Data Science : analyse et gestion de grandes masses de données
Certification RS6017
Formacodes 31026 | Data science
Formacodes 31026 | Data science
Codes NSF 326t | Programmation, mise en place de logiciels 326n | Analyse informatique, conception d'architecture de réseaux 326m | Informatique, traitement de l'information
Voies d'accès : Formation continue Candidature individuelle
Prérequis : Cible : ingénieurs et chefs de projet souhaitant développer leurs compétences dans le domaine de la gestion et l'analyse statistique des données massives pour évoluer vers un poste de Data Scientist, Data Analyst ou Ingénieur Big Data. Prérequis : de bonnes connaissances en mathématiques (optimisation, probabilités/statistique, algèbre linéaire) et une bonne expérience de la programmation sont indispensables pour suivre avec profit cette formation, qui sera précédée d’une mise à niveau le cas échéant
Certificateurs :
Voies d'accès : Formation continue Candidature individuelle
Prérequis : Cible : ingénieurs et chefs de projet souhaitant développer leurs compétences dans le domaine de la gestion et l'analyse statistique des données massives pour évoluer vers un poste de Data Scientist, Data Analyst ou Ingénieur Big Data. Prérequis : de bonnes connaissances en mathématiques (optimisation, probabilités/statistique, algèbre linéaire) et une bonne expérience de la programmation sont indispensables pour suivre avec profit cette formation, qui sera précédée d’une mise à niveau le cas échéant
Certificateurs :
| Certificateur | SIRET |
|---|---|
| INSTITUT MINES TELECOM - TELECOM PARIS | 18009202500162 |
Capacités attestées :
1.
Proposer des axes de gestion et d’analyse de grandes masses de données 2.
Prendre en compte les contraintes techniques pour proposer une solution d’analyse de grandes masses de données de types pouvant être variés 3.
Définir une architecture de traitement et une modélisation en déterminant les types de données, les outils statistiques et les méthodes de machine Learning appropriées 4.
Proposer une architecture de gestion et d’analyse appropriée aux besoins et aux contraintes d’un système cible.
5.
Combiner des outils et des méthodes adaptés et tenant compte des évolutions récentes des techniques.
6.
Sourcer, rassembler et nettoyer l’ensemble des sources de données en utilisant les technologies adéquates afin de répondre aux besoins du système cible 7.
Utiliser des outils d'analyse et de gestion de bases de données de types variés dans de grands volumes en faisant preuve de réactivité et d'adaptation afin de surmonter les obstacles rencontrés 8.
Utiliser et adapter des outils statistiques, de calcul distribué ainsi que des techniques de passage à l’échelle afin de procéder à l’analyse ou à la gestion des grandes masses de données 9.
Identifier les obstacles lors de l’implémentation d’un modèle d’analyse et de gestion des grandes masses de données afin d’établir des préconisations d’amélioration 10.
Synthétiser les résultats d'une analyse sous une ou des formes adaptées au besoin (rapport, graphique, tableau de bord, indicateur...) afin de permettre leur exploitation par les utilisateurs, clients et/ou partenaires du système cible
1.
Proposer des axes de gestion et d’analyse de grandes masses de données 2.
Prendre en compte les contraintes techniques pour proposer une solution d’analyse de grandes masses de données de types pouvant être variés 3.
Définir une architecture de traitement et une modélisation en déterminant les types de données, les outils statistiques et les méthodes de machine Learning appropriées 4.
Proposer une architecture de gestion et d’analyse appropriée aux besoins et aux contraintes d’un système cible.
5.
Combiner des outils et des méthodes adaptés et tenant compte des évolutions récentes des techniques.
6.
Sourcer, rassembler et nettoyer l’ensemble des sources de données en utilisant les technologies adéquates afin de répondre aux besoins du système cible 7.
Utiliser des outils d'analyse et de gestion de bases de données de types variés dans de grands volumes en faisant preuve de réactivité et d'adaptation afin de surmonter les obstacles rencontrés 8.
Utiliser et adapter des outils statistiques, de calcul distribué ainsi que des techniques de passage à l’échelle afin de procéder à l’analyse ou à la gestion des grandes masses de données 9.
Identifier les obstacles lors de l’implémentation d’un modèle d’analyse et de gestion des grandes masses de données afin d’établir des préconisations d’amélioration 10.
Synthétiser les résultats d'une analyse sous une ou des formes adaptées au besoin (rapport, graphique, tableau de bord, indicateur...) afin de permettre leur exploitation par les utilisateurs, clients et/ou partenaires du système cible
Objectif contexte :
Les compétences en Data Science peuvent être mises en œuvre dans de nombreux domaines d’application spécifiques et transverses, qui revêtent des enjeux économiques de taille.
Leur valeur ajoutée n’est pas circonscrite à l’industrie informatique mais imprègne tous les secteurs économiques et l’ensemble des fonctions de l’entreprise, en particulier, les technologies et usages liés au Big data (industrie, santé, énergie, transport, assurances, marketing, prédiction de modèles économiques, avantages concurrentiels liés à l’amélioration des systèmes d’information etc.).
Ces compétences sont devenues indispensables pour la transformation digitale et la compétitivité des organisations et des entreprises.
La certification en data science vise à vérifier l’acquisition des compétences nécessaires à l’exploitation de grandes masses de données et la réalisation d’analyses prédictives de systèmes.
Les compétences en Data Science peuvent être mises en œuvre dans de nombreux domaines d’application spécifiques et transverses, qui revêtent des enjeux économiques de taille.
Leur valeur ajoutée n’est pas circonscrite à l’industrie informatique mais imprègne tous les secteurs économiques et l’ensemble des fonctions de l’entreprise, en particulier, les technologies et usages liés au Big data (industrie, santé, énergie, transport, assurances, marketing, prédiction de modèles économiques, avantages concurrentiels liés à l’amélioration des systèmes d’information etc.).
Ces compétences sont devenues indispensables pour la transformation digitale et la compétitivité des organisations et des entreprises.
La certification en data science vise à vérifier l’acquisition des compétences nécessaires à l’exploitation de grandes masses de données et la réalisation d’analyses prédictives de systèmes.
Statistiques : :
| Année | Certifiés | Certifiés VAE | Taux d'insertion global à 6 mois | Taux d'insertion métier à 2 ans |
|---|---|---|---|---|
| 2021 | 18 | |||
| 2019 | 18 | |||
| 2015 | 7 | |||
| 2020 | 21 | |||
| 2017 | 14 | |||
| 2016 | 17 | |||
| 2018 | 34 | |||
| 2022 | 8 |