Maîtrise en mathématiques

Structure du programme

Ensembles mesurables, mesure de Lebesgue, théorèmes de Lusin et de Egorov, intégrale de Lebesgue, théorème de Fubini, espaces Lp, éléments de la théorie ergodique, mesure et dimension de Hausdorff, ensembles fractals.

Espaces d’Hilbert, de Banach, théorèmes de Hahn-Banach, de Banach-Steinhaus et du graphe fermé, topologies faibles, espaces réflexifs, décomposition spectrale des opérateurs auto-adjoints compacts.

Espaces de Sobolev. Algèbres de Banach, théorème de Gelfand. Théories spectrales d’opérateurs bornés. Opérateurs non bornés, transformée de Cayley.

Ce cours est publié sans description.

Ce cours est publié sans description.

Flots discrets et continus. Équations différentielles non linéaires, techniques classiques d’analyse de dynamique, existence et stabilité de solutions, variétés invariantes, bifurcations, formes normales, systèmes chaotiques. Applications modernes.

Équations des ondes et de la chaleur, problème de Sturm-Liouville, théorie des distributions, espaces de Sobolev, fonctions harmoniques, équations elliptiques, éléments de la théorie spectrale.

Ce cours est publié sans description.

Le laplacien et la théorie elliptique. La géométrie spectrale. Surfaces minimales. Applications analytiques à la géométrie riemannienne, symplectique et kahlerienne, et en physique et sciences informatiques.

Variétés différentiables, formes différentielles, fibrés. Partitions de l’unité. Groupes à un paramètre de difféomorphismes, dérivée et crochet de Lie. Intégration et théorème de Stokes. Cohomologie de De Rham. Éléments de géométrie riemannienne.

Métriques riemanniennes. Connexions. Courbure. Transport parallèle. Géodésiques. Champs de Jacobi. Théorèmes de Hopf-Rinow et Cartan-Hadamard. Théorèmes de comparaison. Théorème de Bonnet-Myers. Laplacien. Groupes de Lie. Espaces symétriques.

Ce cours est publié sans description.

Variétés, transversalité et degré. Théorème de Sard. Éléments de la théorie de Morse. Complexe de Morse. Théorème de Hopf-Poincaré. Cobordisme. Signature. Théorème de h-cobordisme. Classes caractéristiques. Espaces de Thom, groupes de cobordisme.

Homologie et co-homologie singulières. Fibrations, co-fibrations. Groupes d’homotopie. CW-complexes. Obstructions. Suites spectrales. Produits. Dualité de Poincaré. Théorème du point fixe de Lefschetz. Groupes unitaires et classes de Chern.

Ce cours est publié sans description.

Processus de branchement : modèles de Wright-Fisher, de Moran. Modèles à une infinité d’allèles, de sites. Facteurs d’évolution: sélection, mutation, migration, recombinaison, apparentement. Reconstruction et inférence de réseaux génétiques.

Examen de modèles fondamentaux utilisés en biologie mathématique et de leur analyse utilisant des outils modernes de calcul scientifique. Systèmes dynamiques discrets et continus, procédés stochastiques, modèles statistiques et simulation numérique.

Processus de modélisation mathématiques avancés: simulations, estimation de paramètres, interprétation. Utilisation des mathématiques dans un milieu multidisciplinaire (p. ex. oncologie, neurosciences, génétique). Étude de cas et projets appliqués.

Analyse mathématique et simulation de systèmes neuraux (neurones, réseaux et populations) utilisant des outils de systèmes dynamiques. Procédés stochastiques, et autres techniques.

Virgule flottante. ÉDOs. Modélisation et simulations. Méthodes directes et itératives pour la résolution de systèmes linéaires et non-linéaires. Gestion de données. Valeurs propres. ÉDPs elliptiques et paraboliques. Équation de Black-Scholes.

Équations d’Euler. Rotation et tourbillon. Écoulements potentiels. Aérodynamique. Équations de Navier-Stokes. Écoulements très visqueux. Couches limites. Sujets spéciaux.

