Programmation et industrialisation d’algorithmes de Data Science
Certification RS5342
Formacodes 31026 | Data science 11014 | Algorithme 31009 | Architecture système information
Formacodes 31026 | Data science 11014 | Algorithme 31009 | Architecture système information
Codes NSF 326t | Programmation, mise en place de logiciels 326 | Informatique, traitement de l'information, réseaux de transmission
Voies d'accès : Formation continue
Certificateurs :
Voies d'accès : Formation continue
Certificateurs :
| Certificateur | SIRET |
|---|---|
| ECOLE DE LA DATA & DE L'IA DE BUSINESS & DECISION | 38183776400095 |
| ECOLE DE LA DATA & DE L'IA DE BUSINESS & DECISION | 38183776400095 |
| ORANGE | 38012986648625 |
Capacités attestées :
1.
Savoir documenter les modèles avec Jupyter Notebook 2.
Savoir construire le worflow graphique d'un modèle 3.
Être capable d’utiliser les notebooks et gérer les versions de modèle avec Git/GitHub 4.
Savoir utiliser la méthode pour CRISP pour mener à bien un projet 5.
Maîtriser la méthode DevOps en lien avec la méthode CRISP (DataOps) 6.
Savoir ordonnancer un ensemble d'algorithmes 7.
Savoir exploiter les méthodes d'injection des résultats de DataScience dans les applications digitales de l'entreprise 8.
Maîtriser les méthodes statistiques de monitoring des modèles de Machine Learning 9.
Savoir programmer des alertes en cas de disfonctionnement des modèles
1.
Savoir documenter les modèles avec Jupyter Notebook 2.
Savoir construire le worflow graphique d'un modèle 3.
Être capable d’utiliser les notebooks et gérer les versions de modèle avec Git/GitHub 4.
Savoir utiliser la méthode pour CRISP pour mener à bien un projet 5.
Maîtriser la méthode DevOps en lien avec la méthode CRISP (DataOps) 6.
Savoir ordonnancer un ensemble d'algorithmes 7.
Savoir exploiter les méthodes d'injection des résultats de DataScience dans les applications digitales de l'entreprise 8.
Maîtriser les méthodes statistiques de monitoring des modèles de Machine Learning 9.
Savoir programmer des alertes en cas de disfonctionnement des modèles
Objectif contexte :
Depuis les cinq dernières années, les projets Data Science et d’intelligence artificielle connaissent une forte croissance dans des domaines très variés, tels que l’industrie pétrolière, la téléphonie, la distribution, la banque, la finance et les services.
Les récentes évolutions technologiques permettent de faire évoluer ces projets vers la mise en place de véritables solutions d’intelligence artificielle.
La réalisation de ces projets nécessite de former des équipes de « Data-Engineers » et de « Data Scientists » pour lesquelles il est nécessaire de conjuguer l’acquisition des compétences techniques et méthodologiques, l’expérience des cas concrets et surtout, un parcours d’apprentissage jalonné.
Les principales compétences visées par cette certification sont celles nécessaires à la mise en œuvre des activités suivantes :
* Spécifier, programmer et optimiser les algorithmes et les modèles de datascience
* Industrialiser, sécuriser, rendre résilient et utilisable les modèles de datascience
* Maintenir les modèles et algorithmes en état de fonctionnement
Depuis les cinq dernières années, les projets Data Science et d’intelligence artificielle connaissent une forte croissance dans des domaines très variés, tels que l’industrie pétrolière, la téléphonie, la distribution, la banque, la finance et les services.
Les récentes évolutions technologiques permettent de faire évoluer ces projets vers la mise en place de véritables solutions d’intelligence artificielle.
La réalisation de ces projets nécessite de former des équipes de « Data-Engineers » et de « Data Scientists » pour lesquelles il est nécessaire de conjuguer l’acquisition des compétences techniques et méthodologiques, l’expérience des cas concrets et surtout, un parcours d’apprentissage jalonné.
Les principales compétences visées par cette certification sont celles nécessaires à la mise en œuvre des activités suivantes :
* Spécifier, programmer et optimiser les algorithmes et les modèles de datascience
* Industrialiser, sécuriser, rendre résilient et utilisable les modèles de datascience
* Maintenir les modèles et algorithmes en état de fonctionnement