Data Science Master 2 2022-2023

La page est créée François Carpentier
 
CONTINUER À LIRE
Data Science Master 2 2022-2023
Master 2
                 Sciences, Technologies, Santé

                      2022-2023
           Mathématiques et applications

                Data Science

M2 DS
Apprentissage
Contrat Pro.

                                                 PAGE 1
Data Science Master 2 2022-2023
SSOOMMMMAAIIRREE

Contacts de la formation					03
Planning de la formation					04
Présentation de la formation					06
Volumes horaires et évaluations				 10
Contenu des enseignements
Semestre 3								13
Semestre 4 							20
Calendriers détaillés						26

PDF interactif
pour revenir au sommaire
utiliser sur les pages

PAGE 2
CONTACTS DE LA FOR MAT I O N
Directrice Adjointe à la Pédagogie
Sandrine TRAVIER
Tél. : 02 41 73 50 01
sandrine.travier@univ-angers.fr
M1 Responsable pédagogique et Président du Jury
Frédéric PROIA
Tél. : 02 41 73 50 47
frederic.proia@univ-angers.fr
Bureau : bâtiment I, porte 212

M2 Responsable pédagogique et Président du Jury
Fabien PANLOUP
Tél. : 02 41 73 50 29
fabien.panloup@univ-angers.fr
Bureau : bâtiment I, porte 221
Gestion de la scolarité et des examens
Sandrine HERGUAIS
Tél. : 02 41 73 54 85
sandrine.herguais@univ-angers.fr
Alternance
Charlotte BROSSET
Tél. : 02 41 73 52 17
re.sciences@contact.univ-angers.fr

   SCOLARITÉ - EXAMENS
   Bâtiment A, Rez-de-chaussée
   Horaires d’ouverture
    9h00 – 12h30
   13h30 – 17h00
   Du lundi au vendredi
   Fermé le mercredi après-midi

                                                  PAGE 3
2 0 2 2-2 0 23
N.B. Calendriers détaillés pour les alternants et non-alternants p. 26/27

Premier semestre
Rentrée des Alternants                    Jeudi 01 septembre 2022
Rentrée globale et début des cours        Lundi 12 septembre 2022
Vacances d’automne                        Du samedi 29 octobre 2022
                                          au dimanche 06 novembre 2022
Vacances de Fin d’année                   Du samedi 17 décembre 2022
                                          au lundi 02 janvier 2023
Fin des cours du 1er semestre             Jeudi 12 janvier 2023

Examens 1er semestre l Session 1          Du lundi 16 janvier 2023
                                          au vendredi 20 janvier 2023
Jury 1er semestre l Session 1             Lundi 06 février 2023

Deuxième semestre
Début des cours                           Lundi 23 janvier 2023
Fin des cours du 2ème semestre            Vendredi 03 mars 2023
Examens 2ème semestre l Session 1         Du lundi 06 mars 2023 au
                                          jeudi 09 mars 2023
Examens 1er semestre l Session 2          Du lundi 06 mars 2023 au
                                          jeudi 09 mars 2023
Soutenance de Projet Annuel               Vendredi 10 mars 2023 pour les
                                          non alternants
                                          Vendredi 26 mai 2023 pour les
                                          alternants
Stage non alternants                      A partir du lundi 13 mars 2023
Soutenance de Stage / Alternance          Du mercredi 30 août 2023 au
                                          lundi 04 septembre 2023
Jury 1er semestre l Session 2             Vendredi 29 septembre 2023
Jury 2ème semestre l Session 1

