Vous avez déjà un compte client ORSYS
Se connecter
Vous êtes nouveau chez ORSYS
Créer un compte
Vous ne souhaitez pas créer de compte
Poursuivre sans me connecter

Machine learning ingenieur, Bootcamp (5 maanden) (Titre RNCP)

door DataScientest

Praktijkcursus - 31d - 217u00 - Ref. 3BZ

Machine learning ingenieur, Bootcamp (5 maanden) (Titre RNCP)

door DataScientest



Devenez expert en modèles prédictifs afin d’anticiper l’évolution des données et les tendances futures. Le Machine Learning Engineer développe des systèmes d’intelligence artificielle (IA) pour rechercher, développer et générer des algorithmes capables d’apprendre et de prédire. Cette formation certifiante se déroule à distance dans un format hybride mêlant temps d’échanges synchrones avec un formateur expert, exercices pratiques et modules E-learning. Basée sur la pédagogie Learning By Doing, vous réaliserez un projet fil rouge en équipe afin de mettre en pratique vos connaissances. Lors de votre inscription, vous serez rattaché à l’une des promotions Datascientest. A l’issue de cette formation, vous obtiendrez un certificat « Machine Learning Engineer » des Mines Paris- PSL Executive ainsi que la certification de niveau 7 « Expert en ingénierie de l’intelligence artificielle » RNCP38587. Contactez-nous dès maintenant pour connaître les prochaines dates !


Catalogus
Op maat

Online cursus

Ref. 3BZ
  217u00
Prix : Neem contact met ons op
Taal : NL
Deze opleiding is ook beschikbaar in het Engels.




Devenez expert en modèles prédictifs afin d’anticiper l’évolution des données et les tendances futures. Le Machine Learning Engineer développe des systèmes d’intelligence artificielle (IA) pour rechercher, développer et générer des algorithmes capables d’apprendre et de prédire. Cette formation certifiante se déroule à distance dans un format hybride mêlant temps d’échanges synchrones avec un formateur expert, exercices pratiques et modules E-learning. Basée sur la pédagogie Learning By Doing, vous réaliserez un projet fil rouge en équipe afin de mettre en pratique vos connaissances. Lors de votre inscription, vous serez rattaché à l’une des promotions Datascientest. A l’issue de cette formation, vous obtiendrez un certificat « Machine Learning Engineer » des Mines Paris- PSL Executive ainsi que la certification de niveau 7 « Expert en ingénierie de l’intelligence artificielle » RNCP38587. Contactez-nous dès maintenant pour connaître les prochaines dates !


Pedagogische doelstellingen
Aan het einde van de training is de deelnemer in staat om:
Het meten van de bijdrage van kunstmatige intelligentie aan de informatiesysteemstrategie van het bedrijf.
Ontwikkelen en produceren van modellen en algoritmen voor het analyseren, beheren en verwerken van gegevens.
Het ontwerpen en beheren van een infrastructuur voor het verwerven, opslaan, verwerken en ophalen van gegevens.
Een project voor kunstmatige intelligentie beheren.

Doelgroep
Iedereen met een voorliefde voor gegevens die zich wil bijscholen of zijn vaardigheden wil verbeteren.

Voorafgaande vereisten
Un diplôme ou un titre de niveau bac+3 ainsi qu'un bon niveau en mathématiques.
Pour les candidats ne présentant pas le niveau de qualification requis, une dérogation est possible sur dossier.

Certificatie
Pour clôturer la formation, l’équipe pédagogique évaluera le projet fil rouge de l’apprenant à l’aide d’un rapport écrit et d’une soutenance à distance. En complément la réalisation d’une période en entreprise de 130 jours minimum est obligatoire pour valider le titre. La validation des compétences développées au cours de la formation Machine Learning Engineer vous permettra d’obtenir : • Un certificat de l'École des Mine Paris - PSL Executive Education • Le titre RNCP de niveau 7 "Expert en ingénierie de l’intelligence artificielle", enregistré au RNCP en date du 26-01-2022 sous le n°RNCP38587

