Description de la formation
« Mettre en œuvre la science des données et l’apprentissage profond au service de l’intelligence artificielle »
Objectifs visés
La certification Machine Learning et Intelligence artificielle a pour objectif de compléter et enrichir les compétences des salariés des secteurs de l’exploitation de données massives et de permettre la réalisation d’analyses prédictives répondant à la problématique de l’entreprise.
La spécificité de cette formation tient dans l’association à parts égales entre informatique et mathématiques, tout en s’attachant à conserver un fort aspect professionnalisant.
Cette formation doit permettre à ses diplômés une évolution professionnelle rapide dans les secteurs de l’analyse des données et des technologies de l’information. En associant étroitement une dimension informatique, mathématique, et connaissance métier, elle conférera aux stagiaires une capacité à la fois à modéliser, à coder, et à analyser les résultats et conséquences d’une démarche de data scientist. Elle apportera notamment une capacité à ses diplômés à se mouvoir dans le secteur du conseil (où une demande croissante en experts des données est ressentie), ou à développer de nouvelles approches industrielles au sein d’une entreprise qui cherche à valoriser ses données.
Cette certification s’appuie sur l’un des 34 plans de la Nouvelle France Industrielle consacré au Big Data qui s’est transformé en solution Economie des Données dont l’objectif 2020 est de créer et consolider 137000 emplois.
COMPÉTENCES VISÉES
À l’obtention de la certification, le stagiaire sera en capacité de :
-
- Maîtriser les fondements mathématiques et informatiques pour le traitement de données
- Associer des tâches de machine learning à des problématiques métier
- Identifier les besoins algorithmiques pour appréhender ces tâches
- Développer une architecture de Deep learning
- Comprendre les enjeux sociétaux de l’intelligence artificielle
- Développer une architecture Big Data
- Mener à bien un projet data
Accompagnement de la formation
Suivi personnalisé, articulé autour de séances de regroupement en présence d’un ou plusieurs enseignants référents.
Contenu
Module 1 : Outils de Mathématiques et d’informatique
L’objectif de ce module est de remettre à niveau les étudiants en terme de compétences en mathématiques et informatique. Les aspects abordés sont l’algorithmique de base, la maitrise du langage Python et des bibliothèques de traitement de données (numpy, pandas, matplotlib, bokeh, …), ainsi que la gestion des entrées/sorties ainsi que l’analyse (intégration), l’algèbre linéaire (produit et inversion de matrices, valeurs propres et singulières), les probabilités et statistiques de base (espace probabilisé, échantillonnage, modèle statistique, inférence).
Organisation : 2 jours de conférence/mise en situation.
Module 2 : Apprentissage statistique supervisé
Ce module dresse un panorama de l’apprentissage statistique aujourd’hui. Il aborde successivement les grandes problématiques du domaine et en présente les avancées majeures des dix dernières années avec un focus sur les modèles supervisés.
- Cadre général de l’apprentissage supervisé
- Classifieur bayésien naïf
- Sur-apprentissage et validation croisée
- Arbres : CART, forêts aléatoire et boosting
- Minimisation du risque empirique
- Régression logistique et machines à vecteurs supports
- Perceptron, réseaux de neurones
- Approches régularisées
- Traitement de données incertaines et incomplètes
Organisation : 2 jours de conférence/mise en situation.
Module 3 : Apprentissage non-supervisé et apprentissage profond
Cet enseignement se focalise sur les modèles de réseaux de neurones profonds et les outils informatiques associés:
- Algorithmes de descente de gradient, back-propagation et variantes
- Réseaux de neurones convolutionnels et réseaux récurrents
- Outils: Plateforme déclarative (TensorFlow) et algorithmique (PyTorch)
Organisation : 2 jours de conférence/mise en situation.
Module 4 : Apprentissage profond et réseaux de neurones pour les images
L’objectif de ce module est d’étudier les réseaux de neurones profonds pour la reconnaissance automatique d’images, ainsi que les algorithmiques classiques utilisés en apprentissage non-supervisé.