Planning susceptible de modifications
  PAGE 4
Présentation
    de la
 formation

               PAGE 5
Les mathématiques sont depuis              sur le diplôme national de Master
longtemps partie prenante du monde         mention Mathématiques et Applica-
socio-éco- nomique. «L’Étude de            tions, parcours Data Science. A l’is-
l’impact socio-économique des ma-          sue de la formation, le ou la diplô-
thématiques en France » (Mai 2015)         mé(e) possède :
montre une contribution des ma-            Des compétences en mathéma-
thématiques à hauteur de 15 % du           tiques. Le diplômé maîtrise les mé-
PIB et 9 % des emplois en France.          thodes de l’analyse statistique et al-
L’intégration de compétences ma-           gorithmique de l’information, qu’elles
thématiques est désormais un choix         soient classiques (datamining, clas-
stratégique du développement d’une         sification, ..) ou spécifiques au big
entreprise, en France et dans le           data (machine learning, ..), ainsi que
monde, dans tous les secteurs d’acti-      les méthodes associées d’optimisa-
vité et particulièrement ceux à forte      tion. Le diplômé est en capacité de
croissance.                                modéliser les processus aléatoires,
La data Science désigne une dis-           de les simuler et de confronter le
cipline à l’interface entre modélisa-      modèle aux données statistiques du
tion mathé- matique, statistique et        problème.
informatique, née de la nécessité          Des compétences en informa-
croissante de traiter et d’exploiter les   tique. Le diplômé du master dispose
données du big data. La data science       des compé- tences relatives aux ou-
est désormais l’outil essentiel d’aide     tils classiques de data management
à la décision dans des domaines d’ac-      et d’analyse des don- nées (R, Py-
tivités extrêmement variés : banque,       thon, SQL,..), et plus spécifiques aux
finance, assurance, e-commerce et          données de grandes dimensions et/
grande distribution, communication         ou non structurées : plateforme Ha-
et mar- keting, santé, agro-alimen-        doop, HDFS, NoSQL, etc...
taire, aéronautique et défense, inter-     Des aptitudes professionnelles.
net des objets et télécoms, etc..          Le diplômé du master sait définir un
Le parcours Data Science (DS) du           projet, ses objectifs et son contexte,
master mention Mathématiques et            les modalités de réalisation et d’éva-
Appli- cations est une formation de        luation des ac- tions, leurs priori-
niveau un (Bac+5). Il vise à former        tés et leur planning. Il sait utiliser
des cadres data-scientists capables        les technologies de l’informa- tion
de mettre en œuvre les techniques          et de la communication, effectuer
mathématiques et in- formatiques           une recherche d’information à partir
inhérentes à ce métier, possédant          de sources diverses, organiser une
en outre des compétences métiers           veille technologique. Il a une bonne
propres aux secteurs d’activités visés     capacité de communication, une
par le choix d’options.                    bonne maîtrise de l’anglais scienti-
                                           fique et technique (certifi- cation),
OBJECTIFS, COMPÉTENCES ET                  et sait rédiger clairement une note
CAPACITÉS VISÉS PAR LA                     ou un rapport selon des supports de
FORMATION                                  communication adaptés.
                                           Des compétences métiers. Sui-
Le master Data Science (DS) est une        vant le choix d’option, le diplômé
formation en deux ans qui débouche         possède des aptitudes spécifiques au
PAGE 6
1
traitement et à l’analyse des données        Enquête pour les diplômés du master In-
de la biologie (don- nées omiques no-       génierie Mathématique dont le master DS
tamment), ou celles des entreprises         est une évolution. Exemples de stages ou
                                            d’emplois récents : Renault DI-RC, INRA,
dédiées au management du risque
                                            iAdvize, CPAM Maine et Loire, LNE, Sodi-
ou/et à l’optimisation des actions.         france-Netapsys, Atmo Poitou Charentes,
                                            Airparif, DAS-MMA, SFR, Ineox, AVISIA,
DÉBOUCHÉS VISÉS ET RÉMUNÉ-                  Metro Cash & Carry France, Tronico groupe
RATION DES DIPLÔMÉS                         Alcen, Imbrikation, Institut de Cancé-
                                            rologie de l’Ouest, CHU-Angers, Axens
Les diplômés du master Data Science         IFP Technologies, Coheris, BRED Banque
(DS) occupent des emplois de cadre          populaire, Enza Zaden, Institut Gustave
                                            Roussy, Groupe PSA, CT Ingénierie, Har-
Data scientist (ou Data miner, Data
                                            monie Mutuelle, Banque de France, VYV
analyst, etc..) couvrant un large           Care IT, Capgemini, Sopra-Steria, Sigma
spectre de sec- teurs d’activités, tou-     Informatique, Socomec SAS,...
chant aussi bien au domaine indus-
triel qu’à celui du tertiaire. Sont plus    PUBLIC VISÉ, PRÉ-REQUIS,
particulièrement visés :
                                            CONDITIONS D’ADMISSION,
— Option données biologiques : sec-
teurs de la santé, de la pharmacie,         TARIFICATION
la bio-in- dustrie, l’agro-industrie, les
laboratoires de type Inserm, Cirad,         Le master Data Science est à capa-
Institut Pasteur, CEA, etc ..               cité limitée et l’admission en pre-
— Option données numériques : tout          mière (M1- DS) et deuxième année
secteur tel que sociétés de conseil en      (M2-DS) du master est sélective. En
ges- tion des entreprises ou spécia-        dehors des qualités académiques, le
lisées en datamining, de la grande          recrutement accorde une part impor-
distribution, les grandes banques et        tante à la motivation des candidats.
compagnies d’assurances, etc..              La validation du M1-DS entraîne
L’enquête interne à 12 mois pour la         l’admission de droit en M2-DS.
promotion 2014-20151 montre une             Formation initiale. Le M1-DS
excellente insertion professionnelle        s’adresse en priorité aux étudiants
(90 % en emploi CDI ou CDD) pour            diplômés d’une licence de Mathéma-
un salaire moyen brut mensuel de            tiques, d’une licence de Mathéma-
2 600 Euros (hors primes et 13ème           tiques et informatique appli- quées
mois).                                      aux sciences humaines et sociales
Selon l’APEC, la rémunération des           (parcours     Mathématiques      appli-
Data scientists se situe entre 32 et        quées), ou d’un niveau équivalent.
40 keuros brut/an en début de car-          Sous réserve d’un niveau suffi-
rière.                                      sant en mathématique, les dossiers
Le master est essentiellement à visée       d’étudiants ayant eu un parcours
professionnelle. Des possibilités sont      plus dirigé vers l’informatique sont
cepen- dant offertes aux très bons          considérés avec intérêt. Les droits
étudiants d’une poursuite d’étude en        d’inscription sont fixés par arrêté mi-
doctorat par une thèse, en particu-         nistériel (droits ministériels : 243 €
lier dans le cadre d’une convention         en 2022-2023, en M1 et M2).
CIFRE avec une entreprise.                  Formation continue. Les candida-
                                            tures relevant de la formation conti-
                                                                             PAGE 7
nue sont les bienvenues et considé-      Master DS ont l’assurance de bé-
rées avec la plus grande attention.      néficier des connaissances et des
Les tarifs sont variables et commu-      innovations les plus récentes,
niqués suite à l’étude du dossier. Un    celles à même d’intéresser les en-
ensemble de financements est dis-        treprises dans leur stratégie compé-
ponible (se renseigner auprès de la      titive.
Direction de la Formation Continue).     L’Université d’Angers est reconnue
                                         par ses résultats en matière de taux
Les pré-requis à l’entrée du M1-DS       de réus- site et d’insertion profes-
couvrent le programme classique          sionnelle de ses 22 700 étudiants
d’une Licence de Mathématiques           : sur ces deux points, les enquêtes
ou tout autre programme européen         ministérielles la situent aux toutes
ou international équivalent. Outre       premières places des universités
l’aptitude mathématique, une             françaises. Les étudiants du Mas-
connaissance et une pratique de          ter DS ont l’assurance d’un ac-
base d’outils de programmation           compagne- ment performant de
sont recommandées (Python, Sci-          leurs études jusqu’à leur inser-
lab, C et/ou R par exemple). L’acquis    tion professionnelle. Angers et
du certificat C2i-1 d’informatique       son agglomération, ville étudiante
est apprécié. Le diplôme de master       par excellence (plus de 38 000 étu-
visant des compétences en anglais        diants), apparaît dans les enquêtes
certifiées de niveau B2 du CECRL, un     nationales comme étant l’une des
niveau minimal B1 dans cette langue      villes les plus attractives dans ce do-
est recommandé à l’entrée du M1-         maine : vitalité de la vie étudiante,
DS. L’enseignement se faisant es-        qualité et modé- ration des prix du
sentiellement en français, un niveau     logement étudiant, facilité de dépla-
minimal B2 certifié en français          cement, cadre de vie, etc.. En résu-
est exigé des étudiants interna-         mé, les étudiants du Master DS
tionaux à l’entrée du M1-DS.             ont l’assurance d’une qualité de
                                         vie et d’étude particulièrement
                                         propice à leur réussite et à leur
DES RAISONS DE CHOISIR LE
                                         insertion professionnelle.
MASTER DATA SCIENCE (DS) DE
L’UA
La qualité de la recherche française
en mathématiques fondamentales et
appli- quées est mondialement re-
connue : suivant les critères choisis,
elle se place du premier au troisième
rang mondial. Dans ce cadre, la re-
cherche en mathématique du labora-
toire LAREMA de l’Université d’Angers
(62 membres dont 40 perma- nents),
associé au CNRS et partenaire du La-
bex Lebesgue, se distingue par son
excellence. Aussi, les étudiants du

PAGE 8
Volumes
 horaires
Évaluations

              PAGE 9
Master 2 – Data Science .D S

                                          SEMESTRE 3                                                                             30 ECTS
                                                           Volum es horaires                                       Contrôle des connaissance s

                                                                                                    Coef f .
                                                                                             ECTS
 UE                  Matières                                                 Auto.                               1 ere s e s s i o n       2e      Durée
                                                  CM        TD           TP           Tot.
                                                                               Et.                             Assidus             D.A.   session    CT

      Statistique en Grande Dimension et                                                                       CT-0,51
  1                                               24         16          16    -      56      6       6                            CT1      CT1      3h
      Apprentissage                                                                                            CC-0,51
      Introduction à l'analyse du signal en                                                                    CT–0,5
 2                                                 16        12          8     -      36      4       4                             CT      CT      2h30
      temps discret                                                                                            CC–0,5
      Séries Chronologiques et                                                                                 CT–0,5
 3                                                24         12          16    -      52      6       6                             CT      CT       3h
      Applications                                                                                             CC–0,5
 4    Informatique pour le Big Data               24         0           32    -      56      6       6          CC                 CT      CT      2h30

