Certification professionnelle

Objectifs et contexte de la certification :

Les mathématiques se trouvent aujourd'hui au cœur d'un nombre croissant d'applications très concrètes dans le monde industriel ou le secteur des services, les mathématiciens y étant appréciés pour leurs capacités d'analyse et de modélisation rigoureuse.

Dans un marché de plus en plus concurrentiel et demandeur d’innovations, en particulier informatiques, les compétences de l’ingénieur en mathématiques appliquées sont des clés stratégiques des enjeux industriels de demain mais aussi un point de passage obligé dans la mise au point de nouvelles technologies et l’élaboration de nouveaux produits.

La certification proposée par CY Tech répond à ces besoins et à leur évolution, elle recouvre de manière complète tous les champs des mathématiques appliquées aux données, un spectre de spécialisation allant des sciences financières et économiques, aux sciences du calcul et des données.

Activités visées :

Spécialiste d’outils mathématiques orientés dans les champs de l’ingénierie financière, de l’économie et de la science des données, l’ingénieur en mathématiques appliquées conçoit des modèles mathématiques et informatiques pour construire les meilleures stratégies d’investissements possibles.

Il conduit des projets ayant un besoin de modélisation mathématique, tant dans leurs aspects techniques qu'organisationnels, économiques et humains. Il mène ces projets depuis la formalisation du problème posé jusqu'à sa résolution numérique et la valorisation de la solution développée. Entre évaluations des risques, optimisation de la rentabilité, potentiel de croissance d’un marché ou d’une entreprise, ou modélisation des données, l’ingénieur en mathématiques appliquées intervient dans tous les secteurs d’activités nécessitant des outils stratégiques dans les prises de décisions et faisant appel à l’analyse quantitative d’information (l'industrie, la banque et les assurances, les services, le conseil), et/ou au traitement des données nécessitant des modèles mathématiques (statistiques, paramétriques, intelligence artificielle) automatisés.

L’ingénieur en mathématiques appliquées communique de manière rigoureuse, synthétique et adaptée avec l’ensemble des parties prenantes des projets qu’il conduit, qu’il s’agisse de la direction, des utilisateurs finaux, des partenaires techniques ou des équipes projet. Il valorise les résultats issus de la modélisation mathématique et de leur résolution numérique, en veillant à rendre les éléments complexes accessibles à des interlocuteurs non spécialistes.

Travaillant en interface avec différents services (financiers, data, R&D, production, informatique, etc.), il écoute activement, analyse les besoins exprimés, et traduit ces besoins en problématiques mathématiques formalisées, dans une logique de co-construction de solutions stratégiques. Cette capacité à adapter sa communication dans un contexte technique, managérial et multiculturel s’exerce aussi bien dans un cadre national qu’international, et constitue un levier essentiel dans les projets liés aux enjeux de transition digitale, sociétale ou environnementale.

Cette certification distingue des ingénieurs mathématiciens aptes à évoluer dans un contexte national ou international dans le domaine des mathématiques appliquées, tant dans ces activités techniques que managériales (gestion de projet, gestion des ressources humaines, gestion des risques), et pouvant intervenir dans toutes les branches d’activités liés aux enjeux de transition (digitale, sociétale et environnementale).

Activités détaillées : 

Tronc commun : 

- Analyse des problématiques complexes à partir de données économiques, financières, industrielles ou sociétales.
- Construction des modèles mathématiques de prévision, de simulation ou d’analyse adaptés aux enjeux sectoriels.
- Déploiement des solutions numériques pour la résolution de modèles mathématiques.
- Utilisation des outils informatiques de calcul scientifique (Python, Matlab, R, etc.).
- Valorisation les résultats issus de la modélisation auprès des utilisateurs métiers.

- Traduction des problématiques métiers en modèles mathématiques formalisés.
- Conception des algorithmes d’optimisation adaptés (programmation linéaire, stochastique, dynamique, etc.).
- Implémentation des solutions d’aide à la décision basées sur la résolution de modèles.
- Évaluation la qualité et la performance des solutions obtenues.
- Intégration les contraintes techniques, économiques et sociétales dans la résolution des problèmes.

- Collecte, nettoyage, structuration et stockage des données massives ou hétérogènes.
- Réalisation des analyses statistiques exploratoires.
- Réponse à une demande utilisateur en transformant les données brutes en information utile.
- Identification des biais, des erreurs et des limites des jeux de données.
- Communication des résultats de l’analyse sous forme visuelle ou synthétique(dashboards, rapports).