- Descripteurs SIFT et architectures de réseaux de neurones appliqués aux images (réseaux convolutifs, …)
- Clustering: classification hiérarchique, k-means et ses variantes, modèles de mélange gaussiens, méthodes spectrales
- Réduction de dimension et visualisation : décomposition en valeurs singulières, ACP et ses variantes, ACM, MDS, ISOMAP, t-SNE
Organisation : 2 jours de conférence/mise en situation.
Module 5 : Réseaux de neurones pour le traitement du langage et environnement des données
Ce module vise étudier les réseaux de neurones appliqués aux données textuelles et à appréhender le contexte global dans lequel s’inscrivent les approches industrielles liées au Big Data. Il sensibilise notamment les participants aux notions de réglementation et d’éthique, et insiste sur l’intégration des méthodologies de data science dans un environnement professionnel
- Représentations de mots et architectures de réseaux de neurones appliqués au texte (réseaux récurrents, d’attention et « adversariaux »).
- Gouvernance et éthique des données
- Cyber-sécurité, business Analytics
- Communication, « data story telling »
Organisation : 2 jours de conférence/mise en situation.
Module 6 : Cloud Computing et Big Data
L’objectif de ce module est de former les étudiants aux outils autour de la gestion de données massives. C’est un enseignement orienté outils informatique et infrastructure qui recouvre les aspects:
- Bases de données SQL et NoSQL
- Hadoop, Spark, MapReduce
- Cloud Computing et virtualisation
- Pig, Hive et SPARQL
Organisation : 2 jours de conférence/mise en situation.
Module 7 : Applications (et déclinaisons par secteur d’activité)
L’objectif de ce module est d’aborder des applications particulières nécessitant la mise en oeuvre d’outils mathématiques et informatique particuliers. Ce module sera organisé sous forme de conférences, en fonction du profil des étudiants.
Les thèmes seront choisis parmi les applications suivantes :
- Recommandation
- Graphes et réseaux sociaux
- Text Mining
- Publicité
- Intelligence Artificielle
- Actuariat
- Finance
- Gestion des risques
…
Organisation : 2 jours de conférence.
Module 8 : Projet Data
L’objectif de l’UE est d’encadrer les étudiants autour de projets de traitement de données. Les sujets des projets et les données à traiter seront propoposés par les étudiants eux-mêmes. Un effort particulier sera porté sur la restitution (Data story telling) des résultats et des modèles proposés.
Organisation : Suivi personnalisé, articulé autour de séances de regroupement en présence d’un ou plusieurs enseignants référents.
Public Cible
Cette formation s’adresse à des profils variés, tous réunis autour d’une forte motivation à acquérir des compétences en science des données.
Cette formation s’adresse à des techniciens et cadres possédant un bon niveau en mathématiques et/ou en informatique, et souhaitant développer des compétences en machine learning, en deep learning, en intelligence artificielle ou en traitement de données massives.
Prérequis
Cette formation ne nécessite pas de prérequis.
Suivi et évaluation
Les modalités d’évaluation de la certification s’appuient d’une part sur le contrôle continue des connaissances dans chacun des 8 modules et d’autre part sur la réalisation d’un projet et sa soutenance devant un jury.
Le contrôle continu s’effectue sous forme de quiz ou exercices notés. Il est nécessaire d’obtenir une note supérieure ou égale à 10/20 à l’évaluation des connaissances et une note supérieure ou égale à 10/20 à l’évaluation du projet pour se voir attribuer la certification.
Validation
La certification, délivrée le jury de la formation, est un diplôme d’Université de Sorbonne Université
Faire une demande
Une alliance pour l'excellence
L'Alliance Sorbonne Université est un regroupement académique d'excellence qui réunit plusieurs établissements d'enseignement supérieur et de recherche de renom en France : Sorbonne Université Le Muséum national d’Histoire naturelle (MNHN) L’Insead L’université de technologie de Compiègne (UTC) Le Pôle supérieur...
Apprenez-en plus sur l'organisme et découvrez toutes leurs formations