Équations paraboliques, différences finies. Convergence, stabilité. Méthodes implicites, directions alternées. Syst. hyperbol. Onde de choc, méth. amont, de Lax-Friedrichs, Lax-Wendroff, van Leer, Godunov, Roe, volumes finis.

Formulation et modélisation analytique des géométries intrinsèques de données. Algorithmes pour les construire et les utiliser en apprentissage automatique. Applications : classification, regroupement et réduction de la dimensionnalité.

Représentation et analyse des graphes par la décomposition spectrale des matrices dérivées de leurs topologies. Analyse harmonique sur les graphes. Applications au traitement de signal sur les graphes et à l’apprentissage profond géométrique.

Anneaux commutatifs, idéaux premiers, rudiments de géométrie algébrique, Nullstellensatz de Hilbert, localisation, complétion, théorie de la dimension.

Représentations des groupes, algèbre d’un groupe fini, table de caractères, représentations des groupes symétriques, groupes de Lie, algèbre de Lie, représentations des groupes classiques.

Algèbre de Lie d’un groupe de Lie. Formes de Maurer-Cartan. Théorèmes de Lie. Application exponentielle, coordonnées canoniques. Sous-groupes fermés. Sous-groupes connexes par arcs. Formes de Killing et les groupes semi-simples.

Ce cours est publié sans description.

Nombres et entiers algébriques. Unités. Norme, trace, discriminant et ramification. Base intégrale. Corps quadratiques, cyclotomiques. Groupes de classes. Décomposition en idéaux premiers. Équations diophantiennes.

Distribution des nombres premiers. Fonction zêta de Riemann et fonctions-L de Dirichlet. Le théorème des nombres premiers, et de Bombieri-Vinogradov. La répartition des nombres premiers consécutifs.

Groupe des points d’une courbe elliptique. Théorème de Mordell-Weil. Groupes de Selmer et de Tate-Shafarevich. Les expansions de Fourier des formes modulaires et l’idée de modularité. Applications aux équations diophantiennes.

Théorème de Freiman-Ruzsa, transformation de Dyson, théorèmes de Van der Waerden et de Roth-Szemeredi-Gowers. Théorème de Bourgain sur les bornes de sommes exponentielles. Théorème de Green-Tao.

Ce cours est publié sans description.

Espace de probabilité, variables aléatoires, indépendance, espérance mathématique, modes de convergence, lois des grands nombres, théorème central limite, espérance conditionnelle et martingales. Introduction au mouvement brownien.

Mouvement brownien, intégrale stochastique, formule d’Itô, équations différentielles stochastiques, théorèmes de représentation, théorème de Girsanov. Formule de Black et Scholes.

Ce cours est publié sans description.

Cours publié sans description.

Structures à terme, processus stochastiques, modèles et produits dérivés de taux d'intérêt, immunisation et appariement, produits dérivés de crédit, titres adossés à des créances hypothécaires, volatilité.

Analyse et extraction d’informations à partir de données du marché, données volumineuses et à haute fréquence, techniques d’apprentissage statistique en finance, résolution de problèmes pratiques.

Tarification et couverture dans des modèles avec une volatilité ou un taux d’intérêt stochastique, simulation de Monte Carlo pour les équations différentielles stochastiques, résolution d’équations à dérivées partielles.

Modèles à chaîne de Markov cachée, modèles à espace d’état, techniques de filtrage et de lissage, filtre d’Hamilton, filtre de Kalman, méthodes de Monte Carlo séquentielles, algorithme EM, applications financières.

Ensembles mesurables, mesure de Lebesgue, théorèmes de Lusin et de Egorov, intégrale de Lebesgue, théorème de Fubini, espaces Lp, éléments de la théorie ergodique, mesure et dimension de Hausdorff, ensembles fractals.

Espaces d’Hilbert, de Banach, théorèmes de Hahn-Banach, de Banach-Steinhaus et du graphe fermé, topologies faibles, espaces réflexifs, décomposition spectrale des opérateurs auto-adjoints compacts.

Espaces de Sobolev. Algèbres de Banach, théorème de Gelfand. Théories spectrales d’opérateurs bornés. Opérateurs non bornés, transformée de Cayley.

Ce cours est publié sans description.

Ce cours est publié sans description.

