Qu’est-ce que le Génie Industriel ?
Le Génie Industriel vise l’amélioration de la productivité, de l’efficacité et des contrôles des coûts. Il s’intéresse à la conception, à l’implantation, à l’amélioration et aux contrôles des opérations des systèmes intégrant des ressources humaines, matérielles, d’équipement et d’énergie. Il s’appuie sur des connaissances spécialisées en sciences mathématiques, sciences physiques et sciences sociales tout en appliquant les principes et les méthodes d’analyse et de conception des sciences de l’ingénieur pour spécifier, prédire et évaluer les résultats qui peuvent être obtenus pour de tels systèmes.
Les métiers auxquels prépare le Département
Le Génie Industriel est transversal dans l’entreprise. Il assure une coordination entre les différents organes de celle-ci et il s’inscrit en amont dans les processus de prise de décision. Les jeunes ingénieurs issus de notre Département vont trouver majoritairement un emploi dans la banque, l’assurance, les sociétés d’audit et de conseil, ainsi que dans toutes les entreprises industrielles, commerciales et de service, y compris les collectivités territoriales.
Ils s’y consacrent à la modélisation de produits financiers, au calcul de risques, à l’analyse financière, au contrôle de gestion, à la gestion de production, à la logistique interne et externe, à la sélection de fournisseurs et de ressources humaines et matérielles en général, à la qualité, à la maintenance, à l’aide à la décision pour la conception et le pilotage de systèmes, à la gestion de projet, au calcul scientifique…
Les enseignants chercheurs du Département
Le Département Génie Industriel & Mathématiques Appliquées de l’École des Mines de Nancy regroupe des enseignants chercheurs mathématiciens (2 Professeurs et 3 Maîtres de Conférences), informaticiens pour l’aide à la décision (1 Professeur et 5 Maîtres de Conférences) et économistes (1 Professeur et 1 professeur agrégé). En recherche, ses membres sont très actifs au sein d’équipes de l’Institut Elie Cartan (probabilités-statistique, équations aux dérivées partielles), du Loria (équipe Orchids) et d’Erpi. Outre les options
« Ingénierie des Systèmes de Décision et de Production » et « Ingénierie Mathématique » qui sont au cœur de notre système de formation, nous animons plusieurs cours de Tronc Commun dans l’école (Mathématiques, Recherche Opérationnelle, Enseignement Managérial, Gestion de Production) ainsi que de nombreux cours électifs : analyse numérique, optimisation, gestion de production, fouille de données, analyse financière pour n’en citer que quelques-uns.
DEPARTEMENT GENIE INDUSTRIEL ET MATHEMATIQUES APPLIQUEES
Enseignants
Henri AMET Maître de Conférences
Xavier ANTOINE Professeur
Sandie FERRIGNO Maître de Conférences Yves GUENIFFEY Maître de Conférences
Antoine HENROT Professeur, Responsable du Département Wahiba KHETTAF Maître de Conférences
Céline LACAUX Maître de Conférences
Rémi PEYRE Maître de Conférences
Frédéric SUR Maître de Conférences
Cours d’options / Parcours 2A et 3A
Parcours Modules du semestre S7 Modules du semestre S8
Ingénierie des systèmes de décision et de
production
Algorithmique pour le génie industriel
Introduction au génie industriel Système d’Information et Bases de
données Optimisation discrète
Optimisation discrète approfondie Modélisation et prévision
Modèles stochastiques pour la gestion de production
Ingénierie mathématique
Probabilités pour les mathématiques financières Equations aux dérivées partielles
Modélisation et prévision Méthodes probabilistes pour la
simulation
Résolution numérique d’équations aux dérivées partielles et applications
Parcours Modules du semestre S9
Ingénierie des systèmes de décision et de
production
Analyse de données et Data Mining Simulation pour l’aide à la décision Chaînes logistiques et gestion de production
Ingénierie mathématique
Analyse de données et Data Mining Mathématiques financières
Modélisation stochastique Equations différentielles stochastiques
DEPARTEMENT GENIE INDUSTRIEL ET MATHEMATIQUES APPLIQUEES
Responsable(s)p
#rpCoordonnées:
Crédits ECTS : Durée:
Mots clés : Pré requis:
r#jrp#r ÙKGrM#p ÙKGrGw
K
jKwr#GG# TK #r TTKr
;j[i#Y'¢8¢lhkY
l;'lh44SY[Y;8[8`S
Îbhk`h[i;8S
Pré requis
Notions de base en probabilités et statistique : variables aléatoires, estimateurs, tests statistiques.
