Composante
Faculté des sciences
Liste des enseignements
UE6 : au choix de l'étudiant 1 parmi 2
4 créditsAu choix : 1 parmi 2
UE6 : au choix de l'étudiant 1 parmi 2
Niveau d'étude
BAC +4
ECTS
4 crédits
Composante
Faculté des sciences
Option 1 : Introduction à la Génomique
Composante
Faculté des sciences
Remarque : cette UE est optionnelle, elle est assurée par des intervenants biologistes.
Cet enseignement vise à donner les notions de base en biologie afin de comprendre les concepts de la biologie moderne nécessitant des développements mathématiques en modélisation et en statistique.
― Introduction aux notions de base en biologie cellulaire et moléculaire :
― Composition moléculaire du vivant.
― La cellule eucaryote et procaryote.
― Reproduction sexuée et hérédité.
― Des gènes aux protéines.
― La génomique et les données omiques :
- Introduction aux méthodes NGS (Next Generation Sequencing).
- Génomique : séquençage de génomes complets (NGS) ; prédiction de gènes ; annotation structurale des génomes ; annotation fonctionnelle des génomes.
- Transcriptomique et épigénomique : expression des gènes et régulation de leur expression.
Option 2 : Datamining et Économie
Composante
Faculté des sciences
Remarque : cette UE est optionnelle, elle est assurée par des intervenants économistes et mutualisée avec le M1 Économie Appliquée parcours IDEE.
Analyse en composantes principales, analyse factorielle des correspondances, analyse des correspondances multiples, analyse factorielle multiple, analyse sur données mixtes, classification hiérarchique, régressions sur composantes principales, Moindres Carrés Partiels.
Ce cours d’analyse de données avancée et de statistiques multivariées présente les méthodes dont l’objectif principal est de simplifier la complexité des bases de données statistiques en mettant en évidence les corrélations entre les variables, les ressemblances entre les individus, et en perdant le moins possible d’information expliquée. Un lien est ensuite fait avec les cours d’économétrie par la présentation (sur R et sur SAS) des modèles de régressions sur variables latentes (PCR et PLS) qui permettent notamment de corriger les biais de multi-colinéarité entre les variables.