📋L'essentiel de la fiche RNCP 39487
| Intitulé | Ingénieur diplômé de l’École polytechnique universitaire de l’université Lyon-I, spécialité Mathématiques appliquées |
|---|---|
| Code RNCP | RNCP39487 |
| Niveau de qualification | Niveau 7 (Bac+5) |
| Certificateur | Universite Claude Bernard Lyon 1 - Ecole Polytechnique de l'universite Lyon 1 |
| Date d'échéance | 31 août 2026 |
| Début des parcours | 1er septembre 2024 |
| Code NSFs | 114 — Mathématiques326t — Programmation, mise en place de logiciels |
| Code ROMEs | H1206 — Management et ingénierie études, recherche et développement industrielK2402 — Recherche en sciences de l'univers, de la matière et du vivantM1403 — Études et prospectives socio-économiquesM1803 — Direction des systèmes d'informationM1805 — Études et développement informatique |
🎯Objectifs de la certification
L'objectif principal d'un ingénieur en modélisation mathématique, calcul scientifique et data science est d'utiliser des outils de modélisation mathématique et de data science pour résoudre des problèmes pratiques dans divers domaines tels que la finance, la santé, la logistique, l'industrie, la sécurité, entre autres.
Les ingénieurs data-analyst et data-scientist occupent une place centrale dans de nombreux métiers actuels. Cela s'explique par le fait que les données sont devenues un élément crucial dans la prise de décision pour de nombreuses entreprises et organisations. En effet, les données peuvent fournir des informations précieuses sur les clients, les marchés, les tendances, les performances de l'entreprise, etc.
Pour y parvenir, l'ingénieur en modélisation mathématique et data science doit posséder des compétences en mathématiques, en statistiques, en programmation et en analyse de données. Il doit également être capable de comprendre les besoins des clients ou des parties prenantes et de traduire ces besoins en modèles mathématiques ou en algorithmes de data science qui peuvent être appliqués à des données réelles.
Il est appelé à identifier et mettre en œuvre des connaissances scientifiques et techniques pluridisciplinaires dans un contexte de création et gestion de projet R&D ou ingénierie.
En utilisant ces compétences, l'ingénieur en modélisation mathématique et data science peut aider à optimiser les processus, à réduire les coûts, à améliorer la qualité et à prendre des décisions éclairées en utilisant des données fiables. En fin de compte, leur objectif est d'aider à résoudre des problèmes concrets en utilisant des approches quantitatives et basées sur les données.
Activités visées
L'ingénieur en mathématiques appliquées participe à la mise en place de solutions répondant aux problématiques actuelles faisant appel au calcul scientifique : énergie, santé, environnement, climatologie, transport, communication, etc.
Il est l’interlocuteur privilégié en matière de calcul scientifique au sens large et assure l’interface avec les équipes de conception et d’application.
Il identifie les besoins des utilisateurs et clients de l’entreprise.
Il propose des solutions logicielles et matérielles en réponse, et en assure la démonstration.
Il participe au cycle de développement des produits de l’entreprise: spécification, développement, test, validation et certification.
Il assure une veille scientifique et technologique.
Il assure le transfert des connaissances et des savoir-faire dans l’entreprise.
🧩Les 4 blocs de compétences
La certification peut être obtenue en une fois ou bloc par bloc (formation ou VAE). Pour l'organisme, cela implique un suivi des acquisitions par bloc pour chaque candidat.
Spécifier, concevoir et développer des logiciels
Voir les compétences du bloc (14)
- Identifier la demande et évaluer les besoins du client, du service et de l’entreprise.
- Utiliser des systèmes d’exploitation à base d’UNIX (bash) et WINDOWS, et gérer des développements collaboratifs de logiciel/projet via l’utilisation de forge, d’outils de versionnage de fichiers (git), de documentation de code (Doxygen) et de spécifications techniques (Unified Modelling Language (UM
- Gérer une équipe de développeurs logiciel, en tenant compte des possibilités de chacun, dans un contexte socio-économique d’innovation ou de recherche, en France ou à l’Etranger.
