Data scientist

Parcours formant aux métiers de la data science. Compétences développées: maitrise des outils statistiques pour l'analyse de données, maitrise des outils analytiques pour l'analyse et l'exploration des données, maitrise des langages de programmation utilisés en analyse de données, maitrise des méthodes de machine learning, gestion de données non structurées, récolte et exploitation de grands jeux de données, interprétation de données et formulation de recommandations

Entretien de positionnement - Entretien personnalisé et tests pour vérifier la possession des prérequis par le stagiaire et s'assurer de ses capacités à acquérir les compétences visées, le tout afin de définir un parcours de formation adapté et personnalisé. - 4 hTechniques de recherche d'emploi (TRE) - Maitrise des techniques de recherche d'emploi (CV, lettre de motivation, profil Linkedin). Simulation d'entretiens d'embauche, méthodes de valorisation des profils et présence numérique. - 21 hDéveloppement Python & Algorithmie - Maitriser les bases de la programmation par la pratique à l'aide du langage Python (instructions, structures de données, programmation orientée objet) - 91 hBonnes pratiques du développement logiciel en équipe - Méthodes de gestion de projet Agile et maitrise du logiciel de version Git - 21 hSystème d'exploitation et bases de données - Système Linux et manipulation des bases de données - 42 hDev Ops - DevOps (GIT et GIT flow, test et déploiement, Conteneurisation, Linux avancé, Docker & containers) - 14 hConception Objet - Projet Orienté Objet avancé : Conception UML - 14 hOutils de visualisation - Cartographier et adapter les outils de visualisation aux jeux de données - 14 hVisualisation et UI - Outils et méthodes de visualisation de grands jeux de données ; Vulgarisation et représentation simplifiée ; Création d'un Dashboard interactif de visualisation de données - 14 hMachine Learning - Implémentation et apprentissage sur des jeux de données réels pour appréhender les principaux outils de Machine Learning (classification, décomposition en composantes principales, K-Mean, K-Folds, Descentes de gradients, réseaux de neurones) - 119 hMachine Learning avancé - Reconnaissance et résolution des problèmes d'optimisation - 21 hOptimisation - Modélisation des modèles d'optimisation par contrainte ; Résolution des contraintes ; Optimisation - 14 hApprentissage par renforcement - Création d'algorithme de prise de décision sans jeux de données à priori ; Prise de décision itérative ; Optimisation sous contrainte - 21 hOutils statistiques pour la donnée - Outils mathématiques pour l'analyse

Attestation de formation

Master