Option 1 :

- Application des techniques de machine learning ou deep learning selon la nature du problème.
- Sélection des algorithmes d’apprentissage adaptés (forêts aléatoires, SVM, réseaux de neurones, etc.).
- Implémentation les modèles à l’aide d’outils numériques (scikit-learn, TensorFlow, PyTorch...).
- Évaluation et validation des performances du modèle (surapprentissage, biais, robustesse).
- Intégration du modèle dans un système de décision ou un outil métier.

Option 2 :

- Modélisation des risques à partir de données historiques ou de simulations probabilistes.
- Évaluation de l’impact financier d’un aléa sur un portefeuille ou un système.
- Application des méthodes quantitatives pour la mesure du risque (VaR, stress tests, copules, etc.).
- Proposition des stratégies de couverture ou de gestion des risques.
- Utilisation des outils statistiques et probabilistes avancés dans les contextes assurantiels ou bancaires.

Option 3 :

- Développement des modèles mathématiques pour la sélection d’actifs et l’optimisation de portefeuille.
- Intégration les contraintes de marché, de rendement, de volatilité et de risque.
- Implémentation des stratégies algorithmiques de gestion financière.
- Simulation des performances de portefeuilles selon différents scénarios économiques.
- Valorisation des résultats pour des prises de décision stratégiques par des non-spécialistes (direction, clients, etc.).

Compétences attestées :

L’ingénieur de CY TECH spécialité mathématiques appliquées est capable de gérer les aspects organisationnels, économiques, financiers, humains et techniques d'un projet dans le domaine du calcul scientifique, de la modélisation mathématique, et de la science des données. Les compétences de ces ingénieurs reposent sur une large culture de mathématiques appliquées, associée à une maîtrise avancée de l'outil informatique . La vocation de la spécialité «

Mathématiques Appliquées » est de former des ingénieurs avec une solide base généraliste, complétée par un volet de formation plus spécifique ciblé sur la modélisation, la mise en œuvre des méthodes mathématiques, ou suivant les options de spécialisation, l’ingénierie financière, la modélisation en mathématiques financières, et la fouille de données.

Il est doté d’une bonne pédagogie ainsi qu'une bonne capacité d'analyse. A l’écoute des différents besoins des clients , il est capable de prendre en compte les enjeux stratégiques et métiers de l'organisation. Il maitrise l’analyse des risques et des enjeux d'une organisation , tout en y en y intégrant les aspects sociétaux de ses activités (développement durable, protection des données, sécurité au travail, etc.) Rigoureux, d'esprit méthodique, curieux il ouvert aux technologies émergentes et à l’innovation .

Les compétences acquises par les ingénieurs leur permettent de :

• Modéliser des données dans un but explicatif ou prédictif
• Modéliser des variables économiques et financières
• Déployer des algorithmes d’optimisation mathématique pour la résolution d’un problème d’apprentissage machine
• Concevoir des solutions logicielles et matérielles pour le traitement de données massives
• Concevoir et mettre en œuvre des stratégies de gestion de portefeuille à forte dominante quantitative

• Former et accompagner les collègues, clients et partenaires en transmettant les savoir-faire techniques, méthodologiques et les bonnes pratiques liées aux outils mathématiques, aux modèles développés et aux solutions implémentées.

   

Compétences détaillées : 

Tronc commun : 

- Réaliser l’état de l’art relatif à un modèle ou une famille de modèles mathématiques (optimisation, modèles paramétriques, apprentissage machine, statistiques, machine learning, systèmes déterministes ou stoquastiques) ou des solutions d’implémentation (familles d’algorithmes, gestion des données, méthodes d’apprentissage automatiques) pour s'appuyer sur les outils plus innovants.
- Appliquer les principes théoriques et pratiques fondamentaux de la modélisation mathématique en lien avec l’ingénierie financière ou économique et de la science des données afin d’assurer l’innovation technologique.
- Utiliser des langages de programmation scientifiques (programmation impérative, fonctionnelle, objet, et scripts) pour implémenter des modèles mathématiques destinés à l'analyse de données, la simulation, la prédiction pour la résolution de problèmes complexes.
- Utiliser les outils probabilistes et statistiques pour interpréter les résultats des modèles mathématiques.
- Fournir des recommandations pour améliorer ou optimiser le modèle mathématique.
- Apporter des recommandations pour une prise de décision en lien avec le modèle mathématique.
- Dialoguer et convaincre sur la viabilité technique, les décisions prises et les défis rencontrés.