- Programmer dans des langages impératifs ( C / Matlab ) et orienté objet (C++ / python), et utiliser des bibliothèques scientifiques dans le domaine du numérique (Math Kernel Library (MKL) , Portable, Extensible Toolkit for Scientific Computation (PETSc), Suite of nonlinear and differential /algebrai
- Traduire en algorithmes efficaces et implémentés sur ordinateur, les méthodes numériques de discrétisation et de résolution ainsi que les méthodes de prédiction en data science.
- Connaitre les limites de l’arithmétique finie des ordinateurs et ses conséquences sur le conditionnement des calculs, et appliquer les techniques mathématiques et informatiques de vérification (solution manufacturée, ordre de convergence observé, analyse rétrograde des erreurs d’arrondis, analyse st
- Pratiquer des paradigmes de parallélisation pour le Calcul Haute Performance, parallélisation à mémoire distribuée (Message Passing Interface (MPI)) , mémoire partagé (Open Multi-Processing ()OpenMP) et sur GPU/CPU (Open Computing Language (OpenCL)) avec une compréhension approfondie des architectur
- Dimensionner les besoins de calcul matériels, logiciels, et techniques de parallélisation en établissant un cahier des charges des besoins fonctionnels du client, en prenant en compte les enjeux de développement durable et de responsabilité sociétale de l’entreprise.
- Mettre en œuvre des logiciels de modélisation et de simulation (FreeFem++, COMSOL, SciKit learn) dans le cadre de la résolution de problèmes complexes dans des domaines applicatifs (mécanique des fluides et des solides, modélisation financière, machine learning, classification).
- Maîtriser les outils de communications (revue de projet, rapport d’avancement (latex)) lors d’une présentation de projet aux différents partenaires.
- Rendre compte à l’oral et à l’écrit de façon claire et concise à des spécialistes et à des non spécialistes.
- Développer des pratiques réflexives sur son parcours professionnel et les projets mis en œuvre.
- Travailler en équipe en adaptant une attitude inclusive, notamment envers les personnes porteuses de handicap.
- Interagir avec son environnement en s’adaptant aux différents interlocuteurs en prenant en compte la dimension internationale et interculturelle.
Proposer et analyser des modèles mathématiques déterministes ainsi que des méthodes d’approximation numérique de ces modèles.
Voir les compétences du bloc (15)
- Identifier et mobiliser un socle de connaissances pointus en mathématiques (analyse, algèbre linéaire, optimisation, équations différentielles) dans un contexte socio-économique d’innovation ou de recherche en France ou à l’étranger.
- Identifier la demande et évaluer les besoins du client, du service et de l’entreprise.
- Intervenir dans des divers domaines d’application scientifique tels que la physique, la mécanique, la biologie ou l’économie.
- Modéliser mathématiquement une situation de la vie réelle par une équation différentielle (EDO)/aux dérivées partielles (EDP)/problème d’optimisation, en s’appuyant sur une démarche scientifique dans le domaine d’application du client.
- Utiliser des méthodes numériques de base pour la résolution des systèmes algébriques linéaires ou non linéaires, interpolation polynomiale ou intégration numérique.
- Mettre en œuvre des méthodes d’approximation numérique des équations différentielles ordinaires comme par exemple les méthodes d’Euler implicite ou explicite ou les méthodes de Runge- Kutta, et en différencier le cadre théorique.
- Connaitre le cadre théorique d’étude (espaces fonctionnels, formulation variationnelle, solution faible) des divers types d’équations aux dérivées partielles (EDP) comme les lois de conservation, les EDP elliptiques, paraboliques ou hyperboliques.
- Proposer et mettre en œuvre des méthodes d’approximation numérique des EDP telles que les méthodes de différences finies, volumes finis, éléments finis, Galerkin discontinu ou les méthodes spectrales.
- Analyser et évaluer les performances des méthodes de résolution d’une EDP donnée au moyen de notions telles que maillage, conformité, flux numérique, stabilité, erreur d’approximation …
- Utiliser des logiciels d’appui tels que Comsol Multiphysics ou FreeFem, évaluer et interpréter les résultats numériques obtenus et évaluer les performances numériques de ces logiciels.
- Prendre en compte les enjeux de développement durable et responsabilité sociétale de l’entreprise.
- Rendre compte à l’oral et à l’écrit de façon claire et concise à des spécialistes et à des non spécialistes.
