[{"command":"insert","method":null,"selector":".course-modal-ajax-placeholder-955915","data":"\u003Cdiv class=\u0022container content-rte\u0022\u003E\n  \u003Cdiv class=\u0022row\u0022\u003E\n    \u003Cdiv class=\u0022box col-md-6 bg-primary text-white\u0022\u003E\n      \u003Ch2 class=\u0022h1 text-left\u0022\u003E  Mesures et analyses\n\u003C\/h2\u003E\n                  \u003Cdiv class=\u0022field-spacing\u0022\u003E\n        \u003Cdiv class=\u0022field__label h3 dash\u0022\u003EECTS :\n          5\n        \u003C\/div\u003E\n      \u003C\/div\u003E\n                  \u003Cdiv class=\u0022field-spacing\u0022\u003E\n        \u003Cdiv class=\u0022field__label h3 dash\u0022\u003ESemestre calendaire :\n          Semestre 1\n        \u003C\/div\u003E\n      \u003C\/div\u003E\n            \u003Cdiv class=\u0022field-spacing\u0022\u003E\n      \u003Cdiv class=\u0022field__label h3 dash\u0022\u003ED\u00e9tail du volume horaire\u003C\/div\u003E\n                        \u003Cdiv class=\u0022mt-5 text-justify\u0022\u003E\n                          \u003Cspan class=\u0022field__label h4 mt-5 \u0022\u003ECours magistraux :\u003C\/span\u003E\n                                      \u003Cspan\u003E25\u003C\/span\u003E\n                      \u003C\/div\u003E\n                                \u003Cdiv class=\u0022mt-5 text-justify\u0022\u003E\n                          \u003Cspan class=\u0022field__label h4 mt-5 \u0022\u003ETravaux pratiques :\u003C\/span\u003E\n                                      \u003Cspan\u003E6\u003C\/span\u003E\n                      \u003C\/div\u003E\n                                \u003Cdiv class=\u0022mt-5 text-justify\u0022\u003E\n                          \u003Cspan class=\u0022field__label h4 mt-5 \u0022\u003ETravaux dirig\u00e9s :\u003C\/span\u003E\n                                      \u003Cspan\u003E19\u003C\/span\u003E\n                      \u003C\/div\u003E\n                                                            \u003C\/div\u003E\n        \u003Cdiv class=\u0022field-spacing\u0022\u003E\n      \u003Cdiv class=\u0022field__label h3 dash\u0022\u003ELangue d\u0026#039;enseignement\u003C\/div\u003E\n                        \u003Cdiv class=\u0022mt-5 text-justify\u0022\u003E\n                                      \u003Cspan\u003EFran\u00e7ais\u003C\/span\u003E\n                      \u003C\/div\u003E\n                  \u003C\/div\u003E\n        \u003Cdiv class=\u0022field-spacing\u0022\u003E\n      \u003Cdiv class=\u0022field__label h3 dash\u0022\u003EEnseignement \u00e0 distance\u003C\/div\u003E\n                        \u003Cdiv class=\u0022mt-5 text-justify\u0022\u003E\n                                      \u003Cspan\u003Enon\u003C\/span\u003E\n                      \u003C\/div\u003E\n                  \u003C\/div\u003E\n      \u003C\/div\u003E\n    \u003Cdiv class=\u0022box col-md-6\u0022\u003E\n            \u003Cdiv class=\u0022field-spacing\u0022\u003E\n      \u003Cdiv class=\u0022field__label h3 dash\u0022\u003EPr\u00e9requis\u003C\/div\u003E\n                        \u003Cdiv class=\u0022mt-5 text-justify\u0022\u003E\n                                      \u003Cspan\u003E\u003Cp\u003EBases de statistiques et de programmation sous Python\u003C\/p\u003E\n\u003Cp\u003EBases d\u0027alg\u00e8bre matriciel (rappel\u00e9es pendant le