Flots discrets et continus. Équations différentielles non linéaires, techniques classiques d’analyse de dynamique, existence et stabilité de solutions, variétés invariantes, bifurcations, formes normales, systèmes chaotiques. Applications modernes.

Équations des ondes et de la chaleur, problème de Sturm-Liouville, théorie des distributions, espaces de Sobolev, fonctions harmoniques, équations elliptiques, éléments de la théorie spectrale.

Ce cours est publié sans description.

Le laplacien et la théorie elliptique. La géométrie spectrale. Surfaces minimales. Applications analytiques à la géométrie riemannienne, symplectique et kahlerienne, et en physique et sciences informatiques.

Variétés différentiables, formes différentielles, fibrés. Partitions de l’unité. Groupes à un paramètre de difféomorphismes, dérivée et crochet de Lie. Intégration et théorème de Stokes. Cohomologie de De Rham. Éléments de géométrie riemannienne.

Métriques riemanniennes. Connexions. Courbure. Transport parallèle. Géodésiques. Champs de Jacobi. Théorèmes de Hopf-Rinow et Cartan-Hadamard. Théorèmes de comparaison. Théorème de Bonnet-Myers. Laplacien. Groupes de Lie. Espaces symétriques.

Ce cours est publié sans description.

Variétés, transversalité et degré. Théorème de Sard. Éléments de la théorie de Morse. Complexe de Morse. Théorème de Hopf-Poincaré. Cobordisme. Signature. Théorème de h-cobordisme. Classes caractéristiques. Espaces de Thom, groupes de cobordisme.

Homologie et co-homologie singulières. Fibrations, co-fibrations. Groupes d’homotopie. CW-complexes. Obstructions. Suites spectrales. Produits. Dualité de Poincaré. Théorème du point fixe de Lefschetz. Groupes unitaires et classes de Chern.

Ce cours est publié sans description.

Processus de branchement : modèles de Wright-Fisher, de Moran. Modèles à une infinité d’allèles, de sites. Facteurs d’évolution: sélection, mutation, migration, recombinaison, apparentement. Reconstruction et inférence de réseaux génétiques.

Examen de modèles fondamentaux utilisés en biologie mathématique et de leur analyse utilisant des outils modernes de calcul scientifique. Systèmes dynamiques discrets et continus, procédés stochastiques, modèles statistiques et simulation numérique.

Processus de modélisation mathématiques avancés: simulations, estimation de paramètres, interprétation. Utilisation des mathématiques dans un milieu multidisciplinaire (p. ex. oncologie, neurosciences, génétique). Étude de cas et projets appliqués.

Analyse mathématique et simulation de systèmes neuraux (neurones, réseaux et populations) utilisant des outils de systèmes dynamiques. Procédés stochastiques, et autres techniques.

Virgule flottante. ÉDOs. Modélisation et simulations. Méthodes directes et itératives pour la résolution de systèmes linéaires et non-linéaires. Gestion de données. Valeurs propres. ÉDPs elliptiques et paraboliques. Équation de Black-Scholes.

Équations d’Euler. Rotation et tourbillon. Écoulements potentiels. Aérodynamique. Équations de Navier-Stokes. Écoulements très visqueux. Couches limites. Sujets spéciaux.

Équations paraboliques, différences finies. Convergence, stabilité. Méthodes implicites, directions alternées. Syst. hyperbol. Onde de choc, méth. amont, de Lax-Friedrichs, Lax-Wendroff, van Leer, Godunov, Roe, volumes finis.

Formulation et modélisation analytique des géométries intrinsèques de données. Algorithmes pour les construire et les utiliser en apprentissage automatique. Applications : classification, regroupement et réduction de la dimensionnalité.

Représentation et analyse des graphes par la décomposition spectrale des matrices dérivées de leurs topologies. Analyse harmonique sur les graphes. Applications au traitement de signal sur les graphes et à l’apprentissage profond géométrique.

Anneaux commutatifs, idéaux premiers, rudiments de géométrie algébrique, Nullstellensatz de Hilbert, localisation, complétion, théorie de la dimension.

