1

Mettre en œuvre une veille concurrentielle efficace

• Identifier les différents types de veille.
• Concevoir un plan de recherche.
• Maîtriser les outils terrain et documentaires de collecte d'informations.
• Mettre en place des outils de monitoring et d'analyse.
• Exploiter les informations pour optimiser son positionnement concurrentiel.

2

Conduire un projet Benchmarking

• Identifier les différents types de benchmarking.
• Rédiger le cahier des charges du projet.
• Recenser les sources d'informations et les partenaires.
• Analyser les données recueillies.
• Communiquer les bonnes pratiques auprès des équipes.

3

Statistiques descriptives, introduction

• Comprendre l'intérêt de la statistique descriptive.
• Comprendre comment traiter des données brutes.
• Comprendre les outils statistiques de base et leur calcul.
• Poser une problématique statistique et rechercher la méthode appropriée.

4

Machine learning, méthodes et solutions

• Comprendre les différents modèles d'apprentissage.
• Modéliser un problème pratique sous forme abstraite.
• Identifier les méthodes d'apprentissage pertinentes pour résoudre un problème.
• Appliquer et évaluer les méthodes identifiées sur un problème.
• Faire le lien entre les différentes techniques d'apprentissage.

5

Intégration continue, bonnes pratiques de mise en œuvre

• Comprendre les composantes et les principes de l'intégration continue.
• Manipuler un gestionnaire de contrôle des versions.
• Comprendre les mécanismes de la construction du logiciel et les outils de Build associés.
• Configurer un projet sur un serveur d'intégration continue.
• Déchiffrer les principaux métriques d'outils d'analyse de code.
• Appréhender le rôle des dépôts d'artefacts et la gestion des configurations.

6

Machine Learning avec Python du POC à la production

• Mettre en place les différentes étapes de préprocessing avec Python.
• Savoir choisir le modèle approprié pour une problématique donnée.
• Appliquer et évaluer des modèles sur des données réelles.
• Mettre à disposition un modèle dans le cloud et permettre son interrogation par le biais du API.

7

Deep Learning et réseaux de neurones : les fondamentaux

• Comprendre les concepts de Machine Learning et l’évolution vers le Deep Learning (réseaux de neurones profonds).
• Maîtriser les bases théoriques et pratiques d'architecture et de convergence de réseaux de neurones.
• Connaître les différentes architectures fondamentales existantes et maîtriser leurs implémentations fondamentales.
• Maîtriser les méthodologies de mise en place de réseaux de neurones, les points forts et les limites de ces outils.
• Connaître les briques de base du Deep Learning : réseaux de neurones simples, convolutifs et récursifs.
• Appréhender les modèles plus avancés : auto-encodeurs, gans, apprentissage par renforcement.

8

Deep Learning avec PyTorch

• Savoir manipuler des images et du texte avec PyTorch.
• Mettre en place un entraînement de réseaux de neurones à partir de zéro ou en utilisant le transfer learning.
• Connaître les modules de PyTorch pour charger les données.
• Avoir des notions sur les entraînements distribués.
• Avoir des notions sur les nouvelles méta-architectures telles que les transformers.