Cette page regroupe toutes les informations sur le PA MAP pour les élèves de 3e année du cycle ingénieur polytechnicien.
Nous la tenons à jour pour communiquer si nécessaire des instructions relatives à la campagne d'inscription (par ex, listes d'attente), merci de la consulter régulièrement.
Pour les X24 (2026-2027)
Les transparents de la présentation du 7 avril 2026 sont disponibles
ici .
Pour rejoindre un cours dont le numerus clausus est atteint, veuillez remplir
ce formulaire ,
aucune demande ne sera traitée par courriel.
Les adresses email à utiliser obligatoirement
Cours de MAP proposés en P1
APM_51050 : Théorie des jeux (Nicolas Vieille)
APM_51051 : Systèmes dynamiques pour la modélisation et la simulation des milieux réactifs multi-échelles (Marc Massot)
📄 slides
APM_51052 : Modèles stochastiques en finance (Huyen Pham)
APM_51055 : Signal processing : from Fourier to Machine Learning (Rémi Flamary) - NC=40
📄 slides
APM_51056 : Théorie des probabilités pour le ML : applications aux méthodes de Monte Carlo et aux modèles génératifs (Alain Durmus)
📄 slides
APM_51057 : Recherche opérationnelle : aspects mathématiques et applications (Stéphane Gaubert)
📄 slides et
🎥 vidéo
Votre navigateur ne supporte pas la vidéo.
APM_51059 : Théorie avancée de l’Apprentissage Statistique (Karim Lounici) - NC=75
MDC_51006 : Foundations of Machine Learning (Erwan Le Pennec & Jesse Read, MAP-DIX)
Prérequis
Pour APM_51052, il est nécessaire d’avoir suivi APM_42033 ou APM_42034
Pour APM_51056, il est nécessaire d’avoir suivi APM_41033 ou APM_42033 ou APM_42034
Pour APM_51059, il est nécessaire d’avoir suivi APM_41033 ou APM_42033 ou APM_42034
Pour déroger à un prérequis, merci de contacter le ou la responsable du cours (en mettant le PA en copie) pour obtenir son accord.
EA MAP proposés en P1
APM_51175 : Advanced Probability Topics (Igor Kortchemski) - NC=20
📄 slides
APM_51177 : Modélisation, estimation, simulation des risques climatiques (Gauthier Vermandel) - NC=20
APM_51178 : Collaborative Learning (Aymeric Dieuleveut & Jamal Atif) - NC=30
APM_51179 : Algorithmes et principes de conception de logiciels pour les mathématiques appliquées en C++ moderne (Loïc Gouarin) - NC=24
APM_51180 : Finance Quantitative : Modèles, Données et Apprentissage (Eduardo Abi-Jaber & Stefano De Marco) - NC=26
APM_51181 : Adversarial Machine Learning (El Mhamdi El Mhadi)
Prérequis
Pour APM_51177, il est nécessaire d’avoir validé en 2A un cours de probabilités ou statistiques
Pour APM_51180, il est nécessaire d’avoir suivi APM_51052 en P1
Pour déroger à un prérequis, merci de contacter le ou la responsable du cours (en mettant le PA en copie) pour obtenir son accord.
Cours MAP proposés en P2
APM_52009 : Machine Learning for Scientific Computing and Numerical Analysis (Hadrien Montanelli)
APM_52062 : Optimal design of structures (Grégoire Allaire) - NC=24
📄 slides
APM_52063 : Modèles aléatoires en biologie, écologie et évolution (Vincent Bansaye) - NC=75
📄 slides
APM_52064 : Random graphs, dynamics and inference (Laurent Massoulié) NC=56.
APM_52065 : Modélisation aléatoire et statistique des processus (Mathieu Rosenbaum)
APM_52066 : Statistics in action (Zacharie Naulet). NC=72.
📄 slides
MDC_52067 : Transport et diffusion (François Golse, Teddy Pichard, MAP/MAT). NC=30.
APM_52068 : Uncertainty quantification and risk analysis (Josselin Garnier). NC=75.
📄 slides
APM_52067 : Optimization for Artificial Intelligence (Luiz Chamon & Aymeric Dieuleveut)
APM_52070 : Mathematical Foundations of Decision Theory in AI (Luiz Chamon & Alain Durmus)
APM_52071 : Contrôle optimal et assimilation de données : de la théorie aux applications (Philippe Moireau & Hasnaa Zidani), NC = 20
📄 slides
Prérequis
Pour APM_52062, il est fortement recommandé d’avoir suivi APM_42031 ou APM_43035
Pour APM_52063, il est fortement recommandé d’avoir suivi APM_42033 ou APM_42034 ou APM_51052
Pour APM_52064, il est fortement recommandé d’avoir suivi APM_42033 ou APM_42034
Pour APM_52065, il est nécessaire d’avoir suivi APM_41033 ou APM_42033 ou APM_42034
Pour APM_52066 il est fortement recommandé d’avoir validé en 2A un cours de probabilités ou statistiques
Pour APM_52067, il est nécessaire d’avoir suivi MDC_51006 ou APM_51056 ou APM_51059
Pour APM_52070, il est nécessaire d’avoir suivi MDC_51006 ou APM_51056 ou APM_51059
Pour APM_52071, il est fortement recommandé d’avoir suivi APM_42031 ou APM_43035
Pour MDC_52067, il est nécessaire d’avoir suivi APM_41012 ou APM_42031 ou FMA_41031 ou FMA_42032
Pour déroger à un prérequis, merci de contacter le ou la responsable du cours (en mettant le PA en copie) pour obtenir son accord.
EA MAP proposés en P2
APM_52183 : Apprentissage profond : de la théorie à la pratique (Kevin Scaman). NC=100
Interdiction de suivre CSC_51054 en P1
APM_52188 : Machine learning with Optimal Transport and Algorithmic Fairness (Rémi Flamary & Solenne Gaucher). NC=30
📄 slides
APM_52116 : Spectral Methods and Topics in Statistic (Matthieu Lerasle & Laurent Massoulié). NC=30
MDC_52P80 (BIO-MAP-MEC) : Projet en modélisation des systèmes vivants (Arezki Boudaoud, Anatole Chessel, Marie Doumic, Roxane Lestini, Chloé Techens)
📄 slides
Prérequis
Pour APM_52116, il est fortement recommandé d’avoir suivi APM_41033
Pour déroger à un prérequis, merci de contacter le ou la responsable du cours (en mettant le PA en copie) pour obtenir son accord.
EA MAP Projet
Ce document
décrit les modalités d'organisation des EA d'initiation à la recherche du PA MAP.
Pour toute question relative à l'organisation générale de cet EA, vous pouvez nous écrire à
ea-recherche@cmap.polytechnique.fr
Horaires des cours et PC
Vous trouverez ici
le planning des cours du PA MAP.
Ces informations sont données à titre indicatif. En particulier, l'ouverture de certains créneaux de PC est sujette aux variations des effectifs.
Les EA (APM_51111, APM_50113, APM_51175, APM_51177, APM_51178, APM_51179, APM_51180, APM_51181, APM_52112, APM_52183, APM_52188, APM_52116) ont tous lieu le mardi après-midi.