Bootcamp Data Scientist
Domaine : IA. Niveau : Avancé. Durée : 400 heures. 80 modules répartis en 8 chapitres. Tarif : 4200 euros. Formation à distance avec modules, exercices corrigés, questionnaires et manuel. Attestation de fin de formation délivrée à l’issue du parcours.
Apprenez à analyser des données et à construire des modèles fiables : Python, statistiques, machine learning et deep learning, jusqu'à un projet complet. Chaque semaine, un exercice est repris avec votre formateur en classe virtuelle. À la fin, vous recevez votre certificat AcadémIA Pro.
Objectifs pédagogiques
Préparer et explorer des données. Construire, évaluer et expliquer des modèles. Employer le deep learning et le traitement du langage. Déployer et surveiller un modèle. Présenter ses résultats à un public non technique.
Prérequis
Connaître les bases de Python et les mathématiques du lycée : pourcentages, fonctions et notions de probabilités. Certains outils demandent un compte payant, et votre budget d'essais reste à votre charge.
Public visé
Analystes, développeurs et personnes en reconversion à l'aise avec les chiffres.
Programme détaillé
Chapitre 1 — Bloc 1 : outils et Python
- 1.1 Le métier et ses livrables
- 1.2 Notebooks reproductibles et environnements
- 1.3 Git pour la data science
- 1.4 Python : structures et fonctions
- 1.5 Python : classes et bonnes pratiques
- 1.6 NumPy : opérations vectorisées
- 1.7 Algèbre linéaire utile : vecteurs et matrices
- 1.8 Synthèse de pratique du chapitre 1
Chapitre 2 — Bloc 2 : données et SQL
- 2.1 Pandas : sélectionner et agréger
- 2.2 Pandas : fusionner et remodeler
- 2.3 SQL : requêtes et jointures
- 2.4 SQL : fenêtres et expressions de table
- 2.5 Relier Python et SQL
- 2.6 Analyse exploratoire : profiler un jeu de données
- 2.7 Graphiques avec Matplotlib et Seaborn
- 2.8 Valeurs manquantes et aberrantes
- 2.9 Spark : quand et comment
- 2.10 PySpark : traiter un gros fichier
- 2.11 Synthèse de pratique du chapitre 2
Chapitre 3 — Bloc 3 : statistiques
- 3.1 Distributions et échantillons
- 3.2 Intervalles de confiance
- 3.3 Tests d'hypothèses
- 3.4 Corrélation, causalité et pièges
- 3.5 Concevoir et lire un test A/B
- 3.6 Synthèse de pratique du chapitre 3
Chapitre 4 — Bloc 4 : apprentissage supervisé
- 4.1 Gradient et fonction de coût, à la main
- 4.2 Pipelines scikit-learn
- 4.3 Régression linéaire, ridge et lasso
- 4.4 Régression logistique
- 4.5 k plus proches voisins et SVM
- 4.6 Arbres de décision
- 4.7 Forêts aléatoires
- 4.8 Gradient boosting avec XGBoost
- 4.9 Métriques, courbe ROC et validation croisée
- 4.10 Classes déséquilibrées
- 4.11 Optimiser avec Optuna
- 4.12 Comparer plusieurs modèles sans se tromper
- 4.13 Calibrer des probabilités
- 4.14 Ingénierie des variables et fuites de données
- 4.15 Synthèse de pratique du chapitre 4
Chapitre 5 — Bloc 5 : non supervisé et séries
- 5.1 K-means et DBSCAN : segmenter
- 5.2 Réduction de dimension : ACP, t-SNE et UMAP
- 5.3 Détecter des anomalies
- 5.4 Valider une prévision dans le temps
- 5.5 Séries temporelles : tendance et saisonnalité
- 5.6 ARIMA et SARIMA
- 5.7 Prévoir avec des réseaux récurrents
- 5.8 Système de recommandation
- 5.9 Synthèse de pratique du chapitre 5
Chapitre 6 — Bloc 6 : deep learning et texte
- 6.1 Réseaux denses : rétropropagation et optimiseurs
- 6.2 Régularisation : dropout et normalisation
- 6.3 Réseaux convolutifs pour l'image
- 6.4 Transfert d'apprentissage
- 6.5 Texte : TF-IDF et embeddings
- 6.6 Transformers pré-entraînés : classer et extraire
- 6.7 Vision : détecter des objets
- 6.8 Modèles de langage dans une analyse : usage et limites
- 6.9 Synthèse de pratique du chapitre 6
Chapitre 7 — Bloc 7 : expliquer et déployer
- 7.1 Expliquer un modèle : valeurs de Shapley et dépendance partielle
- 7.2 Équité et règlement européen sur l'IA
- 7.3 Suivre ses expériences avec MLflow
- 7.4 Versionner ses données
- 7.5 Servir un modèle avec FastAPI
- 7.6 Conteneuriser et automatiser
- 7.7 Surveiller la dérive et réentraîner
- 7.8 AutoML : ce que ça fait, et ses limites
- 7.9 Documenter un modèle : fiche et limites
- 7.10 Synthèse de pratique du chapitre 7
Chapitre 8 — Bloc 8 : cas réels et communication
- 8.1 Cas fintech : détecter une fraude
- 8.2 Cas santé : réadmissions et données sensibles
- 8.3 Cas commerce : avis clients et recommandations
- 8.4 Raconter un résultat à des non-spécialistes
- 8.5 Tableau de bord avec Streamlit
- 8.6 Écrire un rapport d'analyse lisible
- 8.7 Projet : cadrer le problème métier
- 8.8 Projet : préparer et modéliser
- 8.9 Projet : déployer et surveiller
- 8.10 Projet : rapport et présentation orale
- 8.11 Synthèse de pratique du chapitre 8
- 8.12 La pratique de toute la formation, l'examen final et l'exemple de pratique choisi par le stagiaire