 C ulture d’Entreprise

      Anglais                                      0         0           16    -       16     2       2          CC               Oral     Oral     30mn
 5
      Communication                                0         0           6     -       6      1        1        Oral              Oral     Oral      1h

 Métiers - Options au choix 1 parm i 2
      Option 1 : Stat. et Science des
                                                   16        0       20        -      36      5       5          CC                 CT      CT       2h
      données pour la biologie I
 6
      Option 2 : Économétrie de
                                                   14        12          0     -      26      5       5          CC                 CT      CT       2h
      l'Évaluation I

  1
      Note plancher de 8 à effectuer sur l'UE

      Conditions de validation du sem estre 3 :
      Admis·e si moyenne générale > ou= 10 et
      UE1 > ou= à 8 et
      UE 4 > ou= à 8

          Pas de DA et pas de Session 2

 CT = Contrôle Terminal                   P = Validation en Présentiel
                                                                                Auto. Et. = Autonomie Étudiant
 CC = Contrôle Continu                    DA = Dispensé d’Assiduité

      PAGE 10
18/05/2022 08:58
Master 2 – Data Science .D S

                                          SEMESTRE 4                                                                                30 ECTS
                                                             Volum es horaires                                           Contrôle des connaissance s

                                                                                                      Coef f .
                                                                                               ECTS
 UE                  Matières                                                   Auto.                                1 ere s e s s i o n           2e      Durée
                                                    CM        TD           TP           Tot.
                                                                                 Et.                             Assidus              D.A.       session    CT

 C ulture d’Entreprise
      Conférences professionnelles et
                                                    23         0           0     -      23      0       0            P                     P       P         -
      création d'entreprise
  1   3-PE                                           0         8           0     4       12     0       0            P                     P       P         -

      Projet Annuel Tutoré                           0         3           0     53     56      7       7           CC                     -       -         -

 M étiers 1 EC obligatoire + 1 EC d'Option au choix

      Obligatoire : Traitement d'images              12        0           12    -      24      3       3           CC                     -       -         -
      Option 1 Bio : Stat. et Science des
 2                                                   8         0           8     -       16     2       2           CC                     -       -         -
      données en biologie II
      Option 2 Eco : Économétrie de
                                                     14        12          0     -      26      2       2           CC                     -       -         -
      l'Évaluation 2
 Choix de 1 parm i 2 entre stage ou alternance

      Stage                                                                                                       Rapport +
 3                                                   0         0           0     -       0     18      18                                  -        -        -
                                                                                                                 soutenance
      Alternance

      Conditions de validation du sem estre 4 :
      Adm is·e si m oyenne générale > ou=10 et
      Si Conférences professionnelles validées par la présence

      C onditions de validation de l’année :
      Adm is·e si (Sem estre 3 + Sem estre 4) / 2 >ou= 10
      et conditions de validation des sem estres 3 et 4 validées

          Pas de DA et pas de Session 2

 CT = Contrôle Terminal                     P = Validation en Présentiel
                                                                                  Auto. Et. = Autonomie Étudiant
 CC = Contrôle Continu                      DA = Dispensé d’Assiduité

18/05/2022 08:58

                                                                                                                                               PAGE 11
Contenu
                   des
             enseignements

   Les noms des responsables et intervenants sont donnés sous réserve de modifications.

PAGE 12
SEMESTRE 3
BLOC MATHÉMATIQUES - UE OBLIGATOIRES
                                                vation par l’exemple, théorie du Lasso,
 UE1                                            seuillage, sparsité, inégalités classiques,
                                                régressions ba- sées sur les composantes
STATISTIQUE EN GRANDE                           principales, PLS). Méthodes de pénalisa-
DIMENSION ET APPRENTISSAGE                      tion (généralisation du Lasso (Elastic-Net,
Statistics for Big Data and Machine             Group-Lasso), sélection de variables,
Learning                                        Ridge, etc.). Classification et apprentis-
                                                sage en grande dimension (SVM, Logis-
Responsable Fabien Panloup                      tic-Lasso, forêts aléatoires, k plus proches
fabien.panloup@univ-angers.fr                   voisins, ACP à noyaux, Boosting, Gradient
                                                Boosting). Introduction aux réseaux de
Pré-requis                                      neurones et au deep learning. Bases de
Notions et contenus : Algèbre linéaire et       l’optimisation stochastique. Large mise
analyse (licence mathématiques L3). Sta-        en pratique avec R ou Python.
tis- tique inférentielle (S1-UE3-DS). Op-
timisation non linéaire (S1-UE2-DS). Da-        Compétences
tamining et classification (S2-UE1-DS).         — Avoir un recul professionnel sur la no-
Manipulation standard de R et de Python.        tion de grande dimension. Comprendre
Compétences et capacités :                      par l’exemple les raisons théoriques mais
— Maîtriser les compétences enseignées          aussi les raisons techniques qui différen-
dans les modules de statistique inféren-        cient les méthodes statistiques classiques
tielle et de dataming et classification du      des méthodes statistiques en grande di-
M1, particulièrement tout ce qui concerne       mension.
les mo- dèles de régression linéaire et les     — Comprendre la théorie du Lasso et
méthodes de classification.                     d’une manière générale la méthodologie
— Maîtriser les bases de l’algèbre linéaire,    consis- tant à pénaliser une estimation
du calcul matriciel, de l’analyse et de l’op-   par des contraintes sur les coefficients
timisation, en particulier : recherche des      de la régression. Avoir une vision claire
valeurs propres et singulières, la notion       des objectifs visés par les méthodes de
de produit scalaire (sur l’exemple de Rn        pénalisation (estimation ou sélection de
et de L²), les propriétés des espaces de        variables).
Hilbert de fonctions ou encore l’optimisa-      — Savoir réduire la dimension des ob-
tion sous contraintes.                          servations par des méthodes classiques
— Maîtriser les notions de loi condition-       d’analyse des données (par exemple
nelle/espérance conditionnelle.                 l’ACP) et savoir exploiter cette réduc-
— Maîtriser les bases de l’optimisation         tion de dimension pour les régressions
déterministe (descente de gradient et           en grande dimension ou possédant de la
exten- sions).                                  multicolinéarité.
— Avoir une connaissance minimale des           — Savoir ce qui relie et ce qui différen-
langages R et Python (syntaxe, manipula-        cie le Lasso des méthodes de pénalisa-
tion élémentaire, calcul matriciel, gestion     tion ba- sées sur des normes différentes
des graphiques, etc.).                          (Elastic-Net, Ridge, etc..). Connaître les
                                                points forts et points faibles de chacune
Contenus                                        des approches pour en permettre une
Bases mathématiques de l’apprentis-             mise en pratique per- tinente sur des jeux
sage statistique. Bases de la grande di-        de données réelles.
men- sion (« fléau » de la dimension…).         — Connaître les méthodes simples d’ap-
Régression en grande dimension (moti-           prentissage automatique appliquées à la