Objectifs pédagogiques
Étude des techniques qui permettent de prévoir le comportement futur d’un phénomène par une modélisation fondée sur la façon dont il s’est réalisé dans le passé, et sur son contexte.
Contenu - Programme
• Initiation au logiciel SAS
La régression comme outil de modélisation :
• Les modèles de la régression linéaire simple et multiple
• Contrôle de la qualité de la régression (indices de qualité globaux et locaux)
• Sélection de modèles de régression (Cp de Mallows, procédures pas à pas : forward, backward, stepwise)
• Vérification de la validité du modèle de régression (analyse des résidus, observations influentes et/ou aberrantes)
• Le modèle linéaire généralisé
• La régression non linéaire
L’analyse et la prévision des chroniques :
• Décomposition des séries temporelles : analyse de la tendance et des variations saisonnières
• Techniques de lissage
• Modèles ARMA, ARIMA, SARIMA, méthode de Box et Jenkins
• Les séries temporelles multivariées et les modèles d’intervention
On utilise un logiciel professionnel dans la partie TD/TP de ce cours : SAS-ETS sous Windows.
Références
J.Confais, M. Le Guen, Premier pas en régression linéaire avec SAS. N.R. Draper, H.Smith, Applied Regression Analysis.
C. Gouriéroux, A. Monfort, Séries temporelles et modèles dynamiques.
S.G. Makridakis, S. C. Wheelwright, R.J. Hyndman. Forecasting Methods and Applications. G.E.P. Box, G.M.
Jenkins, G. Reinsel. Time series Analysis: Forecasting and Control.
4
SAS, régression, séries temporelles, lissages, méthodes Box et Jenkins
42 heures
Bases en probabilités et statistique : variables aléatoires, estimateurs, tests statistiques
Sandie FERRIGNO, Maître de Conférences, Frédéric SUR, Maître de Conférences sandie.ferrigno@univ-lorraine.fr; frederic.sur@univ-lorraine.fr
Modélisation et prévision S8
SG042 - 6ICG082
✔ ✔
prévoir le comportement futur d’un phénomène par une modélisation
TOUS PARCOURS
Responsable(s)p
#rpCoordonnées:
Crédits ECTS : Durée:
Mots clés : Pré requis:
;j[i#Y'¢8¢lhkY
l;'lh44SY[Y;8[8`S
Objectifs pédagogiques
Dans les années 70-80, le développement des ordinateurs a conduit au stockage d’informations dont la forme la plus classique était celle qui correspondait à des tableaux de données, généralement de grandes dimensions. Dans de nombreux domaines (géologie, météorologie, médecine, économie, marketing, contrôle de qualité,
reconnaissance des formes...), l’analyse de données a permis de tirer parti de cette information pour la synthétiser, pour servir de base à un processus de décision, ou plus généralement, pour appréhender d’une certaine manière la nature des phénomènes sous-jacents aux données.
Depuis les années 90, la numérisation systématique de l’information fait que les organismes, publics ou privés, accumulent des masses considérables d’informations stockées dans des bases de données numériques, amorphes et dynamiques, données faites de chiffres, de textes, d’images, de sons, etc. Le Data Mining correspond à une « industrialisation « de l’analyse de données pour permettre une exploitation réelle du capital d’informations de l’entreprise : «extraire le minerai précieux de la gangue des données».
