Fondamentaux de Python

• Découverte des différents types de variables, des listes et des tuples.
• Présentation des divers opérateurs et structures de contrôle.
• Initiation au concept de boucle et ses différents types.
• Introduction aux fonctions et leur documentation.
• Instanciation de classes et utilisation de modules.

Bibliothèques NumPy et Pandas

• Création et manipulation d’un tableau NumPy array.
• Présentation des opérations matricielles et manipulation d'un NumPy array.
• Création d’un indicateur statistique et opérations sur un NumPy array.
• Introduction à la bibliothèque Pandas.
• Chargement et première exploration d’un jeu de données.
• Introduction au data cleaning.
• Introduction au data processing.
• En option : data quality (principes, variables numériques et textuelles, nettoyage de données, valeurs manquantes).

Matplotlib et Seaborn

• Matplotlib, présentation des différents types de graphes.
• Matplotlib, introduction à la personnalisation des graphiques.
• Seaborn, maîtrise de l'analyse des distributions.
• Seaborn, mise en place de l'analyse statistique.
• Seaborn, initiation à l'analyse multivariée.
• En option : Bokeh (graphiques interactifs et intégrables sur page web, données géographiques, widgets).

Machine learning supervisé

• Introduction à Scikit-learn et présentation de la classification support vector machines (SVM).
• Application de la méthode des k plus proches voisins (k-nearest neighbors, ou KNN)
• Sélection de modèles et classification semi-supervisée.
• Présentation des algorithmes des k-moyennes.
• Découvertes des algorithmes de mean shift.
• Introduction à la régression linéaire simple et multiple.
• Introduction à la régression linéaire régularisée.
• Feature selection process.
• Initiation aux analyses en composantes principales.
• Application de l'approche manifold learning.

Machine learning avancé

• Découverte des modèles de base.
• Découverte des modèles ARIMA.
• Text mining, introduction aux expressions régulières.
• Text mining, gestion de données textuelles.
• Text mining, création de word clouds.

Machine learning et théorie des graphes avec NetworkX

• Introduction à la théorie des graphes.
• Application des algorithmes fondamentaux : Kruskal et Dijkstra.
• Détection de communautés.
• Application de l'algorithme PageRank au classement de pages web.

Big data, database

• Data engineering et big data, introduction aux 3V du big data (volume, variété, vélocité).
• Data engineering et big data, présentation des bases de données et des architectures.
• Data engineering et big data, mise en production de données.
• Data processing et machine learning sur des grandes bases de données, introduction à PySpark.
• Découverte des fonctions de PySpark : data processing, DataFrames, régression avec PySpark, ML pipelines, model turning.

Deep learning

• Deep learning avec le framework Keras (Dense Neural Networks, Convolutional Neural Networks)
• Deep learning avec le framework Keras (Architecture LeNet, Transfer Learning).
• Tensorflow 2.0, mise en relation de Tensorlfow et Keras.
• Tensorflow 2.0, application du word embedding avec Word2vec.
• Tensorflow 2.0, présentation du Recurrent Neural Network.
• Tensorflow 2.0, présentation du Generative adversial Network

Système complexe et IA

• Définition des éléments de l'apprentissage par renforcement.
• Mise au point sur les fondamentaux mathématiques pour le reinforcement learning.
• Présentation de la principale famille d'algorithmes de reinforcement learning : Monte-Carlo.
• Application des algorithmes d'apprentissage par différence temporelle : SARSA.
• Application des algorithmes d'apprentissage par différence temporelle : Q-learning.
• Comparaison entre apprentissage par différence temporelle et Monte-Carlo.
• Introduction au deep reinforcement learning.
• Compréhension des fondements des méthodes basées sur la valeur.
• Compréhension des problèmes de variance élevée, des risques de surestimation, application des méthodes de résolution.
• Introduction à la méthode de policy gradient.
• Principes fondamentaux de la structure Acteur-Critique utilisée dans l'apprentissage en deep reinforcement learning.
• Application à des business cases.

Programmation avancée

• Webscrapping, introduction au langage web (HTML, CSS).
• Webscrapping, extraction de contenu web avec BeautifulSoup.
• Webscrapping, application du scrapping sur Google.
• Présentation des systèmes Linux.
• Prise en main et utilisation d’un terminal.
• Mise en place de scripts Bash.
• Introduction au système de gestion de version Git.
• Initialisation d'un dépôt Git.
• Présentation et approfondissement des concepts Git (Branches, Tag, Merge).
• Découverte de la plateforme GitHub pour le travail collaboratif sur Git.
• Présentation des fonctionnalités majeures de GitHub (Fork, Pull Request, Issues).
• Partage des modifications avec pull et push.
• Participation à l'amélioration de projet public (open source).
• Présentation des principaux workflows Git.
• Introduction aux APIs et découverte des architectures micro-services.
• Présentation des différentes méthodes HTTP et de leurs fonctions.
• Utilisation des librairies FastAPI et Flask pour développer des API RESTful.
• Documentation d'une API avec la spécification OpenAPI.
• Gestion des erreurs et des performances d'une API.
• Présentation de la conteneurisation et de son utilité par rapport à la virtualisation.
• Initiation au fonctionnement de Docker.
• Manipulation des images et des conteneurs.
• Communication avec les conteneurs.
• Persistance des données grâce aux volumes.
• Création d'une image Docker via un Dockerfile.
• Partage des images sur le Dockerhub .

DataOps, orchestration

• Kubernetes : déployer et gérer des conteneurs.
• Airflow : orchestration et utilité, graphe orienté acyclique ou DAG (Directed Acyclic Graphs), Opérateurs.
• Gestion de tâches par le biais d'Operators spécifiques.
• Monitoring des DAG via l'interface graphique d'Airflow.

ModelOps

• MLflow tracking : chargement du projet, importation des données à tracker, automatisation et UI.
• MLflow projects : empaquetage de code dans un format réutilisable et reproductible, Git et collaboration.
• MLflow models : déployer le modèle localement et dans un serveur HTTP simple.
• MLflow Registery : création du répertoire, enregistrement du meilleur modèle, archivage et annotation du modèle.
• Intégration : système de stockage, API et Spark.

Business intelligence

• Introduction à la BI.
• Power BI.
• Make.

Data gouvernance

• Gouvernance des données.
• RGPD et éthique dans la data.

Chefferie de projet

• Gestion de projet et conduite du changement.
• Méthode Agile.
• Application.

• Le plan de développement des compétences de votre entreprise : rapprochez-vous de votre service RH.
• Le dispositif FNE-Formation.
• L’OPCO (opérateurs de compétences) de votre entreprise.
• Pôle Emploi sous réserve de l’acceptation de votre dossier par votre conseiller Pôle Emploi.

• Le plan de développement des compétences de votre entreprise : rapprochez-vous de votre service RH.
• Le dispositif FNE-Formation.
• L’OPCO (opérateurs de compétences) de votre entreprise.
• Pôle Emploi sous réserve de l’acceptation de votre dossier par votre conseiller Pôle Emploi.