Data Science Master 2 2022-2023
←
→
Transcription du contenu de la page
Si votre navigateur ne rend pas la page correctement, lisez s'il vous plaît le contenu de la page ci-dessous
Master 2
Sciences, Technologies, Santé
2022-2023
Mathématiques et applications
Data Science
M2 DS
Apprentissage
Contrat Pro.
PAGE 1
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 32 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 4Présentation
de la
formation
PAGE 5Les 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 61
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 7nue 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 8Volumes
horaires
Évaluations
PAGE 9Master 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 08:58Master 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 11Contenu
des
enseignements
Les noms des responsables et intervenants sont donnés sous réserve de modifications.
PAGE 12SEMESTRE 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 13classi- 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 15BLOC 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 16BLOC 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 17BLOC 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 18programmation 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 19SEMESTRE 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 20BLOC 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 21UE 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 22sion 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 23BLOC 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 25CALENDRIER 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 26Master 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 27Parking
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.frVous pouvez aussi lire