                                                                                  PAGE 13
classi- fication (comme les k plus proches     stabilité des filtres
voisins) et les méthodes plus sophis-          Problèmes d’aliasing
tiquées (comme les forêts aléatoires).         Application à des signaux temporels de
Avoir une vision d’ensemble de la théorie      natures diverses
des SVM appliqués à la classification.
— Connaître les bases du boosting              Compétences
(Adaboost/Gradient Boosting, XGBoost).         — Maîtriser les calculs de transformation
— Comprendre le fonctionnement et sa-          de Fourier et de Fourier Inverse.
voir mettre en oeuvre un algorithme d’ap-      — Savoir tester la stabilité d’un filtre.
prentissage par deep learning (perceptron      — Savoir concevoir un filtre correspon-
et réseaux de neurones convolutionnels).       dant à des objectifs donnés
— Être capable de mobiliser et exploiter       — Savoir utiliser Python et des biblio-
les méthodes étudiées dans ce module           thèques de type scipy.signal pour mettre
dans des cas pratiques sous R ou Python,       en pratique la conception des filtres.
en particulier les méthodes de régression
et de sélection de variables en grande di-     Supports ou références
mension.                                       — Tisserand, É., Pautex, J. F., &
                                               Schweitzer, P. (2009). Analyse et traite-
Supports ou références                         ment des signaux-2e éd.: Méthodes et
— Christophe Giraud, Introduction to           applications au son et à l’image. Dunod.
High-Dimensional Statistics (2015).

                                                UE3
 UE2
                                               SÉRIES CHRONOLOGIQUES ET
INTRODUCTION À L’ANALYSE DU                    APPLICATIONS
SIGNAL EN TEMPS DISCRETS                       Time Series and Applications
Introduction to Discrete-Time Signal
Processing                                     Responsable Frédéric Proïa
                                               frederic.proia@univ-angers.fr
Responsable David Rousseau
david.rousseau@univ-angers.fr                  Pré-requis
                                               Notions et contenus :
Pré-requis                                     — Bagage mathématique (algèbre, pro-
Notions et contenus : espace euclidien,        babilités, etc.) de Licence et de Master 1.
produit scalaire (licence mathématiqes         — Modules de Statistique et de Modèles
L3); séries de Fourier (licence mathéma-       de régression du M1.
tiqes L2).                                     — Manipulation standard de R et de Py-
Compétences et capacités : maîtriser le        thon.
calcul des coefficients d’une série de Fou-    Compétences et capacités :
rier, la décomposition d’une fonction sur      — Savoir manipuler les opérateurs du
une base orthogonale ; connaître et sa-        calcul des probabilités (espérance, va-
voir appliquer le théorème de Parseval et      riance, covariance, etc.) appliqué aux va-
les inégalités de Bessel ; maîtriser le lan-   riables et aux vecteurs aléatoires.
gage de programmation Python.                  — Maîtriser les notions de statistique in-
                                               férentielle du S1 et de régression linéaire
Contenus                                       du S2.
Analyse du signal, motivations, exemples       — Maîtriser les bases de l’algèbre linéaire
Series de Fourier, Transformée de Fourier      et de l’analyse concernant les espaces
Filtres FIR (Réponse Impulsionnelle Finie)     vectoriels, les produits scalaires et la pro-
et IIR (Réponse Impulsion Infinie) –           jection orthogonale (sur l’exemple de Rn
Impulsion – convolution                        et de L²).
Transformation en Z – Application à la
PAGE 14
— Avoir une connaissance minimale des          SARIMA (tests de stationnarité, de signi-
langages R et Python (syntaxe, manipula-       ficativité des paramètres, d’autocorréla-
tion élémentaire, gestion des graphiques,      tion, etc.).
etc.).                                         — Avoir un recul professionnel sur la mo-
                                               délisation d’une série, savoir comparer
Contenus                                       plusieurs approches sur la base de cri-
Décomposition des séries chronologiques        tères adaptés aux objectifs de l’étude.
(modèles additif et multiplicatif, filtrage    — Être capable de mobiliser toutes ces
linéaire). Processus aléatoires discrets       compétences dans des cas pratiques avec
(bruit blanc, loi d’un processus, espace       R et Python.
L²). Stationnarité (sens fort, sens faible).   — Connaître les rudiments de la statis-
Processus linéaires (opérateurs chrono-        tique spatiale par l’intermédiaire du kri-
logiques, bruit d’innovation, causalité,       geage.
ACF/PACF). Étude détaillée des proces-
sus ARMA. Inférence dans les processus         Supports ou références
ARMA. Introduction à la non-stationnarité      — P. Brockwell, R. Davis. Time Series:
(ARIMA-SARIMA) et à l’hétéroscédasticité       Theory and Methods. Seconde édition.
(ARCH-GARCH). Application à la prévision       Springer Series in Statistics, 1991.
(meilleur prédicteur linéaire, lissages ex-
ponentiels). Introduction à la statistique
spatiale (krigeage). Large mise en pra-
tique avec R et Python.

Compétences
— Être capable de reconnaître visuelle-
ment une série à composantes additives
ou multiplicatives, avec tendance et/ou
périodicité, et d’éliminer les tendances
par un filtrage approprié.
— Savoir étudier la stationnarité d’un
processus discret et savoir la tester en
pratique. Comprendre la différence entre
stationnarité forte et stationnarité au se-
cond ordre.
— Savoir calculer la fonction d’autocorré-
lation d’un processus stationnaire. Savoir
construire son autocorrélation partielle
par un algorithme approprié.
— Acquérir une approche théorique so-
lide d’un processus ARMA. Savoir établir
des conditions sur ses paramètres per-
mettant d’étudier ses propriétés.
— Savoir estimer l’ACF et la PACF d’une
série chronologique stationnaire, en pro-
poser une modélisation ARMA adaptée
par comparaison avec le comportement
théorique des autocorrélations.
— Savoir étendre la définition des pro-
cessus ARMA aux processus ARIMA, SA-
RIMA, ARCH et GARCH ainsi que leur mise
en pratique.
— Connaître les principaux tests d’hypo-
thèses adaptés au cadre ARMA/ARIMA/