Représentations des groupes, algèbre d’un groupe fini, table de caractères, représentations des groupes symétriques, groupes de Lie, algèbre de Lie, représentations des groupes classiques.

Algèbre de Lie d’un groupe de Lie. Formes de Maurer-Cartan. Théorèmes de Lie. Application exponentielle, coordonnées canoniques. Sous-groupes fermés. Sous-groupes connexes par arcs. Formes de Killing et les groupes semi-simples.

Ce cours est publié sans description.

Nombres et entiers algébriques. Unités. Norme, trace, discriminant et ramification. Base intégrale. Corps quadratiques, cyclotomiques. Groupes de classes. Décomposition en idéaux premiers. Équations diophantiennes.

Distribution des nombres premiers. Fonction zêta de Riemann et fonctions-L de Dirichlet. Le théorème des nombres premiers, et de Bombieri-Vinogradov. La répartition des nombres premiers consécutifs.

Groupe des points d’une courbe elliptique. Théorème de Mordell-Weil. Groupes de Selmer et de Tate-Shafarevich. Les expansions de Fourier des formes modulaires et l’idée de modularité. Applications aux équations diophantiennes.

Théorème de Freiman-Ruzsa, transformation de Dyson, théorèmes de Van der Waerden et de Roth-Szemeredi-Gowers. Théorème de Bourgain sur les bornes de sommes exponentielles. Théorème de Green-Tao.

Ce cours est publié sans description.

Espace de probabilité, variables aléatoires, indépendance, espérance mathématique, modes de convergence, lois des grands nombres, théorème central limite, espérance conditionnelle et martingales. Introduction au mouvement brownien.

Mouvement brownien, intégrale stochastique, formule d’Itô, équations différentielles stochastiques, théorèmes de représentation, théorème de Girsanov. Formule de Black et Scholes.

Ce cours est publié sans description.

Principes de l’analyse bayésienne; loi a priori et a posteriori, inférence statistique et théorie de la décision. Méthodes computationnelles; méthodes de Monte Carlo par chaînes de Markov et méthodes variationnelles. Applications.

Statistiques linéaires de rang. Problèmes de position et de dispersion. Cas d'un ou deux échantillons. Efficacité relative des tests. Régression non paramétrique : méthodes du noyau et splines de lissage. Tests de permutation et méthode bootstrap.

Notions de probabilités. Inférence non paramétrique; comportement asymptotique des moments, quantiles échantillonnaux et des statistiques d’ordre. Inférence paramétrique fréquentiste et bayésienne; consistance uniforme, normalité asymptotique.

Cas de deux traitements. Modèle basé sur la randomisation. Théorie des formes quadratiques. Estimation et tests d’hypothèses dans les modèles linéaires. Tests de permutation du plan à un facteur. Blocs incomplets. Plans factoriels fractionnaires.

Rappels sur les modèles linéaires généralisés (inférence, tests, validation, choix de modèle). Géométrie de la régression. Étude asymptotique des estimateurs et réduction de variance. Régression robuste. Régression non paramétrique.

Distributions elliptiques. Estimateurs de localisation et dispersion. Estimateur robuste. Corrélations multiple, partielle, canonique. Tests paramétriques, de permutation, du bootstrap. Classification. Analyse en composantes principales. Prévision.

Tableaux de contingence à plusieurs dimensions. Mesures d'association. Risque relatif, rapport de cote. Tests exacts et asymptotiques. Régression logistique, de Poisson, multinomiale, logistique cumulative. Modèles log-linéaires. Modèles graphiques.

Techniques descriptives. Processus stationnaires. Meilleure prévision linéaire. Modèles ARMA, ARIMA et modèles saisonniers. Estimation et prévision dans les ARMA. Éléments d’analyse spectrale. Modèles ARCH et GARCH.

Principes d'inférence : estimation ponctuelle, distribution des estimateurs, test d’hypothèse, région de confiance. Approche bayésienne. Méthodes de rééchantillonnage. Estimation non paramétrique. Applications modernes de la statistique.

Cours publié sans description.

Structures à terme, processus stochastiques, modèles et produits dérivés de taux d'intérêt, immunisation et appariement, produits dérivés de crédit, titres adossés à des créances hypothécaires, volatilité.

