1

Acculturation Data

• Acculturation Data : métiers de la Data, gérer une équipe Data, définitions des termes les plus utilisés en Data.
• Différentes sources et types de données : stockage, gouvernance, bases de données relationnelles.
• Pandas : librairie, jeux de données, DataFrames, manipulation de données.
• Fondamentaux de Python : variables et types, fonctions, boucles.

2

Data Product Manager

• Gestion de projet : enjeux, modèles de gestion de projet, conduite du changement.
• Méthode Agile : outils et méthodes, application à la Data, impact dans l'entreprise.
• Projet de Data Product Management : product strategy, product discovery, product delivery.

3

Chefferie de projet

• RGPD et éthique : contexte Data, anonymisation et pseudonymisation.
• Suite Data Product Management : product strategy, product discovery, product delivery.

4

Fondamentaux Python

• Programmation : variables, listes et Tuples, boucles et types, fonctions, classes et modules.
• NumPy : NumPy Array, opérations matricielles et manipulation d’un NumPy Array, indicateur statistique.
• Data Quality (en option) : principes, variables numériques et textuelles, nettoyage, gestion des valeurs manquantes.

5

Data Visualisation

• Matplotlib : types de graphes, personnalisation des graphiques.
• Plotly : graphiques interactifs et intégrables sur page Web, Widgets.
• Seaborn : analyse de distribution, analyses statistiques, analyse multivariée.

6

Outils de programmation

• Programmation Linux & Bash : systèmes Linux, terminal, scripts Bash.
• Git & Github : introduction à Git, dépôt, concepts Git, plateforme Github, fonctionnalités majeures, Github actions.
• Tests Unitaires : Pytest, test d'intégration, avantages, test unitaires.
• AWS Cloud Practitioner : outils Cloud avec AWS, préparation à la certification AWS Cloud Practitioner.

7

Machine Learning I & II

• Modèles et algorithmes de classification : Scikit-learn, algorithmes classiques, techniques de bagging et boosting.
• Méthodes de clustering : Modèles de classification non- supervisée, métriques d’évaluation pour le clustering.
• Systèmes de recommandations : fonctionnement et enjeux, méthodes content-based et collaborative.
• Méthodes de régression : linéaire simple et multiple, régularisée.

8

Machine Learning III

• Séries temporelles avec Statsmodels : modèles ARIMA et SARIMA, signal temporel.
• Détection d’anomalies : problématiques de détection d’anomalies, modèles supervisés, Robust Covariance, DBScan.
• Méthode de réduction de dimensions : Feature selection process, composantes principales, approche Manifold Learning
• Reinforcement Learning : méthode de Monte- Carlo, temporal Difference Learning, SARSA et Q-Learning.

9

Machine Learning IV

• Text mining : expressions régulières, données textuelles, WordCloud, analyse de sentiments.
• Webscraping : langage web (HTML, CSS), BeautifulSoup, scraping sur Google.
• Éthique & Interprétabilité : utilisation de données sensibles, enjeux éthiques de l’IA, SHAP.
• MLflow : l’architecture MLFlow, MLFlow Tracking, MLFlow Projects, MLFlow Models, MLFlow Registry.

10

Deep Learning

• Réseaux denses : réseaux de neurones, framework Keras, réseau dense.
• Réseaux de convolution : analyse d’image, architecture LeNet, transfer Learning.
• Théorie des graphes : optimisation avec TensorFlow, callbacks et modèles personnalisés, TensorBoard.

11

Data Engineering

• SQL : requêter une base de données, les différents types de jointure, requêtes imbriquées.
• PySpark : calcul distribué avec PySpark, API RDD et DataFrame de Spark, processing de données distribuées, MLLib.
• API : introduction, méthodes HTTP et fonctions.

12

Fondamentaux du MLOps

• Docker : conteneurisation et son utilité, fonctionnement de Docker, communication, persistance, dockerfile et hub.
• AWS Solutions Architect : principales composantes du cloud , préparation à la certification AWS Solution Architect.
• Tests Unitaires : tests unitaires avec Pytest, tests d’intégration, avantages, intégration en développement.

13

Versioning & Isolation

• DVC & Dagshub : Data Version Control, utilisation de Dagshub, intégration en développement.
• AirFlow : concept, l’orchestration et utilité, graphe orienté acycliques, opérateurs, gestion des tâches, monitoring.

14

Deployment & Model Serving

• Bento ML : concepts de création, gestion et déploiement, Docker et BentoML.
• Prometheus & Grafana : utilité, Prometheus Query Language, Dashboard avec Grafana, intégration en production.
• Sécurisation des APIs : sécurité des APIs et des clés API, authentification HTTP, JSON Web Token et HTTPS.

15

Scaling

• Data Drift : concept et impact, techniques et outils pour la détection du drift.
• Kubernetes : déployer et gérer des conteneurs, orchestrer plusieurs services.

16

Orchestration platform

• ZenML : principes et rôles, suivi et gestion des expériences, intégration avec d'autres outils.
• Weight & Biases : suivi d'expérimentation, de reporting et collaboration, utilisation avec des frameworks.