Flore Nabet

Vous trouverez ici la page du PA MAP pour les élèves de troisième année du cycle ingénieur polytechnicien.

Professeure assistante

Département de Mathématiques appliquées – École polytechnique

• Cours « Du fluide de Stokes aux suspensions de solides rigides : aspects théoriques et numériques », M2 Mathématiques & Applications (Sorbonne Université).
• Cours Analyse variationnelle des équations aux dérivées partielles.
• TD Analyse variationnelle des équations aux dérivées partielles.
• TD Optimisation et Contrôle.
• Co-responsable du PA MAP (3e année du cycle ingénieur).
• Cours Mathematical Foundations of Data Science, Master X-HEC Big Data for Business.

Professeure assistante

Département de Mathématiques appliquées – École polytechnique

• Cours « Du fluide de Stokes aux suspensions de solides rigides : aspects théoriques et numériques », M2 Mathématiques & Applications (Sorbonne Université).
• Cours Analyse variationnelle des équations aux dérivées partielles.
• TD Analyse variationnelle des équations aux dérivées partielles.
• Co-responsable du PA MAP (3e année du cycle ingénieur).
• Cours Mathematical Foundations of Data Science, Master X-HEC Big Data for Business.

Professeure assistante

Département de Mathématiques appliquées – École polytechnique

• Cours « Du fluide de Stokes aux suspensions de solides rigides : aspects théoriques et numériques », M2 Mathématiques & Applications (Sorbonne Université).
• Cours Analyse variationnelle des équations aux dérivées partielles.
• TD Analyse variationnelle des équations aux dérivées partielles.
• TD Optimisation et Contrôle.
• Co-responsable du PA MAP (3e année du cycle ingénieur).
• Cours Mathematical Foundations of Data Science, Master X-HEC Big Data for Business.

Professeure assistante

Département de Mathématiques appliquées – École polytechnique

• Cours « Du fluide de Stokes aux suspensions de solides rigides : aspects théoriques et numériques », M2 Mathématiques & Applications (Sorbonne Université).
• TD Analyse variationnelle des équations aux dérivées partielles.
• TD Optimisation et Contrôle.
• TP Mise en œuvre effective des éléments finis (Enseignement d'Approfondissement).
• Cours Mathematical Foundations of Data Science, Master X-HEC Big Data for Business.

Professeure assistante

Département de Mathématiques appliquées – École polytechnique

Années universitaires 2020–2021 et 2021–2022

• TD Analyse variationnelle des équations aux dérivées partielles.
• TD Optimisation et Contrôle.
• TP Mise en œuvre effective des éléments finis (Enseignement d'Approfondissement).
• Cours/TD Mathematical Foundations of Data Science, Master X-HEC Big Data for Business.

Professeure assistante

Département de Mathématiques appliquées – École polytechnique

• Co-organisation des Projets Scientifiques Collectifs (PSC).
• TD Analyse variationnelle des équations aux dérivées partielles.
• TD Optimisation et Contrôle.
• Cours/TD Mathematical Foundations of Data Science, Master X-HEC Big Data for Business.

Professeure assistante

Département de Mathématiques appliquées – École polytechnique

• Co-organisation des Projets Scientifiques Collectifs.
• TD Approximation numérique et optimisation.
• TP Mise en œuvre effective des éléments finis (Enseignement d'Approfondissement).
• Cours/TD Mathematical Foundations of Data Science, Master X-HEC Big Data for Business.

Maîtresse de conférences

Département de Mathématiques appliquées – École polytechnique

• Co-organisation des Projets Scientifiques Collectifs.
• TD Approximation numérique et optimisation.
• TD Analyse variationnelle des équations aux dérivées partielles.
• Modal MAP474C : encadrement des séances de projet et proposition de sujets pour le parcours Simulation numérique des EDP.
• Cours/TD Mathematical Foundations of Data Science, Master X-HEC Big Data for Business.

Maîtresse de conférences

Département de Mathématiques appliquées – École polytechnique

• Co-organisation des Projets Scientifiques Collectifs.
• TD Approximation numérique et optimisation.
• Modal MAP472A : encadrement des séances de projet et proposition de sujets pour le parcours Modélisation mathématique par la démarche expérimentale.
• Modal MAP474C : encadrement des séances de projet et proposition de sujets pour le parcours Simulation numérique des EDP.
• Cours/TD Mathematical Foundations of Data Science, Master X-HEC Big Data for Business.

ATER (50 %)

Aix-Marseille Université

• TP Option B – Préparation à l'Agrégation (Mathématiques) : 24 h.
• Cours/TD Algèbre Linéaire 1 – Licence 1 Mathématiques : 24 h de cours + 24 h de TD.
• TD Optimisation et contrôle – Master 2 EDP et Calcul Scientifique : 15 h.

Chargée de mission d'enseignement (3ᵉ année)

Aix-Marseille Université

• TD Mathématiques appliquées – Master 1 Génie des Procédés (20 h).
• TP Option B – Préparation à l'Agrégation (Mathématiques) : 28 h.
• Colles – Licence 2 MPCI : 16 h.

Chargée de mission d'enseignement (2ᵉ année)

Aix-Marseille Université

• TD Mathématiques appliquées – Master 1 Génie des Procédés (20 h).
• TD Algèbre Linéaire 1 – Licence 1 Mathématiques (36 h).
• Cours/TD Analyse 1 – Licence 1 Mathématiques (8 h).

Chargée de mission d'enseignement (1ʳᵉ année)

Aix-Marseille Université

• TD Traitement du Signal – Licence 3 SPI (36 h).
• Renforts en mathématiques de base – Licence 1 SV/STE (12 h).
• TP Analyse numérique – Licence 3 Mathématiques (12 h).