DataScientest - Machine Learning Engineer (intelligence artificielle)

Elaborer une solution d'intelligence artificielle grâce au Design Thinking Piloter un projet d'intelligence artificielle Développer une solution d'intelligence artificielle (Machine et Deep Learning) Déployer une solution d'intelligence artificielle

Le parcours de Machine Learning Engineer est composé d'un cursus au cours duquel, il apprendra à développer des algorithmes de Machine Learning ou de Deep Learning. Mais en plus de ces compétences, le MLE doit savoir passer d'un modèle statique à sa mise en production. La spécialisation du Machine Learning Engineer permet alors au Data Scientist de dépasser ce défaut et d'exploiter réellement les modèles établis. Le déroulé de formation est le suivant : - Présentation : le Data Product Manager, le Data Scientist - Acculturation Data (Acculturation Data, Les différentes sources et types de données, Fondamentaux Python, Manipulation de données avec Panda, Programmation orientée objet, Data Product Management et Agilité) - Data Product Management (Gestion de Projet, Agilité, Data science en production : échecs et leçons) - Chefferie de Projet (Éthique / RGPD, Etude de cas en Data Product Management, Manager une équipe data) - Fondamentaux de Python (Python pour la Data Science, Statistiques exploratoires, Data Quality, Bac à Sable, Gestion des Erreurs en Python, Bonnes pratiques) - DataViz' (DataViz' avec Matplotlib, Data Visualization avec Seaborn, DataViz' avec Matplotlib - Compléments, DataViz' avec Plotly) - Outils de programmation (Premiers pas sur la machine virtuelle, Linux & Bash, Git & Github, AWS Cloud Practitioner, Toolings) - Machine learning 1/4 (Classification, Régression, Clustering, Conférence Data & Environnement, Projet de Data Science) - Machine learning 2/4 (Classification avancée, Systèmes de recommendation, Méthodologie en Data Science, Pipeline, Réduction de dimension et séries temporelles) - Machine learning 3/4 (Réduction de dimension, Séries temporelles, Détection d'anomalies, Reinforcement Learning, Interprétabilité des modèles) - Machine learning 4/4 (Ethique, Biais & Interprétabilité, MLflow, Text Mining, Intro MLOps) - Deep Learning (Computer Vision with Open CV, Réseaux de neurones denses avec Keras, Réseaux de neurones convolutifs avec Keras, TensorFlow, Réseaux de neurones convolutifs avec Pytorch, Fondamentaux de Deep learning) - Data Engineering (SQL, Fondamentaux des APIs, Fondamentaux de l'intégration de données, Pyspark, Fondamentaux de Data Engineering) - Fondamentaux MLOps - Partie 1 (Streamlit, Docker, AWS Solution Architect) - Fondamentaux MLOps - Partie 2 (Tests unitaires, FastAPI, Rappels : Linux & Bash Git & GitHub Docker) - Versioning & Isolation (DVC & Dagshub, Airflow, Jenkins, (MinIO), Bases de données) - Deployment & model serving (BentoML, Prometheus & Grafana, MongoDB, Sécurisation des APIs) - Scaling (Data Drift, Kubernetes, Flask, (TFX), Cloud MLOps avec SageMaker) - Orchestration platform (ZenML, Weight & Biases, MLOPS with Azure SageMaker GCP Databricks, CometML)

Validation du parcours : La validation des examens conduit à l'obtention de la certification "Chef de projet en intelligence artificielle" RNCP36129 L'obtention de la certification est conditionnée par la validation de l'ensemble des 4 blocs de compétences.

Pour entamer une formation de data scientist, le minimum requis est d'au moins un Bac+3 en mathématiques ou Bac+5 en sciences. Des notions de communication et marketing sont toujours un plus au vu du travail de transmission et de communication que requiert ce métier.