                                                                                PAGE 15
BLOC OUTILS NUMÉRIQUES ET INFORMATIQUE - UE OBLIGATOIRE

                                            tion ou déploiement d’un modèle de Ma-
 UE4                                        chine Learning.
                                            — Aspects techniques d’un déploiement.
INFORMATIQUE POUR LE BIG DATA
                                            — Mise en pratique : déploiement d’une
Big Data
                                            API Web avec Flask.
Responsable Jacquelin Charbonnel            — Maintenance post-déploiement : log-
jacquelin.charbonnel@univ-angers.           ging, model drift, qualité des données.
fr                                          — Prérequis d’un déploiement réussi :
intervenants Marie Badreau l Mohamed        versionnage, tests unitaires, bonnes pra-
Benzarga l Jacquelin Charbonnel l David     tiques de code, etc.
		 Rousseau                                 — Vue d’ensemble des métiers et logiciels
                                            liés au MLOps.
Pré-requis
                                            Compétences
Notions et contenus : Bases de données
                                            — Comprendre les concepts et l’apport du
relationnelles (S2-UE4-DS). Programma-
                                            Big Data par rapport aux enjeux métiers.
tion (S1-UE5-DS). Statistique (S2-UE1-
                                            — Comprendre l’écosystème technolo-
DS).
                                            gique nécessaire pour réaliser un projet
Compétences et capacités : Connais-
                                            Big Data.
sances de base des modèles relationnels.
                                            — Acquérir les compétences techniques
Connaissances en statistique et des lan-
                                            pour gérer des flux de données com-
gages de programmation.
                                            plexes, non structurés et massifs.
                                            — Visualisation d’espaces latents, implé-
Contenus
                                            menter des modèles d’analyses statis-
Concepts et les enjeux du Big Data
                                            tiques pour répondre aux besoins métiers.
Technologies du Big Data :
                                            — Comprendre l’intérêt du déploiement
— Architecture et composants de la plate-
                                            d’un modèle de Machine Learning
forme Hadoop.
                                            — Avoir une vue d’ensemble des points
— Modes de stockage (NoSQL, HDFS).
                                            d’attention d’une mise en production,
— Principes de fonctionnement de MapRe-
                                            avant, pendant et après sa réalisation
duce.
                                            — Acquérir une compétence technique de
— Programmation concurrente (généra-
                                            base pour créer une API Web avec Flask
teurs, multi-threading, multi-processing,
                                            ; mettre en pratique quelques aspects du
asynchronisme).
                                            MLOps.
— Web services.
— Nase de data visualisation.
Gérer les données structurées et non
structurées :
— Principes de fonctionnement HDFS.
— Importer des données externes vers
HDFS.
— Réaliser des requêtes SQL avec HIVE.
— Utiliser PIG pour traiter la donnée.
Les méthodes d’analyse des données pour
le Big Data (en liaison avec S3-UE1-DS) :
— Les méthodes d’exploration.
— Segmentation et classification.
— Estimation et prédiction.
— Implémentation des modèles.
— Méthodes de réduction de dimensions.
Introduction au MLOps : Mise en produc-

PAGE 16
BLOC CULTURE D’ENTREPRISE - UE OBLIGATOIRES

                                               claire et détaillée sur une grande gamme
 UE5                                           de sujets, émettre un avis sur un sujet
                                               d’actualité et exposer les avantages et
ANGLAIS                                        les inconvénients de différentes possibi-
English                                        lités. »
Responsable Philippe Torrès
philippe.torres@univ-angers.fr                  UE5
Intervenant Bruno Menan
bruno.menan@univ-angers.fr                     COMMUNICATION – PRÉPARATION À
                                               L’INSERTION PROFESSIONNELLE
Pré-requis                                     Communication – Professional Integra-
Notions et contenus : Les bases de la          tion Program
langue anglaise.
Compétences et capacités : Maîtriser le        Responsable Fabien Panloup
niveau B1 du CECRL (dit « d’utilisateur        fabien.panloup@univ-angers.fr
indépendant »).                                Intervenants Intervenants du SUIO-IP
                                               et/ou autres intervenants professionnels
Contenus
—Permettre aux étudiants de continuer à        Pré-requis
travailler les cinq compétences en langue      Compétences de l’UE S2-UE5 communi-
- compréhension écrite et orale, expres-       cation.
sion écrite et orale, et interaction orale -
à travers des supports authentiques (ar-       Contenus
ticles, documentaires, documents audio         —Techniques de communication - Pré-
et vidéo d’internet, graphiques…) et des       paration au travail en groupe : Les
activités variées (exercices de compré-        fonctions de l’animateur ; Conduite de
hension, d’expression écrite, jeux de rôle,    réunions - Techniques de rédaction des
débats, présentations orales…).                documents — Techniques de présenta-
— Etoffer les connaissances lexicales.         tion orale - La recherche d’emploi :
— Améliorer la prononciation et revoir         Lettres de candidature ; Curriculum
certains points de langue le cas échéant.      vitae ; Entretien de candidature.
—Valider à l’issue du 3ème semestre un
niveau B2 du CECRL (par le biais d’une
certification).

Compétences
On vise, à l’issue du 2ème voire 3ème
semestre du Master, le niveau de com-
pétence B2 du Cadre Européen Commun
de Référence pour les Langues (CECRL)
qui est résumé comme suit : « Peut com-
prendre le contenu essentiel de sujets
concrets ou abstraits dans un texte com-
plexe, y compris une discussion technique
dans sa spécialité. Peut communiquer
avec un degré de spontanéité et d’aisance
tel qu’une conversation avec un locuteur
natif ne comporte de tension ni pour l’un
ni pour l’autre. Peut s’exprimer de façon

                                                                               PAGE 17
BLOC MÉTIERS - UE OPTIONNELLES (UN CHOIX SUR DEUX)
                                              rémission puis de guérison d’un patient
 UE6                                          peut être trop long et donc jamais obser-
                                              vé, on parle alors de données censurées.
OPTION 1                                      Dans ce cours, nous introduirons la mé-
                                              thodologie (fonction de survie, risque ins-
STATISTIQUE ET SCIENCE DES                    tantané, …) et les outils statistiques (es-
DONNÉES POUR LA BIOLOGIE I                    timateur de Kaplan-Meier, Nelson-Aalen,
                                              …) qui permettent d’appréhender ce
Responsable Mikael Escobar-Bach               genre de problèmes. Une implémenta-
mikael.escobar-bach@univ-angers.fr            tion sur R sera aussi proposée.
Intervenants Jérémy Clotault l Mikael
Escobar-Bach l Frédéric Proia                 Introduction aux plans d’expérience
jeremmy.clotault@univ-angers.fr               Introduction to Design of Experiments
frederic.proia@univ-angers.fr
                    		                        Responsable Mikael Escobar-Bach
Pré-requis                                    mikael.escobar-bach@univ-angers.fr
Notions et contenus :                         Les plans d’expérience forment un outil
- Cours de Introduction à la génomique,       essentiel en statistique expérimentale, ils
Statistique et Modèles de régression du       permettent d’esquisser les contours d’une
M1.                                           méthodologie et d’organiser au mieux la
- Compétences en R et/ou Python.              suite des mesures à effectuer afin de ré-
Compétences et capacités : Maîtriser les      pondre à une problématique statistique
concepts généraux des probabilités, des       donnée.
statistiques et des modèles de régression     Nous décrirons de manière succincte
vus en M1, ainsi que l’introduction à la      quelques plans d’expérience classique-
génomique.                                    ment utilisés dans les sciences du vivant.
Contenus                                      Modèles de reconstruction de généa-
Cet enseignement, divisé en trois par-        logie
ties respectivement intitulée Introduction    Probabilistic reconstruction of genealo-
à l’Analyse de Survie, Introduction aux       gies
plans d’expériences et Modèles de re-
construction de généalogie , a pour objec-    Responsable Jérémy Clotault
tif de présenter quelques thèmes impor-       jeremy.clotault@univ-angers.fr
tants de Statistique et Modélisation pour
la biologie. Ci-dessous une description       Ce module est dédié à l’étude d’un cas
plus précise.                                 pratique de reconstruction généalogique
                                              dans une population végétale. Après
Introduction à l’Analyse de Survie            quelques concepts génétiques généraux
Introduction to Survival Data Analysis        liés aux ni- veaux de ploïdie, à la pro-
                                              duction des gamètes et aux croisements,
Responsable Mikael Escobar-Bach               nous proposerons un modèle permettant
mikael.escobar-bach@univ-angers.fr            de reconstruire, à partir de marqueurs
                                              génétiques, un ensemble d’arbres généa-
Le problème des données manquantes            logiques probabilisés dans une population
est fréquemment rencontré dans un             végétale soumise à des lois de repro-
grand nombre de domaines d’applications       duction spécifiques. Nous étudierons des
statistiques. Dans le cadre de la biologie,   reconstructions dans des populations di-
il n’est pas rare que l’acquisition de don-   ploïdes ou tétraploïdes, et un travail pra-
nées de suivi soit en partie incomplète :     tique sera demandé dans le cas diploïde.
pour un essai thérapeutique, le temps de      Une partie de ce travail sera dédiée à la