cours)\u003C\/p\u003E\n\u003Cp\u003EBases de m\u00e9trologie\u003C\/p\u003E\u003C\/span\u003E\n                      \u003C\/div\u003E\n                  \u003C\/div\u003E\n        \u003Cdiv class=\u0022field-spacing\u0022\u003E\n      \u003Cdiv class=\u0022field__label h3 dash\u0022\u003EProgramme \/ plan \/ contenus\u003C\/div\u003E\n                        \u003Cdiv class=\u0022mt-5 text-justify\u0022\u003E\n                                      \u003Cspan\u003E\u003Cul\u003E\n\u003Cli\u003EProcessus markoviens et mod\u00e9lisation du transport de pollution par cha\u00eenes de Markov\u003C\/li\u003E\n\u003Cli\u003ETraitement matriciel des processus\u003C\/li\u003E\n\u003Cli\u003EM\u00e9thodes pour le Big Data scientifique\u003C\/li\u003E\n\u003Cli\u003EAnalyse en composante principale et analyse discriminante.\u003C\/li\u003E\n\u003Cli\u003EM\u00e9thodes de l\u0027intelligence artificielle et leurs utilisations\u003C\/li\u003E\n\u003Cli\u003EPrincipes de m\u00e9trologie : incertitudes, dynamique,\u0026nbsp;\u003C\/li\u003E\n\u003Cli\u003EChaine d\u0027acquisition : capteur, \u00e9chantillonnage\u003C\/li\u003E\n\u003Cli\u003ESyst\u00e8mes d\u0027Information G\u00e9ographique : principes, donn\u00e9es vectorielles et matricielles, projection de donn\u00e9es\u003C\/li\u003E\n\u003Cli\u003EParam\u00e9trage de l\u0027outil QGIS\u003C\/li\u003E\n\u003C\/ul\u003E\u003C\/span\u003E\n                      \u003C\/div\u003E\n                  \u003C\/div\u003E\n        \u003Cdiv class=\u0022field-spacing\u0022\u003E\n      \u003Cdiv class=\u0022field__label h3 dash\u0022\u003EObjectifs d\u0026#039;apprentissage\u003C\/div\u003E\n                        \u003Cdiv class=\u0022mt-5 text-justify\u0022\u003E\n                                      \u003Cspan\u003E\u003Cp\u003ECet enseignement vise \u00e0 doter les \u00e9tudiants de comp\u00e9tences avanc\u00e9es en analyse de donn\u00e9es et en mesure appliqu\u00e9es aux \u00e9tudes environnementales. Il a pour objectif de ma\u00eetriser les m\u00e9thodes d\u2019analyse statistique multidimensionnelle (analyses factorielles) et les mod\u00e8les stochastiques (notamment les cha\u00eenes de Markov) pour l\u2019interpr\u00e9tation de ph\u00e9nom\u00e8nes complexes. Les apprentis apprendront \u00e9galement \u00e0 mobiliser les syst\u00e8mes d\u2019information g\u00e9ographique (SIG) pour l\u2019analyse spatiale, en lien avec des probl\u00e9matiques environnementales telles que la dispersion atmosph\u00e9rique ou les \u00e9tudes des dangers. Le cours introduit \u00e9galement les concepts de l\u0027intelligence artificielle appliqu\u00e9e \u00e0 l\u2019environnement et en programmation Python pour le traitement et la valorisation des donn\u00e9es. Enfin, il apporte une compr\u00e9hension rigoureuse des principes de la mesure et de la m\u00e9trologie (incertitudes, \u00e9talonnage, dynamique, \u00e9chantillonnage), afin de garantir la qualit\u00e9 et la fiabilit\u00e9 des donn\u00e9es analys\u00e9es.\u003C\/p\u003E\u003C\/span\u003E\n                      \u003C\/div\u003E\n                  \u003C\/div\u003E\n        \u003Cdiv class=\u0022field-spacing\u0022\u003E\n      \u003Cdiv class=\u0022field__label h3 dash\u0022\u003EOrganisation g\u00e9n\u00e9rale et modalit\u00e9s p\u00e9dagogiques\u003C\/div\u003E\n                        \u003Cdiv class=\u0022mt-5 text-justify\u0022\u003E\n                                      \u003Cspan\u003E\u003Cp\u003EL\u0027enseignement est r\u00e9parti entre des cours th\u00e9orique et une approche pratique sous forme de TP (SIG) et de projet tutor\u00e9 (analyse de donn\u00e9es sous Python).