Praktische modaliteiten
Digitale activiteiten
Online cursussen en oefeningen, masterclasses in groepen, vraag- en antwoordsessies, ondersteunende lessen, e-mailondersteuning, rode draad projecten, een-op-een loopbaancoaching, sociaal leren.
Mentorschap
Un formateur expert accompagne l’apprenant tout au long de sa formation. Il échange régulièrement avec lui sur son projet fil rouge et l’accompagne lors de points de mentorat (individuel). Plusieurs formateurs animent également les différentes masterclass (classes collectives) et répondent aux questions des apprenants à tout moment depuis un forum dédié. En complément, de nombreuses séances de questions-réponses peuvent être organisées pour aider les apprenants.
Pedagogiek en praktijk
Lors de l’inscription, l’apprenant est affecté à une promotion (dates à définir lors de l’inscription) et reçoit son calendrier de formation. Le parcours de formation est découpé en « Sprint » de plusieurs semaines sur une thématique dédiée. Chaque semaine l’apprenant est convié à un temps d’échange avec le formateur qui se présente sous la forme de masterclass (classe collective) ou de points de mentorat (individuel). Pendant 80% du temps, l’apprenant travaille en autonomie sur la plateforme d’enseignement. Tous les modules intègrent des exercices pratiques permettant de mettre en œuvre les concepts développés en cours. L’apprenant doit également travailler en binôme ou trinôme sur un projet fil rouge tout au long de la formation. Cela lui permettra de développer et faire reconnaître ses compétences. En complément, des événements et ateliers thématiques sont régulièrement proposés pour permettre aux apprenants de découvrir les dernières innovations en matière de Data Science. Afin de suivre efficacement la formation, nous estimons le temps travail nécessaire entre 35 et 40 heures par semaine.

Opleidingsprogramma

1
Volgende sessiedata

  • Oktober 2025: Begint op 07/10/25
  • November 2025: Start op 04/11/25
  • December 2025: Begint op 02/12/25

2
Acculturatiegegevens

  • Acculturatie Data: Data-beroepen, het managen van een Data-team, definities van de meest gebruikte Data-termen.
  • Verschillende bronnen en soorten gegevens: opslag, beheer, relationele databases.
  • Pandas: bibliotheek, datasets, DataFrames, gegevensmanipulatie.
  • Basisbeginselen van Python: variabelen en types, functies, lussen.

3
Productmanager gegevens

  • Projectmanagement: problemen, projectmanagementmodellen, veranderingsmanagement.
  • Agile methode: tools en methoden, toepassing op Data, impact op het bedrijf.
  • Data Product Management project: productstrategie, productontdekking, productlevering.

4
Projectbeheer

  • RGPD en ethiek: gegevenscontext, anonimisering en pseudonimisering.
  • Suite Data Product Management: productstrategie, productontdekking, productlevering.

5
Python Grondbeginselen

  • Programmeren: variabelen, lijsten en tupels, lussen en types, functies, klassen en modules.
  • NumPy: NumPy Array, matrixbewerkingen en manipulatie van een NumPy Array, statistische indicator.
  • Gegevenskwaliteit (optioneel): principes, numerieke en tekstuele variabelen, opschonen, beheer van ontbrekende waarden.

6
Visualisatie van gegevens

  • Matplotlib: grafiektypen, grafieken aanpassen.
  • Plotly: interactieve afbeeldingen die kunnen worden geïntegreerd in webpagina's, Widgets.
  • Seaborn: distributieanalyse, statistische analyse, multivariate analyse.

7
Programmeerhulpmiddelen

  • Linux & Bash programmeren: Linux systemen, terminal, Bash scripts.
  • Git & Github: introductie tot Git, repository, Git concepten, Github platform, belangrijkste functies, Github acties.
  • Eenheidstesten: Pytest, integratietesten, voordelen, eenheidstesten.
  • AWS Cloud Practitioner: Cloud tools met AWS, voorbereiding op de AWS Cloud Practitioner-certificering.

8
Machinaal leren I & II

  • Classificatiemodellen en algoritmen: Scikit-learn, klassieke algoritmen, bagging- en boostingtechnieken.
  • Clustermethoden: Classificatiemodellen zonder toezicht, evaluatiemetrieken voor clustering.
  • Recommender-systemen: hoe ze werken en de problemen die erbij komen kijken, op inhoud gebaseerde en collaboratieve methoden.
  • Regressiemethoden: eenvoudige en meervoudige lineaire, geregulariseerde.

9
Machinaal leren III

  • Tijdreeksen met Statsmodels: ARIMA- en SARIMA-modellen, tijdsignaal.
  • Anomaliedetectie: problemen met anomaliedetectie, modellen met supervisie, Robuuste covariantie, DBScan.
  • Methode voor dimensiereductie: kenmerkselectieproces, hoofdcomponenten, Manifold Learning-benadering.
  • Versterkingsleren: Monte Carlo-methode, Temporal Difference Learning, SARSA en Q-leren.

10
Machinaal leren IV

  • Text mining: reguliere expressies, tekstgegevens, WordCloud, sentimentanalyse.
  • Webscraping: webtaal (HTML, CSS), BeautifulSoup, Google scraping.
  • Ethiek en interpretatie: gebruik van gevoelige gegevens, ethische uitdagingen van AI, SHAP.
  • MLflow: MLFlow-architectuur, MLFlow-tracering, MLFlow-projecten, MLFlow-modellen, MLFlow-register.

