Localisation & Rattachements

Adresse: 19 PLACE DES REFLETS 92400 Courbevoie
Académie: Versailles
Département: Hauts-de-Seine
Région: Île-de-France

La carte est indicative. Vérifiez l’accès avant votre déplacement.

Objectifs

A l'issue de cette formation, vous serez capable de :

Construction et alimentation d'une infrastructure de gestion de données.
Analyse exploratoire, descriptive et inférentielle de données.
Analyse prédictive de données structurées par l'intelligence artificielle.
Analyse prédictive de données non-structurées par l'intelligence artificielle.
Industrialisation d'un algorithme d'apprentissage automatique et automatisation des processus de décision.
Direction de projets de gestion de données.

Débouchés / Résultats attendus

Obtention du Titre Professionnel par le Certificateur JEDHA niveau 6 (Bac+3)

Lien pour visualiser le détail du Titre enregistré au RNCP : https://www.francecompetences.fr/recherche/rncp/35288/

Programme & Référentiel

Intro à la data et à l'environnement technique

Présentation du programme,
Outils utilisés,
Prise en main de l'environnement de travail,
Découverte de l'écosystème data.

Linux Bash et administration

Préparer Docker (installation, volumes, docker-compose)

Mini Data Lake local (MinIO + Docker + S3 Python SDK)

Python bases

Python avancé

Initiation à Git et Jupyter

Bases de données relationnelles & modélisation

SQL fondamental (SELECT, WHERE, GROUP BY)

SQL avancé (JOINS, VUES, AGREGATS)

ETL

Web scraping avec Python

NoSQL

Stockage Cloud avec AWS S3 / MinIO

éval Bloc 1

étude de cas Data Lake & ETL : étude de cas sur l'intégration et le traitement de données massives via un data lake.

ETL distribué avec Spark + Pandas

Manipulation avec Numpy & Pandas

Spark SQL & DataFrames distribués

Nettoyage avec Spark & Pandas

Visualisation de données (Matplotlib, Seaborn, Plotly)

Statistiques inférentielles & tests

Analyse multivariée

éval Bloc 2

Analyse exploratoire & Spark : études de cas avec données massives sur Spark.

ML supervisé avec Scikit-learn

ML avec Spark MLlib

Optimisation & évaluation des modèles

Apprentissage non-supervisé

Découvrir les techniques de segmentation (clustering, réduction de dimension) et leur mise en ouvre.

éval Bloc 3

ML Scikit vs Spark : évaluation comparative entre deux pipelines ML sur Scikit-learn et Spark MLlib appliqués à des données volumineuses.

Prétraitement texte et NLP

Deep Learning avec TensorFlow (MLP, CNN)

Modèles avancés et évaluation

éval Bloc 4

étude de cas NLP : étude de cas complète : entraîner un modèle pour analyser des sentiments sur des avis utilisateurs textuels.

Dockerisation d'un projet Data

Création d'API Flask / FastAPI

Déploiement via Docker + SageMaker

MLflow, suivi des modèles

éval Bloc 5

Déploiement IA + API : évaluation complète incluant le déploiement d'un modèle ML dans une API Dockerisée et testée.

Titre professionnel concepteur développeur en science des données

Présentation