Contenu - Programme
Le programme porte sur les principales méthodes d’analyse de données et du Data Mining :
• Analyse en composantes principales
• Analyse des correspondances
• Analyse discriminante
• Classifications automatiques
• Discrimination et classification neuronales
• Segmentation
Leur mise en œuvre pose à l’utilisateur un certain nombre de questions dont les principales sont :
• Quels types de problèmes peut-on traiter ?
• Quelle méthode choisir ?
• Quelles données choisir ?
• Quels genres de résultats peut-on attendre ?
• Quelles en sont les limites ?
• Comment les mettre en œuvre ?
Un projet, réalisé en équipe, permettra à chaque élève, au-delà de l’apprentissage des techniques, d’apporter une réponse à ces questions et d’apprendre à utiliser un environnement logiciel moderne d’analyse de données (SAS, SAS Enterprise Miner et SPAD).
Des conférenciers invités viendront témoigner de leur expérience en matière d’analyse de données et de Data Mining.
Références
G. Saporta, Probabilités, analyse des données et statistique, Technip.
M. Tenenhaus, Statistique, Méthodes pour décrire, expliquer et prévoir, Dunod.
L. Lebart, A. Morineau et M. Piron, Statistique exploratoire multidimensionnelle, Dunod.
S. Tufféry, Data Mining et statistique décisionnelle, Technip.
4
Analyse de données et Data Mining
42 heures
AucunYves GUENIFFEY, Maître de Conférences yves.gueniffey@univ-lorraine.fr
Analyse de données et Data Mining S9
SG053 - 6ICG093
principales méthodes d’analyse de données et du Data Mining
TOUS PARCOURS
Responsable(s)p
#rpCoordonnées:
Crédits ECTS : Durée:
Mots clés : Pré requis:
ãßëÛ×êí ÚÛèÙçßåéßäãp#rp}# #jpKT$rKGG#j
ÙKGG>r#p
ÙKCT#G#
×TT]w#
×Gj#
r#jrp#r ÙKGrM#p ÙKGrGw
K
jKwr#GG# TK #r TTKr
jGr:$rj#
;j[i#Y'¢8¢lhkY
l;'lh44SY[Y;8[8`S
ÌÊÓÕÎÙÎÔÌÎØ
Û}w#
Îbhk`h[i;8S
La complexité du monde réel est devenue telle qu’il est impossible de concevoir des outils théoriques capables de prédire avec exactitude ce que sera, au bout d’un certain temps, l’état d’un système soumis à des conditions initiales et à des règles de transformation particulières. Ce module, spécialement adapté à l’ingénieur en génie industriel, a pour but de montrer la puissance du principe de simulation (reproduction artificielle d’un phénomène réel) dans la démarche de l’aide à la décision.
Des questions telles que celles-ci peuvent être traitées :
• Quels sont les moyens de manutention que l’on doit prévoir pour assurer les échanges de marchandises dans cet entrepôt ?
• Quel est le temps de cycle de cette future chaîne de production ?
• Combien d’étiquettes Kanban dois-je prévoir dans cette boucle de production ?
L’approche pédagogique retenue est essentiellement basée sur le TP qui permet, via l’expérience directe, de prendre conscience des concepts et de la portée de l’outil. Une série d’études de cas, de difficulté croissante, sera proposée aux étudiants. Les outils utilisés seront Extend pour la simulation à événements discrets et Stella pour la simulation continue et la dynamique des systèmes. Les connaissances théoriques nécessaires seront abordées dans le fil de la progression : validation statistique des résultats, rappels de recherche opérationnelle stochastique, rappels d’analyse numérique.
4
Simulation, aide à la décision
42 heures
AucunHenri AMET, Maître de Conférences henri.amet@univ-lorraine.fr
S9
Connaître les outils de simulation : simulation à événements discrets, simulation continue.
Comprendre comment appliquer le meilleur outil de simulation à tel problème de la réalité
Savoir développer et mettre en oeuvre les modèles de simulation
Savoir identifier les données, déterminer le niveau de détail à prendre en compte, analyser et valider les résultats