- Modéliser et résoudre les problèmes techniques relatifs à l’analyse de l’information et à l’optimisation des ressources en utilisant les moyens techniques, mathématiques ou informatiques, adéquats pour réduire les temps et les coûts de calcul.
- Mettre en oeuvre les techniques de résolution adaptées, grâce à la maîtrise de différents types de méthodes issues des mathématiques, de la recherche opérationnelle, d’optimisation linéaire et non-linéaire, des statistiques, soutenant la prise de décision dans des contextes complexes et incertains afin de maitriser les aléas.
- Construire des algorithmes d’optimisation et les mettre en oeuvre à travers des langages scientifiques de haut niveau dans l'optique de résoudre des problèmes de planification industrielle, de gestion de réseaux et d'apprentissage machine.
- Adapter les formulations et les méthodes de résolution aux exigences économique, sociétale, environnementale propres de l’entreprise et de la société en vue de développer une activité solvable notamment sur le plan environnemental.
- Créer des modèles d’optimisation et d’aide à la décision, simulant différents scénarios pour évaluer l'impact des décisions avant de les mettre en oeuvre.

- Comprendre les besoins des utilisateurs pour adapter l'analyse des données et produire des résultats exploitables.
- Créer, administrer et modéliser une base de données et s’assurer d’une mise à jour régulière pour en faciliter l’exploitation par les équipes métiers.
- Maîtriser l'utilisation des technologies et outils spécifiques aux grands ensembles de données (Big Data) pour traiter et analyser des volumes importants de données (algorithmes distribués, solutions spécifiques aux clusters de logiciels).
- Étudier, fouiller et nettoyer des données s’appuyant sur différentes techniques -: statistiques, l’apprentissage automatique (machine learning), la visualisation, la reconnaissance des formes, les modèles incertains pour extraire du sens à partir des données afin de créer des produits d’analyse et des données structurées aidant à la prise des décisions.
- Préparer et prétraiter les données (nettoyage, transformation, agrégation) pour qu'elles soient prêtes à être analysées.
- Traiter et analyser des données non structurées (texte, images, vidéos) en utilisant des techniques adaptées, comme le traitement du langage naturel (NLP) ou la reconnaissance d'images afin de compresser ces données et de trouver des représentations fidèles.
- Analyser les données bien organisées et structurées (tableaux, bases de données relationnelles) pour en extraire des informations pertinentes.
- Appliquer les outils d’analyse statistique univariée et multivariée sur des données structurées et nettoyées dans le but de trouver des lois statistiques, de réaliser des tests et de trouver des relations de dépendance entre variables.
- Créer des visualisations de données informatives, selon plusieurs angles d’observation, pour interpréter et communiquer les résultats.
- Rédiger la documentation technique en assurer la protection des données sensibles de la structure (données scientifiques et techniques, données de gestion administrative, données individuelles) afin d’assurer la gestion efficace des systèmes et la sécurité des informations.
- Exploiter et interpréter les données pour en dégager des observations business utiles afin d'orienter les prises de décision du Management et améliorer les performances et les stratégies Marketing.

Option 1 :

- Analyser une problématique (comprendre le besoin, définir les entrées/sorties du modèle en accord avec les données disponible et les réponses attendues) en lien avec le besoin et les spécifications techniques du client pour proposer des
solutions adaptées.
- Sélectionner et mettre en place un modèle d’apprentissage supervisé ou non supervisé adapté au besoin utilisateurs : réseaux de neurones pour apprentissage profond, clustering, classification.
- Évaluer les performances d’un modèle d’apprentissage supervisé ou non supervisé dans l'optique d'estimer la fiabilité des résultats.
- Adapter et améliorer les paramètres d’un modèle d’apprentissage supervisé ou non supervisé afin d'augmenter la fiabilité des résultats.
- Concevoir et implémenter des pipelines automatisés pour entraîner, valider, déployer et monitorer les modèles de machine Learning.
- Collaborer et communiquer avec les utilisateurs finaux pour s'assurer que les modèles déployés répondent à leurs besoins et sont utilisés efficacement.
- Mettre en place des processus pour surveiller les performances des programmes d'IA et les améliorer en continu.