\u003C\/p\u003E\u003C\/span\u003E\n                      \u003C\/div\u003E\n                  \u003C\/div\u003E\n                \u003Cdiv class=\u0022field-spacing\u0022\u003E\n      \u003Cdiv class=\u0022field__label h3 dash\u0022\u003EComp\u00e9tences\u003C\/div\u003E\n                        \u003Cdiv class=\u0022mt-5 text-justify\u0022\u003E\n                                      \u003Cspan\u003E\u003Cul\u003E\n\u003Cli\u003EMettre en \u0153uvre des m\u00e9thodes d\u2019analyse statistique multidimensionnelle (ACP, classification, etc.) pour explorer et interpr\u00e9ter des jeux de donn\u00e9es complexes.\u003C\/li\u003E\n\u003Cli\u003EMod\u00e9liser des ph\u00e9nom\u00e8nes dynamiques \u00e0 l\u2019aide de processus stochastiques (ex. cha\u00eenes de Markov).\u003C\/li\u003E\n\u003Cli\u003ED\u00e9velopper des scripts en Python pour le traitement, l\u2019analyse et la visualisation de donn\u00e9es.\u003C\/li\u003E\n\u003Cli\u003EManipuler et analyser des donn\u00e9es spatiales dans un environnement SIG.\u003C\/li\u003E\n\u003Cli\u003EAppliquer les SIG \u00e0 des probl\u00e9matiques concr\u00e8tes : dispersion atmosph\u00e9rique, cartographie des risques, analyse des dangers.\u003C\/li\u003E\n\u003Cli\u003EComprendre et quantifier les incertitudes associ\u00e9es aux mesures.\u003C\/li\u003E\n\u003Cli\u003E\u00c9valuer la qualit\u00e9, la fiabilit\u00e9 et les limites des donn\u00e9es exp\u00e9rimentales.\u003C\/li\u003E\n\u003Cli\u003EPorter un regard critique sur les r\u00e9sultats (validit\u00e9, biais, limites).\u003C\/li\u003E\n\u003Cli\u003ETravailler sur des cas concrets interdisciplinaires (donn\u00e9es, spatialisation, mod\u00e9lisation).\u003C\/li\u003E\n\u003C\/ul\u003E\u003C\/span\u003E\n                      \u003C\/div\u003E\n                  \u003C\/div\u003E\n        \u003Cdiv class=\u0022field-spacing\u0022\u003E\n      \u003Cdiv class=\u0022field__label h3 dash\u0022\u003EBibliographie\u003C\/div\u003E\n                        \u003Cdiv class=\u0022mt-5 text-justify\u0022\u003E\n                                      \u003Cspan\u003E\u003Cul\u003E\n\u003Cli\u003EProbabilit\u00e9s, analyse des donn\u00e9es et Statistique, G. Saporta, Technip Paris (2011)\u0026nbsp;\u003C\/li\u003E\n\u003Cli\u003ELes processus de Markov, P. D\u00e9sesquelles, Ellipses Paris (2016)\u003C\/li\u003E\n\u003Cli\u003EWikipedia, pages ACP, AFD, AFC, ACM, k-moyennes, CHW\u003C\/li\u003E\n\u003C\/ul\u003E\u003C\/span\u003E\n                      \u003C\/div\u003E\n                  \u003C\/div\u003E\n        \u003Cdiv class=\u0022field-spacing\u0022\u003E\n      \u003Cdiv class=\u0022field__label h3 dash\u0022\u003ENature de l\u0026#039;\u00e9valuation\u003C\/div\u003E\n                        \u003Cdiv class=\u0022mt-5 text-justify\u0022\u003E\n                                      \u003Cspan\u003EEvaluation Continue non Int\u00e9grale\u003C\/span\u003E\n                      \u003C\/div\u003E\n                  \u003C\/div\u003E\n      \u003C\/div\u003E\n  \u003C\/div\u003E\n\u003C\/div\u003E\n","settings":null}]