PAGE 18
programmation effective de la recons-          9- Chapitre VIII : Arbres de décision et
truction généalogique en R ou en Python.       Nested logit
La visualisation des résultats sera réalisée   Compétences :
à l’aide du package igraph de R ou de son      On expose les méthodes d’estimations
équivalent en Python.                          d’un modèle non linéaire dans la variable
                                               endogène. Cas de choix discrets dicho-
Compétences                                    tomiques et polytomiques, modèles de
Logit-Probit-Tobit-Modèles de Heckman.         comptage et des observations censurées.
Choix discrets/ Les modèles de choix bi-
naire (probit)/modèle Logit/modèle Logit       Contenus
multinomial/modèle Logit conditionnel/         Modèles Logit-Probit-Tobit. Arbres de de-
modèles à choix ordon-nés/modèles de           cision et Nested Logit.
comptage/modèles à variables limitées
                                               Compétences
(tron-quées)/mo- dèles d’autosélection/
                                               Applications sur données réelles macroé-
Arbres de décision et Nested Logit. Vi-
                                               conomiques et microéconomiques.
sualisation de graphes. Arbres probabili-
sés. Principe des plans d’expérience.          Supports ou références
                                               — Greene-Maddala-Train-Thomas
Supports ou références
— Analysis of Survival Data by D.R. Cox,
David Oakes, 1984 by Chapman and
Hall/CRC.
— Le modèle linéaire par l’exemple, JM.
Azaïs et JM. Bardet, Dunod, Paris, 2005.

 UE6

OPTION 2

ÉCONOMÉTRIE DE L’ÉVALUATION 1
Econometric Techniques 1

Responsable Philippe Compaire
philippe .compaire@univ-angers.fr

Pré-requis
Cours d’économétrie niveau L3
Notions et contenus :
1- Introduction
2- Chapitre I : Les modèles de choix bi-
naires (probit)
3- Chapitre II : Le modèle logit
4- Chapitre III : Le modèle logit multi-
nomial
5- Chapitre IV : Le modèle logit condi-
tionnel
6- Chapitre V : Les modèles à choix or-
donnés
7- Chapitre VI : Les modèles de comptage
8- Chapitre VII : Les modèles à variables
limitées (tronquées)

                                                                               PAGE 19
SEMESTRE 4
BLOC CULTURE D’ENTREPRISE - UE OBLIGATOIRES
                                               réalisé et un calendrier sera défini pour
 UE1                                           la réalisation. La seconde phase du projet
                                               consistera au traitement du problème en
CRÉATION D’ENTREPRISE -                        utilisant les concepts, méthodes et outils
PRÉPARATION À L’INSERTION                      appropriés et satisfaisants au cahier des
PROFESSIONNELLE                                charges. Le projet annuel met en oeuvre
                                               l’ensemble des compétences théoriques
Responsable Fabien Panloupl                    et pratiques du master, sur un thème en
fabien.panloup@univ-angers.fr                  lien avec l’option métier.
Intervenants SUIO-IP
                                               Compétences
Contenus                                       — Autonomie.
L’enseignement dédié à la création d’en-       — Capacité à travailler en équipe.
treprise vise à fournir aux étudiants les      — Capacité à mettre en oeuvre les conte-
éléments méthodologiques nécessaires.          nus du master.
Il s’appuiera sur l’intervention de profes-    — Capacité à rédiger un rapport.
sionnels et sollicitera un travail personnel   — Capacité à réaliser une soutenance.
des étudiants sous forme de capsule.           — Capacité créative et de recherche.
Conférences Professionnelles

Responsable Fabien Panloup
fabien.panloup@univ-angers.fr
Intervenants Extérieurs

Contenus
Des exposés et des mini-cours seront
proposés par des professionnels à la fois
pour présenter le métier de data scientist
mais aussi pour compléter la formation
par des introductions à des thèmes de
développement souvent récents.

Projet Annuel Tutoré
Annual Training Project

Responsable Fabien Panloup
fabien.panloup@univ-angers.fr

Contenus
Les étudiants réalisent en groupe un pro-
jet annuel entre septembre et février avec
une soutenance à mi-projet, sous l’enca-
drement d’un tuteur enseignant. La réali-
sation du projet s’efforcera de calquer le
déroulement de la gestion de projets dans
le monde socio-économique. Dans une
première phase, après avoir circonscrit
le problème, un cahier des charges sera

PAGE 20
BLOC MÉTIERS - UE OBLIGATOIRES

 UE2

TRAITEMENT D’IMAGES

Responsable David Rousseau
david.rousseau@univ-angers.fr

Pré-requis
Notions et contenus :
- Contenus des cours de - -S3-M2 DS
« Statistique en Grande Dimension et
Apprentissage » et « Bases de Données
Avancées-Big Data ».
Compétences :
- Traitement des données avec Python.
- Bases sur les réseaux de neurones.

Contenus
Cet enseignement a pour objectif d’intro-
duire les concepts principaux du traite-
ment d’images pour les mettre en oeuvre
via des outils logiciels libres standards
(Scikit image Python, imageJ, Illastik,
Knime, ...) sur des questions variées. A
l’issue du cours, les étudiants devront
être capables de construire un «pipeline»
de traitement d’images pour réaliser de
l’apprentissage machine basé expert ou
par réseau de neurones profonds.

Supports ou références
— Peters, J., Janzing, D., & Schölkopf,
B. (2017). Elements of causal inference:
foundations and learning algorithms (p.
288). The MIT Press.
— Ramsundar, B., Eastman, P., Walters,
P., & Pande, V. (2019). Deep learning for
the life sciences: applying deep learning
to genomics, microscopy, drug discove-
ry, and more. O’Reilly Media.