Analyse et extraction d’informations à partir de données du marché, données volumineuses et à haute fréquence, techniques d’apprentissage statistique en finance, résolution de problèmes pratiques.

Tarification et couverture dans des modèles avec une volatilité ou un taux d’intérêt stochastique, simulation de Monte Carlo pour les équations différentielles stochastiques, résolution d’équations à dérivées partielles.

Modèles à chaîne de Markov cachée, modèles à espace d’état, techniques de filtrage et de lissage, filtre d’Hamilton, filtre de Kalman, méthodes de Monte Carlo séquentielles, algorithme EM, applications financières.

Ensembles mesurables, mesure de Lebesgue, théorèmes de Lusin et de Egorov, intégrale de Lebesgue, théorème de Fubini, espaces Lp, éléments de la théorie ergodique, mesure et dimension de Hausdorff, ensembles fractals.

Espaces d’Hilbert, de Banach, théorèmes de Hahn-Banach, de Banach-Steinhaus et du graphe fermé, topologies faibles, espaces réflexifs, décomposition spectrale des opérateurs auto-adjoints compacts.

Ce cours est publié sans description.

Flots discrets et continus. Équations différentielles non linéaires, techniques classiques d’analyse de dynamique, existence et stabilité de solutions, variétés invariantes, bifurcations, formes normales, systèmes chaotiques. Applications modernes.

Équations des ondes et de la chaleur, problème de Sturm-Liouville, théorie des distributions, espaces de Sobolev, fonctions harmoniques, équations elliptiques, éléments de la théorie spectrale.

Processus de branchement : modèles de Wright-Fisher, de Moran. Modèles à une infinité d’allèles, de sites. Facteurs d’évolution: sélection, mutation, migration, recombinaison, apparentement. Reconstruction et inférence de réseaux génétiques.

Examen de modèles fondamentaux utilisés en biologie mathématique et de leur analyse utilisant des outils modernes de calcul scientifique. Systèmes dynamiques discrets et continus, procédés stochastiques, modèles statistiques et simulation numérique.

Processus de modélisation mathématiques avancés: simulations, estimation de paramètres, interprétation. Utilisation des mathématiques dans un milieu multidisciplinaire (p. ex. oncologie, neurosciences, génétique). Étude de cas et projets appliqués.

Analyse mathématique et simulation de systèmes neuraux (neurones, réseaux et populations) utilisant des outils de systèmes dynamiques. Procédés stochastiques, et autres techniques.

Virgule flottante. ÉDOs. Modélisation et simulations. Méthodes directes et itératives pour la résolution de systèmes linéaires et non-linéaires. Gestion de données. Valeurs propres. ÉDPs elliptiques et paraboliques. Équation de Black-Scholes.

Formulation et modélisation analytique des géométries intrinsèques de données. Algorithmes pour les construire et les utiliser en apprentissage automatique. Applications : classification, regroupement et réduction de la dimensionnalité.

Représentation et analyse des graphes par la décomposition spectrale des matrices dérivées de leurs topologies. Analyse harmonique sur les graphes. Applications au traitement de signal sur les graphes et à l’apprentissage profond géométrique.

Anneaux commutatifs, idéaux premiers, rudiments de géométrie algébrique, Nullstellensatz de Hilbert, localisation, complétion, théorie de la dimension.

Représentations des groupes, algèbre d’un groupe fini, table de caractères, représentations des groupes symétriques, groupes de Lie, algèbre de Lie, représentations des groupes classiques.

Nombres et entiers algébriques. Unités. Norme, trace, discriminant et ramification. Base intégrale. Corps quadratiques, cyclotomiques. Groupes de classes. Décomposition en idéaux premiers. Équations diophantiennes.

Espace de probabilité, variables aléatoires, indépendance, espérance mathématique, modes de convergence, lois des grands nombres, théorème central limite, espérance conditionnelle et martingales. Introduction au mouvement brownien.

Mouvement brownien, intégrale stochastique, formule d’Itô, équations différentielles stochastiques, théorèmes de représentation, théorème de Girsanov. Formule de Black et Scholes.