- Développer des pratiques réflexives sur son parcours professionnel et les projets mis en œuvre.
- Travailler en équipe en adaptant une attitude inclusive, notamment envers les personnes porteuses de handicap.
- Interagir avec son environnement en s’adaptant aux différents interlocuteurs en prenant en compte la dimension internationale et interculturelle.
Décrire, caractériser et analyser des données par des méthodes statistiques et probabilistes, dans un environnement complexe.
Voir les compétences du bloc (16)
- Identifier et mobiliser des connaissances pointues (probabilités, statistique, programmation…) dans un contexte socio-économique, d’innovation ou de recherche en France ou à l’étranger.
- Identifier la demande et évaluer les besoins du client, du service et de l’entreprise.
- Analyser les informations disponibles (unité statistique, variables observées, échantillon, population, type de variables, données manquantes) pour choisir la modélisation statistique appropriée.
- Utiliser différentes méthodes statistiques tels que des indicateurs numériques et certains graphiques, en vue d’en analyser les tendances et les anomalies.
- Calibrer des paramètres à l’aide d’outils probabilistes et statistiques (maximum de vraisemblance, moindres carrés, méthode des moments...).
- Par des procédés probabilistes estimer des paramètres associés à des dynamiques aléatoires et/ou déterministes, et de générer de nouvelles données permettant de valider le modèle considéré (Monte-Carlo, discrétisation de processus...).
- Interpréter des grandeurs d’intérêt dans le cadre de données complexes (finance, biologie, physique…), grâce à des théories mathématiques avancées.
- Sur le ou les modèle(s) validé(s), faire des prédictions sur les données, tout en connaissant la marge d’erreur relative. Des méthodes statistiques linéaires permettant d’avoir des intervalles de confiances, ainsi que de procéder à des tests statistiques.
- Adapter les méthodes considérées pour tenir compte des enjeux liés aux grandes masses de données, notamment à l’aide d’outils propres à l’apprentissage statistique et de sélection de données.
- Coder dans différents langages de programmation : python, R… et utiliser les différentes fonctionnalités statistiques associées.
- Prendre en compte le caractère confidentiel des données traitées, le cas échéant, certaines d’entre elles étant particulièrement sensibles notamment dans le secteur de la santé, la banque, l’énergie ou de la défense.
- Faire un rapport à l’oral et à l’écrit de façon claire et concise à des spécialistes et à des non spécialistes.
- Prendre en compte les enjeux de développement durable et responsabilité sociétale de l’entreprise ou de l’organisme.
- Développer des pratiques réflexives sur son parcours professionnel et les projets mis en œuvre.
- Travailler en équipe en adaptant une attitude inclusive, notamment envers les personnes porteuses de handicap.
- Interagir avec son environnement en s’adaptant aux différents interlocuteurs en prenant en compte la dimension internationale et interculturelle.
Explorer les données afin d’en extraire des informations dans un but de prédiction et d’aide à la décision
Voir les compétences du bloc (18)
- Avoir une bonne compréhension des concepts mathématiques et statistiques, notamment les probabilités, la théorie des échantillonnages, les modèles de régression, l'analyse factorielle, 'analyse des séries chronologiques, etc., pour comprendre les données.
- Identifier la demande du client, du service et de l’entreprise.
- Identifier et mobiliser des connaissances scientifiques et techniques pointues (algorithmique, langages de programmation, modèles de bases de données, …) dans un contexte socio-économique, d’innovation ou de recherche, en France ou à l’étranger.
- Evaluer les besoins et concevoir une base de données adaptée.
- Manipuler, nettoyer et préparer les données
- Analyser les données pour en extraire des informations pertinentes et utiles
- Résoudre des problèmes complexes et trouver des solutions innovantes en utilisant des techniques d'analyse.
- Coder avec des logiciels et des langages de programmation interprétés, multiparadigmes et multiplateformes, tels que Python, R, SQL, SAS, etc., et écrire des scripts pour l'analyse des données et l'automatisation de tâches.
- Concevoir, gérer et interroger des bases de données, notamment dans un contexte de données massives.
- Prendre en compte le caractère confidentiel des données traitées, le cas échéant, certaines d’entre elles
- Etre particulièrement sensibles notamment dans le secteur de la santé, la banque, l’énergie ou de la défense.