                                            PAGE 21
UE OPTIONNELLES (UN CHOIX SUR DEUX)
                                             to genomics, microscopy, drug discove-
 UE2                                         ry, and more. O’Reilly Media.
OPTION 1 Bio
                                              UE2
STATISTIQUE ET SCIENCES DES
DONNÉES POUR LA BIOLOGIE II
                                             OPTION 2 Eco
Responsable Olivier Goudet
olivier.goudet@univ-angers.fr                ECONOMÉTRIE DE L’EVALUATION 2
                                             Econometric Techniques 2
Pré-requis
Notions et contenus :                        Responsable Christophe Daniel
— Contenu du cours S2-M1 DS « Intro-         christophe.daniel@univ-angers.fr
duction à la génomique ».                    Pré-requis
— Contenus des cours de S3-M2 DS             Notions, contenus det compétences :
« Statistique en Grande Dimension et         — Modèles micro-économiques du tra-
Apprentissage » et « Bases de Données        vail-Econométrie des données transver-
Avancées-Big Data ».                         sales et de panel.
Compétences :
— Traitement des données avec Python.        Contenus
— Modèles de régression multivariée.         1 Théories microéconomiques :
— Modèles graphiques.                        — Des inégalités et des discriminations
                                             (hommes-femmes).
Contenus                                     — De l’éducation (rendements de l’édu-
Cet enseignement se focalise principa-       cation ou de l’expérience), négociations
lement sur l’inférence de réseaux et la      collectives.
transcriptomique. Il a pour objectif de      — Du choix des conditions de travail
renforcer les compétences en analyse de      (théories des différences compensatrices,
données génomiques et d’introduire les       de la segmentation, et des salaires hédo-
réseaux biologiques.                         niques).
Cet enseignement sera dispensé sous          — De la satisfaction au travail.
forme de CM et de TP de mise en pra-         2 Passage des modèles théoriques aux
tique sur des données réelles. La réalisa-   modèles économétriques : fonctions de
tion d’un projet de traitement de données    gains (Mincer, élargies aux conditions de
transcripto- miques et d’inférence de ré-    travail…), équation de choix des condi-
seaux sera proposée à l’issue du cours.      tions de travail, biais d’endogénéité et
                                             de sélection, méthodes de correction
Compétences                                  (Variables instrumentales et méthode
Introduction aux réseaux biologiques l       d’Heckman de l’Inverse du Ratio de Mill),
Méthodes d’inférences de réseaux l Cau-      modèle à deux régimes, décomposition
salité l Méthode de validation.              de Blinder-Oaxacca, de Machado-Mata,
                                             indices de satisfaction…
Supports ou références                       3 Applications sur données transversales
— Peters, J., Janzing, D., & Schölkopf,      : estimations et tests
B. (2017). Elements of causal inference:     Méthodes d’estimation : MCO, Moindres
foundations and learning algorithms (p.      Carrés Pondérés, Moindres Carrés Gé-
288). The MIT Press.                         néralisés, probit et logit (odd-ratios,
— Ramsundar, B., Eastman, P., Walters,       modèles simples ou bivariés), Variables
P., & Pande, V. (2019). Deep learning for    instrumentales, Heckman, estimation par
the life sciences: applying deep learning    quantiles, Principal Component Regres-

PAGE 22
sion et Partial Least Squares.
4 Évaluations contrefactuelles des poli-
tiques publiques de l’emploi :
  Approche expérimentale (groupe test,
groupe de contrôle), différences-en-diffé-
rences, score de propension, bootstrap…

                                             PAGE 23
BLOC STAGE OU ALTERNANCE

 UE3

STAGE OU ALTERNANCE
Stage de 5 à 6 mois en entreprise ou
alternance sur l’année

PAGE 24
Calendriers

2022
2023

               PAGE 25
CALENDRIER DÉTAILLÉ 2022-2023 FORMATION INITIALE/ALTERNANTS

Semaines     #      Début          Fin       Formation             Alternance
                                              initiale

  35-36      2     29/08/2022   9/09/2022                           Entreprise

  37-43      6     12/09/2022   28/10/2022    Enseignement S3    Enseignement S3

  44-46      3     31/10/2022   18/11/2022      Projet annuel       Entreprise

  47-50      4     21/11/2022   16/12/2022    Enseignement S3    Enseignement S3

  51-52      2     19/12/2022   30/12/2022       Vacances           Entreprise

   1         1     02/01/2023   06/01/2023      Projet annuel       Entreprise

   2         1     09/01/2023   13/01/2023    Enseignement S3    Enseignement S3

   3         1     16/01/2023   20/01/2023      Examens S3         Examens S3

  4-5-6      3     23/01/2023   10/02/2023    Enseignement S4    Enseignement S4

   7-8       2     13/02/2023   24/02/2023      Projet annuel       Entreprise

                                              Enseignement S4    Enseignement S4
  9-10       2     27/02/2023   9/03/2023      S4 Examen S1       S4 Examen S1
                                                  Session 2          Session 2

                                                 Soutenance
   10              10/03/2023   10/03/2023
                                                Projet annuel

  11-18      8     13/03/2023   5/05/2023          Stage            Entreprise

                                                                  Projet annuel +
  19-21      3     09/05/2023   26/05/2023         Stage
                                                                     Soutenance