Ce cours est publié sans description.

Principes de l’analyse bayésienne; loi a priori et a posteriori, inférence statistique et théorie de la décision. Méthodes computationnelles; méthodes de Monte Carlo par chaînes de Markov et méthodes variationnelles. Applications.

Statistiques linéaires de rang. Problèmes de position et de dispersion. Cas d'un ou deux échantillons. Efficacité relative des tests. Régression non paramétrique : méthodes du noyau et splines de lissage. Tests de permutation et méthode bootstrap.

Notions de probabilités. Inférence non paramétrique; comportement asymptotique des moments, quantiles échantillonnaux et des statistiques d’ordre. Inférence paramétrique fréquentiste et bayésienne; consistance uniforme, normalité asymptotique.

Cas de deux traitements. Modèle basé sur la randomisation. Théorie des formes quadratiques. Estimation et tests d’hypothèses dans les modèles linéaires. Tests de permutation du plan à un facteur. Blocs incomplets. Plans factoriels fractionnaires.

Rappels sur les modèles linéaires généralisés (inférence, tests, validation, choix de modèle). Géométrie de la régression. Étude asymptotique des estimateurs et réduction de variance. Régression robuste. Régression non paramétrique.

Distributions elliptiques. Estimateurs de localisation et dispersion. Estimateur robuste. Corrélations multiple, partielle, canonique. Tests paramétriques, de permutation, du bootstrap. Classification. Analyse en composantes principales. Prévision.

Tableaux de contingence à plusieurs dimensions. Mesures d'association. Risque relatif, rapport de cote. Tests exacts et asymptotiques. Régression logistique, de Poisson, multinomiale, logistique cumulative. Modèles log-linéaires. Modèles graphiques.

Techniques descriptives. Processus stationnaires. Meilleure prévision linéaire. Modèles ARMA, ARIMA et modèles saisonniers. Estimation et prévision dans les ARMA. Éléments d’analyse spectrale. Modèles ARCH et GARCH.

Principes d'inférence : estimation ponctuelle, distribution des estimateurs, test d’hypothèse, région de confiance. Approche bayésienne. Méthodes de rééchantillonnage. Estimation non paramétrique. Applications modernes de la statistique.

Cours publié sans description.

Structures à terme, processus stochastiques, modèles et produits dérivés de taux d'intérêt, immunisation et appariement, produits dérivés de crédit, titres adossés à des créances hypothécaires, volatilité.

Analyse et extraction d’informations à partir de données du marché, données volumineuses et à haute fréquence, techniques d’apprentissage statistique en finance, résolution de problèmes pratiques.

Tarification et couverture dans des modèles avec une volatilité ou un taux d’intérêt stochastique, simulation de Monte Carlo pour les équations différentielles stochastiques, résolution d’équations à dérivées partielles.

Modèles à chaîne de Markov cachée, modèles à espace d’état, techniques de filtrage et de lissage, filtre d’Hamilton, filtre de Kalman, méthodes de Monte Carlo séquentielles, algorithme EM, applications financières.

Ensembles mesurables, mesure de Lebesgue, théorèmes de Lusin et de Egorov, intégrale de Lebesgue, théorème de Fubini, espaces Lp, éléments de la théorie ergodique, mesure et dimension de Hausdorff, ensembles fractals.

Espaces d’Hilbert, de Banach, théorèmes de Hahn-Banach, de Banach-Steinhaus et du graphe fermé, topologies faibles, espaces réflexifs, décomposition spectrale des opérateurs auto-adjoints compacts.

Ce cours est publié sans description.

Flots discrets et continus. Équations différentielles non linéaires, techniques classiques d’analyse de dynamique, existence et stabilité de solutions, variétés invariantes, bifurcations, formes normales, systèmes chaotiques. Applications modernes.

Équations des ondes et de la chaleur, problème de Sturm-Liouville, théorie des distributions, espaces de Sobolev, fonctions harmoniques, équations elliptiques, éléments de la théorie spectrale.

Processus de branchement : modèles de Wright-Fisher, de Moran. Modèles à une infinité d’allèles, de sites. Facteurs d’évolution: sélection, mutation, migration, recombinaison, apparentement. Reconstruction et inférence de réseaux génétiques.

