Ingenieur Diplome de Cy Tech de Cy Cergy Paris Universite, Specialite Mathemathiques Appliquees

L’ingénieur en mathématiques appliquées peut occuper des postes à responsabilités techniques, scientifiques ou managériales, selon son parcours et ses spécialisations. Il exerce notamment les fonctions suivantes : * Ingénieur d’études ou de développement * Ingénieur de recherche ou en recherche et développement (R&D) * Ingénieur calculs, ingénieur analyste * Biostatisticien * Consultant en modélisation, data science ou optimisation * Chef de projet scientifique ou technique * Enseignant, chercheur ou conférencier dans le domaine académique

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.