- Utiliser des bibliothèques et des frameworks d'apprentissage automatique tels que TensorFlow, PyTorch, Scikit-learn, etc.
- Présenter les résultats d'analyse de manière claire et concise, à travers des tableaux de bord interactifs, des graphiques et des visualisations de données.
- Rendre compte à l’oral et à l’écrit de façon claire et concise à des spécialistes et à des non spécialistes.
- Prendre en compte les enjeux de développement durable et responsabilité sociétale de l’entreprise.
- Développer des pratiques réflexives sur son parcours professionnel et les projets mis en œuvre.
- Travailler en équipe en adaptant une attitude inclusive, notamment envers les personnes porteuses de handicap.
- Interagir avec son environnement en s’adaptant aux différents interlocuteurs en prenant en compte la dimension internationale et interculturelle.
💡 Comment suivre les blocs de compétences RNCP dans un logiciel de gestion
💼Secteurs et débouchés
Secteurs d'activité
L’ingénieur de la spécialité mathématiques appliquées de Polytech Lyon exerce son activité dans les secteurs d’activités suivants :
* l’industrie (Aéronautique, automobile, transports ferroviaires ..), énergie (pétrolière, électrique), chimie et environnement (climat, stockage de déchets), médical (pharmacologie et statistique de la santé), sécurité et défense,
* banque et assurances,
* entreprise de services numériques - ESN,
* sociétés de conseil
* éditeurs de logiciels de simulation numérique, informatique scientifique,
* recherche et développement industriel et scientifique
Types d'emplois accessibles
Il peut prétendre à occuper les fonctions de :
* ingénieur recherche et développement
* ingénieur statisticien
* ingénieur en data science
* ingénieur simulation numérique
* ingénieur en calcul scientifique intensif (HPC)
🏫Proposer cette certification dans votre organisme
- Être habilité par le certificateur. La préparation et la délivrance de cette certification supposent une habilitation délivrée par Universite Claude Bernard Lyon 1 - Ecole Polytechnique de l'universite Lyon 1 — modalités sur la fiche officielle France Compétences.
- Être certifié Qualiopi. Indispensable pour mobiliser les financements publics et mutualisés (CPF, France Travail, OPCO) au titre des actions de formation. Automatiser votre conformité Qualiopi.
- Structurer le parcours par blocs. Référentiel d'activités, d'évaluation et suivi par bloc de compétences : votre dossier et vos preuves doivent refléter le référentiel officiel de la fiche.
- Déclarer votre activité. Le Bilan Pédagogique et Financier annuel doit ventiler les heures et effectifs — y compris sur ce type de parcours certifiant.
🔄Gérer cette certification dans Loop
Loop est un logiciel de gestion pour organismes de formation. Voici concrètement ce qu'il automatise pour un parcours certifiant comme celui-ci :
❓Questions fréquentes
Comment proposer cette certification dans mon organisme de formation ?
La certification RNCP 39487 est-elle éligible au CPF ?
Peut-on valider la certification bloc de compétences par bloc de compétences ?
Jusqu'à quand la fiche RNCP 39487 est-elle valable ?
🔗Autres certifications RNCP
- Ingénieur diplômé de l’Ecole Polytechnique Universitaire de l’Université Lyon-I, spéci… RNCP 42235
- Ingénieur diplômé de l’École polytechnique universitaire de Montpellier, spécialité Él… RNCP 41915
- Ingénieur diplômé de l’École Polytechnique Universitaire de Montpellier, Spécialité Gé… RNCP 41919
- Ingénieur diplômé de l’École polytechnique universitaire de Montpellier, spécialité In… RNCP 42008
- Ingénieur diplômé de l’école polytechnique universitaire de Savoie de l'université de… RNCP 38859
- Ingénieur diplômé de l’école polytechnique universitaire de Savoie de l'université de… RNCP 38675
Source des données : France Compétences — Répertoire national des certifications professionnelles (Licence Ouverte / Open Licence Etalab). Fiche officielle : francecompetences.fr. Dernière synchronisation : 24 juillet 2026. Cette page s'adresse aux organismes de formation ; elle ne constitue pas une offre de formation.