Ingénieur diplômé de CY Tech de CY Cergy Paris Université Spécialité mathématiques appliquées

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.).