  22-34     12,5   23/05/2023   27/08/2023         Stage            Entreprise

   35       0,5    30/08/2023   04/09/2023    Soutenance Stage   Soutenance Stage

  PAGE 26
Master 2 Data Science

                                                                  2022                                                                                                                                  2023
                Ao û t                   Sep t .                   Oc t .              No v .                Déc .          J an v i er        Fév r i er            Mar s            Av r i l          Mai               Juin           J u i l l et         Ao û t             Sep t .
                          M A                       M A                    M A                 M A                   M A             M A                 M A                 M A              M A              M A               M A               M A                M A                M A
                1    L                    1 J                      1 S                1    M                 1 J             1 D                1 M                  1 M              1 S              1   L              1 J             1 S                 1 M                1 V
                2    M                    2 V                      2 D                 2 M                   2 V             2   L              2    J               2   J            2 D              2 M                2 V             2 D                 2 M                2 S
                                                                                                                                                                                                                     22
                3    M                    3 S                      3   L               3   J                 3 S             3 M           5 3 V                     3 V              3   L            3 M                3 S             3   L               3   J              3 D
                                                                                 44                                                                                                                                                                      31
          31    4    J                    4 D                      4 M                 4 V                   4 D             4 M                4 S                  4 S              4 M           18 4   J              4 D             4 M                 4 V                4   L
                5    V                    5 L                      5 M                 5 S                   5 L           1 5   J              5 D                  5 D              5 M              5 V                5 L             5 M                 5 S                5 M
                6    S                    6 M                 40 6     J               6 D                   6 M             6 V                6    L               6   L         14 6   J            6 S                6 M          27 6    J              6 D                6 M
                7    D                    7 M                      7 V                 7   L                 7 M             7 S                7 M                  7 M              7 V              7 D                7 M             7 V                 7   L         36 7     J
                8    L             36 8 J                          8 S                 8 M             49 8 J                8 D                8 M                  8 M              8 S              8   L         23 8 J               8 S                 8 M                8 V
                9    M                    9 V                      9 D                 9 M                   9 V             9   L         6 9       J           10 9    J            9 D              9 M                9 V             9 D                 9 M                9 S
               10    M                   10 S                     10 L           45 10 J                     10 S           10 M               10 V                  10 V            10 L             10 M                10 S           10 L            32 10 J                 10 D
          32
               11    J                   11 D                     11 M                11 V                   11 D           11 M               11 S                  11 S            11 M           19 11 J               11 D           11 M                 11 V               11 L
               12    V                   12 L                     12 M                12 S                   12 L          2 12 J              12 D                  12 D            12 M             12 V                12 L           12 M                 12 S               12 M
               13    S                   13 M                 41 13 J                 13 D                   13 M           13 V               13 L                  13 L          15 13 J            13 S                13 M         28 13 J                13 D               13 M
               14    D                   14 M                     14 V                14 L                   14 M           14 S               14 M                  14 M            14 V             14 D                14 M           14 V                 14 L          37 14 J
               15    L             37 15 J                        15 S                15 M             50 15 J              15 D               15 M                  15 M            15 S             15 L           24 15 J             15 S                 15 M               15 V
               16    M                   16 V                     16 D                16 M                   16 V           16 L           7 16 J                11 16 J             16 D             16 M                16 V           16 D                 16 M               16 S
               17    M                   17 S                     17 L           46 17 J                     17 S           17 M               17 V                  17 V            17 L             17 M                17 S           17 L            33 17 J                 17 D
          33
               18    J                   18 D                     18 M                18 V                   18 D           18 M               18 S                  18 S            18 M           20 18 J               18 D           18 M                 18 V               18 L
               19    V                   19 L                     19 M                19 S                   19 L          3 19 J              19 D                  19 D            19 M             19 V                19 L           19 M                 19 S               19 M
               20    S                   20 M                 42 20 J                 20 D                   20 M           20 V               20 L                  20 L          16 20 J            20 S                20 M         29 20 J                20 D               20 M
               21    D                   21 M                     21 V                21 L                   21 M           21 S               21 M                  21 M            21 V             21 D                21 M           21 V                 21 L          38 21 J
               22    L             38 22 J                        22 S                22 M             51 22 J              22 D               22 M                  22 M            22 S             22 L           25 22 J             22 S                 22 M               22 V
               23    M                   23 V                     23 D                23 M                   23 V           23 L           8 23 J                12 23 J             23 D             23 M                23 V           23 D                 23 M               23 S
               24    M                   24 S                     24 L           47 24 J                     24 S           24 M               24 V                  24 V            24 L             24 M                24 S           24 L            34 24 J                 24 D
          34   25    J                   25 D                     25 M                25 V                   25 D           25 M               25 S                  25 S            25 M           21 25 J               25 D           25 M                 25 V               25 L
               26    V                   26 L                     26 M                26 S                   26 L          4 26 J              26 D                  26 D            26 M             26 V                26 L           26 M                 26 S               26 M
               27    S                   27 M                 43 27 J                 27 D                   27 M           27 V               27 L                  27 L          17 27 J            27 S                27 M         30 27 J                27 D               27 M
                                                                                                                                           9                                                                                                                                39
               28    D             39 28 M                        28 V                28 L                   28 M           28 S               28 M                  28 M            28 V             28 D           26 28 M             28 V                 28 L               28 J
                                                                                                       52
               29    L                   29 J                     29 S           48 29 M                     29 J           29 D                                 13 29 M             29 S             29 L                29 J           29 S                 29 M               29 V
                                                                                                                                                                                                                                                         35
          35   30    M                   30 V                     30 D                30 M                   30 V           30 L                                     30 J            30 D           22 30 M               30 V           30 D                 30 M               30 S
               31    M                                            31 L                                       31 S           31 M                                     31 V                             31 M                               31 L                 31 J

                     F o r m a t i o n à l ' Un i v e r s i t é                       So u t e n a n c e s                                     J o u r s f ér i és   Volume horaire de cours : 356 H
                                                                                                                                                                     Volume horaire de projet tutoré émargé : 56 H
                                                                                      Ré v i s i o n s e t Ex a m e n s                                              Volume horaire total des heures émargées : 402 H
               M A Mat i n /Ap r ès -m i d i
                                                                                                                                      D
                                                                                                                                                                                                                                                                                               CALENDRIER ALTERNANCE (CONTRAT PRO OU APPRENTISSAGE)

                                                                                                                                      é                              Volume horaire de projet tutoré non émargé : 326 H
                     Pé r i o d e s e n e n t r e p r i s e                           Week -en d                                      m
                                                                                                                                      ar                             Date de la rentrée universitaire : jeudi 1er septembre 2022
                                                                                                                                      ra

PAGE 27
Parking
                                                                                                                                               Personnels

                                                                                                    Parking
                                                                                                   Personnels

                   Entrée
                                            Entrée et sortie
                   et sortie
                                            piétons
                   Véhicules

 4 Boulevard
 de Lavoisier
                                                                                                                                               BÂT.

                              Entrée
                                                                                                                                               L
                                                          BÂT.
                              et sortie
                              Piétons
                                                         F                             BÂT.                BÂT.

                                               BÂT.
                                                                                       G                    i
                                              E
                                                                                       BÂT.

                                                                                       H
                                                                 BÂT.

                                                               C’                                                                      K
                                                                                                                                                            LA
                                                                                                                                BÂT.                        SERRE

                                                                                                           BÂT.
                                                                        BÂT.
                                                                                                          J
                                                                        C
     Entrée et                     BÂT.
     sortie
     Piétons                       B
                         B’                                                                   DA
                                                                                                                                GAZ
                  BÂT.                                                                 BÂT.                              BÂT.

                                                                                                                         P3
                                                          BÂT.

                                                          A
      Entrée
      et sortie
      Véhicules                                                                 BÂT.

                                                                                                                                           o
                                                                                D                                 BÂT.
                                                                                                                         M

                                                                                                                                                      N
 2 Boulevard                  ACCUEIL                                            DB
                                                                               BÂT.

                                                                                                         BÂT.

                                                                                                        NO

                                                                                                                                           s
 de Lavoisier

                                                                                                                                                 E
                                Parking
                               Personnels

                                                                                                                                                                    Impression Service Reprographie UA
A    Administration ı Scolarité ı Enseignement (Amphi A à E)
B    Biologie végétale ı Physiologie végétale ı Travaux pratiques biologie
B’   Travaux pratiques biologie
C    Travaux pratiques chimie
C’   Département de Géologie ı Recherche environnement (LETG -LEESA) ı Recherche géologie (LPGN-BIAF)
D    Travaux pratiques physique
Da   Enseignement ı Travaux pratiques physique
Db   Département de Physique ı Recherche physique (LPHIA)
E    Travaux pratiques biologie
F    Département de Biologie ı Recherche neurophysiologie (SIFCIR) ı Travaux pratiques biologie, géologie
GH   Département Informatique ı Recherche Informatique (LERIA) ı Travaux pratiques géologie
I    Département Mathématiques ı Recherche Mathématiques (LAREMA)
J    Chimie enseignement ı Travaux pratiques
K    Département de Chimie ı Recherche Chimie (MOLTECH Anjou)
L    Espace multimédia ı Enseignement (Amphi L001 à L006) ı Salle d’examen rez-de-jardin

                                            2, Boulevard Lavoisier
                                            49045 ANGERS CEDEX 01
                                            T.0241735353
PAGE 28                                     www.univ-angers.fr
Vous pouvez aussi lire