Examen de modèles fondamentaux utilisés en biologie mathématique et de leur analyse utilisant des outils modernes de calcul scientifique. Systèmes dynamiques discrets et continus, procédés stochastiques, modèles statistiques et simulation numérique.

Processus de modélisation mathématiques avancés: simulations, estimation de paramètres, interprétation. Utilisation des mathématiques dans un milieu multidisciplinaire (p. ex. oncologie, neurosciences, génétique). Étude de cas et projets appliqués.

Analyse mathématique et simulation de systèmes neuraux (neurones, réseaux et populations) utilisant des outils de systèmes dynamiques. Procédés stochastiques, et autres techniques.

Virgule flottante. ÉDOs. Modélisation et simulations. Méthodes directes et itératives pour la résolution de systèmes linéaires et non-linéaires. Gestion de données. Valeurs propres. ÉDPs elliptiques et paraboliques. Équation de Black-Scholes.

Formulation et modélisation analytique des géométries intrinsèques de données. Algorithmes pour les construire et les utiliser en apprentissage automatique. Applications : classification, regroupement et réduction de la dimensionnalité.

Représentation et analyse des graphes par la décomposition spectrale des matrices dérivées de leurs topologies. Analyse harmonique sur les graphes. Applications au traitement de signal sur les graphes et à l’apprentissage profond géométrique.

Anneaux commutatifs, idéaux premiers, rudiments de géométrie algébrique, Nullstellensatz de Hilbert, localisation, complétion, théorie de la dimension.

Représentations des groupes, algèbre d’un groupe fini, table de caractères, représentations des groupes symétriques, groupes de Lie, algèbre de Lie, représentations des groupes classiques.

Nombres et entiers algébriques. Unités. Norme, trace, discriminant et ramification. Base intégrale. Corps quadratiques, cyclotomiques. Groupes de classes. Décomposition en idéaux premiers. Équations diophantiennes.

Espace de probabilité, variables aléatoires, indépendance, espérance mathématique, modes de convergence, lois des grands nombres, théorème central limite, espérance conditionnelle et martingales. Introduction au mouvement brownien.

Mouvement brownien, intégrale stochastique, formule d’Itô, équations différentielles stochastiques, théorèmes de représentation, théorème de Girsanov. Formule de Black et Scholes.

Ce cours est publié sans description.

Statistiques linéaires de rang. Problèmes de position et de dispersion. Cas d'un ou deux échantillons. Efficacité relative des tests. Régression non paramétrique : méthodes du noyau et splines de lissage. Tests de permutation et méthode bootstrap.

Notions de probabilités. Inférence non paramétrique; comportement asymptotique des moments, quantiles échantillonnaux et des statistiques d’ordre. Inférence paramétrique fréquentiste et bayésienne; consistance uniforme, normalité asymptotique.

Cas de deux traitements. Modèle basé sur la randomisation. Théorie des formes quadratiques. Estimation et tests d’hypothèses dans les modèles linéaires. Tests de permutation du plan à un facteur. Blocs incomplets. Plans factoriels fractionnaires.

Rappels sur les modèles linéaires généralisés (inférence, tests, validation, choix de modèle). Géométrie de la régression. Étude asymptotique des estimateurs et réduction de variance. Régression robuste. Régression non paramétrique.

Distributions elliptiques. Estimateurs de localisation et dispersion. Estimateur robuste. Corrélations multiple, partielle, canonique. Tests paramétriques, de permutation, du bootstrap. Classification. Analyse en composantes principales. Prévision.

Tableaux de contingence à plusieurs dimensions. Mesures d'association. Risque relatif, rapport de cote. Tests exacts et asymptotiques. Régression logistique, de Poisson, multinomiale, logistique cumulative. Modèles log-linéaires. Modèles graphiques.

Techniques descriptives. Processus stationnaires. Meilleure prévision linéaire. Modèles ARMA, ARIMA et modèles saisonniers. Estimation et prévision dans les ARMA. Éléments d’analyse spectrale. Modèles ARCH et GARCH.