Option 2 :

- Utiliser des modèles probabilistes discrets ou continus (Monte Carlo, …) dans des applications associées à l'assurance et la finance pour prédire les risques ou les prix des actions.
- Appliquer les techniques de calcul statistique ou actuariel afin d'évaluer le niveau du risque.
- Analyser et gérer les risques d’assurance et de finance en tenant compte de l’environnement opérationnel, comptable et prudentiel
- Élaborer des stratégies pour atténuer les risques identifiés, en utilisant des outils de gestion des risques (comme la Value at Risk, VaR).
- Implémenter les procédures de valorisation ou de gestion des risques et assurer leur mise en production au sein de l'entreprise.
- Connaitre les réglementations en vigueur (Solvabilité II, Bâle III, …) et s'assurer que les modèles et stratégies sont conformes pour développer l'activité dans le respect des lois et normes internationales.
- Développer des méthodes de valorisation de contrats d’Assurance Vie ou non-Vie à l’aide de techniques probabilistes et statistiques afin d'assurer des rendements optimaux.
- Anticiper les projets qui découlent des défis sociétaux actuels (longévité, dépendance) en vue de garantir la stabilité financière de l'institution.
- Proposer des outils et mesures pour un pilotage pertinent de l’activité.
- Intégrer les évolutions sociétales, économiques, règlementaires et le volume croissant des données numériques dans l'optique de s'adapter à un environnement changeant.

Option 3 :

- Utiliser une modélisation économique et économétrique avancée et mobiliser les paradigmes théoriques et les faits empiriques de la macroéconomie, ainsi que ses aspects pratiques, institutionnels et juridiques.
- Concevoir et gérer les portefeuilles actifs en utilisant des techniques quantitatives pour maximiser le rendement ajusté au risque.
- Utiliser les techniques d'optimisation pour équilibrer les rendements et les risques dans la composition d'un portefeuille.
- Mettre en œuvre des modèles mathématiques et informatiques pour construire les meilleures stratégies d'investissement possibles.
- Backtesting et simulation : Appliquer des méthodes de backtesting pour tester la robustesse des stratégies de gestion de portefeuille sur des données historiques.
- Piloter la gestion Actif-Passif des portefeuilles afin de sélectionner les investissements.
- Aider les différents opérateurs financiers à optimiser leur placement pour augmenter les rendements à court, moyen ou long terme.
- Intégrer les aspects managériaux, juridiques, réglementaires et organisationnels pour concevoir des solutions qui s'adaptent à une organisation en évolution.
- S’adapter aux exigences propres de l’entreprise et de la société (économique, sociétale, environnementale, qualité, sécurité) en vue de proposer des produits conformes aux contraintes.

Modalités d'évaluation :

Les connaissances et savoir sont évaluées régulièrement au travers de contrôles continus : contrôles écrits, interrogations orales, examens, soutenances de mémoires ou de projets, travaux individuels et collectifs. Les unités d’enseignement acquises peuvent être conservées sans limitation de durée.

Les compétences et savoir-faire sont évaluées au travers de projets (au minimum un projet d'étude par année) accompagnés d’une mise en situation (Situation d‘apprentissage et d‘évaluation - SAE), qui permettent de mesurer l’appropriation des ressources dans un savoir-faire. Les projets sont accompagnés de démonstrations. La progression dans les compétences fait l’objet d’un suivi sur le cycle d’études au moyen du référentiel de compétences de la spécialité informatique, qui mentionne les apprentissages critiques et les critères fins d’évaluation.

Les savoir-être, sont évalués pendant les périodes de stage, d’apprentissage où les périodes de professionnalisation. Les compétences professionnelles comme la prise de recul, l’autonomie, l’adaptabilité, la communication ainsi que le travail en équipe sont aussi évaluées, au travers du référentiel de compétence de la spécialité.

Des modalités d’évaluation adaptées sont prévues pour les personnes en situation de handicap, conformément aux aménagements préconisés par le service de santé ou la mission handicap de l’établissement. Ces aménagements peuvent porter sur la durée des évaluations, le rythme pédagogique, les conditions spécifiques de passage des examens, ainsi que l'utilisation d'outils ou de dispositifs de suppléance adaptés. Ils peuvent également inclure des aides humaines (prise de notes, tutorat, secrétariat d’examen, etc.) ou techniques (temps majoré, adaptation des supports, étalement des études, etc.). L’école met en œuvre ces modalités dans le respect des recommandations établies.

L’ensemble de ces dispositifs est décrit dans le règlement des études et les documents afférents.