statistique asymptotique (MA232)

Programme:
Tests uniformément plus puissants, d'hypothèses simples, unilatères ou bilatères. Théorèmes limites en statistique.

Responsable du module:
Jean-Claude FORT
Une spécialité à choisir

UE Processus aléatoire

IM222 Processus de Markov

Processus de Markov (IM222)

Objectifs:
L'objectif du cours est de présenter les processus de Markov à temps et espace d'états discrets (chaînes de Markov): il s'agit de suites de variables aléatoires discrètes décrivant l'état d'un système évoluant de façon aléatoire au cours du temps avec la propriété que la loi du futur connaissant le passé du processus dépend uniquement de l'état présent (proriété de Markov). Ces processus sont très utilisés comme modèles stochastiques en biologie, fiabilité et finances.

Compétences acquises:
Comprendre la proprité de Markov (faible), étudier des exemples concrets, savoir effectuer la classification des états et calculer les lois stationnaires.

Programme:
> Chaînes de Markov à temps discret et à espace d'états discret:
- définition d'une chaîne de Markov (proprité de Markov), loi initiale, matrice de transition, proprité de Markov faible (2 séances)
- Chaîne de Markov canonique, lois marginales, lois stationnaires (2-3 séances).
- Communication entre points, classification des états (3-4 séances)
- Probabilités et temps d'absorption (2 séances)
- Théorèmes limites (1-2 séances, pas de démonstrations des théorèmes)

Responsable du module:
Valentine GENON-CATALOT
IM221 Processus du second ordre

Processus du second ordre (IM221)

Objectifs:
L'objet de ce cours est d'introduire les notions élémentaires sur les processus du second ordre pour aborder la notion de filtrage de processus et l'étude des séries temporelles. L'accent est mis sur les notions de dépendence et de prévision dans le cadre des processus stationnaires.

Compétences acquises:
Analyse spectrale des processus du second ordre et introduction aux séries temporelles

Programme:
S1: Processus du second ordre
S2:TD
S3: Processus gaussiens et prévision
S4:TD
S5:Processus stationnaires
S6:TD
S7: Analyse spectrale des processus stationnaires
S8:TD
S9:Filtrage des processus stationnaires
S10:TD
S11: Séries temporelles MA, AR et ARMA
S12:TD

Responsable du module:
Hermine BIERME
UE Signal et image

MA273 Théorie de l'information

Théorie de l'information (MA273)

Objectifs:
La théorie de l'information, inventée par Shannon en 1948, est non seulement à la base de toutes
les communications numériques actuelles, mais séduit aussi par sa portée mathématique, physique, et philosophique qui va bien au-delà. L'objectif de ce cours est de comprendre les concepts fondamentaux de la théorie de l'information, à commencer par la notion d'entropie.

Compétences acquises:
Notions élementaires de théorie de l'information: entropie, codage.
Principes de la communication à travers un canal bruité.

Programme:
* Arbres de décision et entropie algébrique.
* Entropie probabiliste. Propriétés.
* Entropie conditionnelle. Information mutuelle. Distance de Kullback.
* Propriété d'équirépartition asymptotique. Suites typiques.
* Codage: codes réguliers, déchiffrables, complets, codes de préfixe.
* Inégalité de Kraft. Premier théorème de Shannon.
* Codage de Huffman, optimalité. Lien entre codage et détermination de stratégies optimales.
* Taux d'entropie de sources avec mémoire. Codage Lempel-Ziv.
* Communication à travers un canal bruité. Deuxième théorème de Shannon. Example du code de Hamming 7,4. ***

Responsable du module:
Lionel MOISAN
MA272 Bases mathématiques du traitement d'image

Bases mathématiques du traitement d'image (MA272)

Programme:
Ce cours a pour but, à partir de problèmes inverses classiques en traitement d'images (restauration, segmentation) et en s'appuyant sur des applications bio-médicales, de présenter des techniques de mathématiques appliquées qui permettent de donner une réponse à ces problèmes :
Approches linéaires (transformée de Fourier, en ondelettes),
Approches géométriques (morphologie mathématique, EDP, contours actifs),
Approches stochastiques (méthodes bayesiennes, champs markoviens...).
Des chaînes de traitement utilisant plusieurs de ces approches successivement seront aussi présentées.

Responsable du module:
Christine GRAFFIGNE
Ouverture : 1 UE pouvant être choisie parmi

IF271 Traitement du signal avancé
Bientot la description de ce module
IM223 Modèles aléatoires en vue de la biologie
Bientot la description de ce module
M2 semestre 3 (Mathématiques, Vision, Apprentissage)

8 cours à choisir sur la deuxième année dont au moins 3 au S3 (30 ECTS)
o Optimisation pour la restauration d'images
o Reconstruction et traitement numérique des images médicales (I)
o Introduction à l'image numérique
o Vision et reconstruction 3D
o Estimation / compression par ondelettes
o Imagerie sous-pixellique
o Filtres morphologiques et leurs EDP
o Introduction à l'aprentissage statistique
o Modèles mathématiques pour les neurosciences
o Apprentissage par renforcement
o Dynamique et contrôle des systèmes non-linéaires
o Modèles graphiques probabilistes

M2 semestre 4 (Mathématiques, Vision, Apprentissage)

8 cours à choisir sur la deuxième année dont au moins 4 au S4 (30 ECTS)
o Modèles déformables en analyse d'images
o Méthodes variationnelles et statistiques en analyse vidéo
o Reconstruction et traitement numérique des images médicales (II)
o Traitement du signal sonore, analyse temps-fréquence
o Analyse d'images et géométrie stochastique
o Traitement des signaux audio-fréquence
o Compressed sensing
o Imagerie satellitaire
o Problèmes inverses en imagerie fonctionnelle cérébrale
o Reconnaissance d'objets et vision artificielle
o Vision par ordinateur et 3D
o Géométrie et espaces de formes
o Traitement de l'information en bio-technologie
o Analyse de données et techniques neuronales
o Statistical Pattern Analysis with Applications
o Modélisation en neurosciences et ailleurs
o Méthodes régularisées en apprentissage
o Méthodes à noyau en bio-informatique

Stage obligatoire (30 ECTS)