Contactez-nous
  • Calcul scientifique
  • Intelligence artificielle

Intelligence Artificielle et Calcul Scientifique

Mis à jour le

Responsable(s) : M. Iraj MORTAZAVI, Mme Chloé MIMEAU

  • Cours
Code Cnam : CSC217

Envie d'en savoir plus sur cette formation ?

Afin d’obtenir les tarifs, le calendrier de la formation, en distanciel, en présentiel, le lieu de la formation et un contact, remplissez les critères suivants :

Afficher le centre adapté à mes besoins

Afin d’obtenir les tarifs, le calendrier de la formation et le lieu de la formation, remplissez les critères suivants :

  • Durée : 50 heures
  • A la carte
  • Soir & samedi
  • 6 crédits
  • Hybride (présentiel et distanciel)

Présentation

Public, conditions d'accès et prérequis

Prérequis

Niveau master M1 en mécanique ou en mathématiques appliquées
Pratique des logiciels et langages scientifiques

Objectifs

Ce cours a pour but de présenter des méthodes modernes de calcul scientifique, en particulier celles intégrant les méthodes modernes d'apprentissage machine. Ces méthodes permettent de traiter les problématiques complexes (dont celles qui étaient autrefois le coeur de cet enseignement aéroélasticité, hydraulique) dont celles de type industriel.
 

 

                                                                                  
 

Présence et réussite aux examens

Pour l'année universitaire 2023-2024 :

  • Nombre d'inscrits : 18
  • Taux de présence à l'évaluation : 28%
  • Taux de réussite parmi les présents : 60%

Compétences et débouchés

Parcours

Informations pratiques

Contact

Retrouvez cette formation en centre :

Lieux de formation

Logo Ecole numérique et IA Cnam

Programme

Contenu

  • Bloc1: Méthodes avancées en calcul scientifique : méthode hybrides, simulation à grande échelle, couplage avec modèles de turbulence.

Compétences: savoir identifier et mettre en oeuvre les différentes techniques de simulation multi-physique. Savoir approcher les problèmes de turbulence, interactions fluide-structure. Savoir appréhender les difficultés de cas industriels.

  • Bloc2: Limites des méthodes d’approximation classiques => réduction de modèles, modèles réduits et calcul scientifique, analyse de sensibilité et quantification des incertitudes.

Compétences: Savoir reconnaître les limites et les contraintes des méthodes de simulations classiques. Savoir réduire la complexité des modèles.

  • Bloc3: Machine learning/Deep Learning pour la résolution numérique des EDP, application à la mécanique des fluides.

Compétences: Connaître et savoir mettre en oeuvre les méthodes d’IA pour construire des algorithmes rapides, précis et efficaces adaptés à la résolution de problèmes complexes à partir de bases de données appropriées.

Modalités d'évaluation

50% de la note du projet et 50% de la note d'examen.

Ces formations pourraient vous intéresser