11
Diep Leren

  • Dichte netwerken: neurale netwerken, Keras framework, dicht netwerk.
  • Convolutienetwerken: beeldanalyse, LeNet-architectuur, transfer learning.
  • Grafentheorie: optimalisatie met TensorFlow, callbacks en aangepaste modellen, TensorBoard.

12
Gegevensbeheer

  • SQL: query's uitvoeren in een database, verschillende soorten joins, geneste query's.
  • PySpark: gedistribueerd computergebruik met PySpark, Spark RDD en DataFrame API's, gedistribueerde gegevensverwerking, MLLib.
  • API: inleiding, HTTP-methodes en -functies.

13
Grondbeginselen van MLO's

  • Docker: containerisatie en het gebruik ervan, hoe Docker werkt, communicatie, persistentie, dockerfile en hub.
  • AWS Solutions Architect: belangrijkste componenten van de cloud, voorbereiding op de AWS Solution Architect-certificering.
  • Unit testen: unit testen met Pytest, integratietesten, voordelen, integratie in ontwikkeling.

14
Versiebeheer en isolatie

  • DVC & Dagshub: Data Version Control, gebruik van Dagshub, integratie in ontwikkeling.
  • AirFlow: concept, orkestratie en nut, acyclische gerichte grafiek, operatoren, taakbeheer, monitoring.
  • Jenkins: automatisering, CI/CD-pijplijn.

15
Inzet en modelonderhoud

  • Bento ML: concepten voor creatie, beheer en implementatie, Docker en BentoML.
  • Prometheus & Grafana: voordelen, Prometheus Query Language, Dashboard met Grafana, integratie in productie.
  • API's beveiligen: API en API-sleutel beveiliging, HTTP-authenticatie, JSON Web Token en HTTPS.

16
Schalen

  • Datadrift: concept en impact, technieken en tools voor het detecteren van drift.
  • Kubernetes: containers inzetten en beheren, meerdere services orkestreren.

17
Orkestratieplatform

  • ZenML: principes en rollen, monitoring en beheer van experimenten, integratie met andere tools.
  • Gewicht & vooringenomenheid: toezicht houden op experimenten, rapportage en samenwerking, gebruik met kaders.
DEELNEMERS
Iedereen met een voorliefde voor gegevens die zich wil bijscholen of zijn vaardigheden wil verbeteren.

VOORAFGAANDE VEREISTEN
Un diplôme ou un titre de niveau bac+3 ainsi qu'un bon niveau en mathématiques.
Pour les candidats ne présentant pas le niveau de qualification requis, une dérogation est possible sur dossier.

VAARDIGHEDEN VAN DE CURSUSLEIDER
De deskundigen die de cursus leiden zijn specialisten op het betreffende vakgebied. Zij werden geselecteerd door onze pedagogische teams zowel om hun vakkennis als hun pedagogische vaardigheden voor elke cursus die zij geven. Zij hebben minstens vijf tot tien jaar ervaring in hun vakgebied en oefenen of oefenden verantwoordelijke bedrijfsfuncties uit.

BEOORDELINGSMODALITEITEN
De cursusleider beoordeelt de pedagogische vooruitgang van de deelnemer gedurende de gehele cursus aan de hand van meerkeuzevragen, praktijksituaties, praktische opdrachten, …
De deelnemer legt ook van tevoren en naderhand een test af ter bevestiging van de verworven kennis.

PEDAGOGISCHE EN TECHNISCHE MIDDELEN
• De gebruikte pedagogische middelen en cursusmethoden zijn voornamelijk: audiovisuele hulpmiddelen, documentatie en cursusmateriaal, praktische oefeningen en correcties van de oefeningen voor praktijkstages, casestudies of reële voorbeelden voor de seminars.
• Na afloop van de stages of seminars verstrekt ORSYS de deelnemers een evaluatievragenlijst over de cursus die vervolgens door onze pedagogische teams wordt geanalyseerd.
• Na afloop van de cursus wordt een presentielijst per halve dag verstrekt, evenals een verklaring van de afronding van de cursus indien de stagiair alle sessies heeft bijgewoond.

TOEGANGSMODALITEITEN EN TERMIJNEN
De inschrijving dient 24 uur voor aanvang van de cursus plaatsgevonden te hebben.

TOEGANKELIJKHEID VOOR MINDERVALIDEN
Is voor u speciale toegankelijkheid vereist? Neem contact op met mevr. FOSSE, contactpersoon voor mindervaliden, via het adres psh-accueil@ORSYS.fr om uw verzoek en de haalbaarheid daarvan zo goed mogelijk te bestuderen.