1

Fondamentaux de Python

• Découverte des différents types de variables, des listes et des tuples.
• Initiation au concept de boucles et ses différents types.
• Introduction aux fonctions et à leur documentation.
• Instanciation de classes et utilisation de modules.

2

Bibliothèques NumPy et Pandas

• Création et manipulation d’un tableau NumPy array.
• Présentation des opérations matricielles et manipulation d'un NumPy array.
• Création d’un indicateur statistique et opérations sur un NumPy array.
• Introduction à la bibliothèque Pandas.
• Chargement et première exploration d’un jeu de données.
• Introduction au data cleaning.
• Introduction au data processing.

3

Matplotlib, Plotly et Seaborn

• Matplotlib, présentation des différents types de graphes.
• Matplotlib, introduction à la personnalisation des graphiques.
• Plotly, formation à tous types de graphiques interactifs et intégrables sur page Web.
• Plotly, découverte et création de Widgets.
• Seaborn, maîtrise de l'analyse des distributions.
• Seaborn, mise en place de l'analyse statistique.
• Seaborn, initiation à l'analyse multivariée.

4

Machine learning

• Introduction à Scikit-learn.
• Présentation des algorithmes classiques : Logistic Regression, KNN, SVM...
• Techniques de bagging et boosting.
• Modèles de classification non supervisée (K-Means, CAH, Mean Shift...).
• Métriques d’évaluation pour le clustering.
• Introduction à la régression linéaire simple et multiple.
• Régression linéaire régularisée.

5

Machine learning avancé

• Découverte des modèles ARIMA et SARIMA.
• Analyse et décomposition d’un signal temporel.
• Feature selection process.
• Initiation aux analyses en composantes principales.
• Application de l’approche Manifold Learning.
• Apprendre à identifier des problématiques de détection d’anomalies.
• Modèles supervisés : KNN, Local Outlier Factor.
• Robust Covariance.
• DBScan.

6

Machine learning appliqué

• Introduction au langage web (HTML, CSS).
• Extraction de contenu Web avec BeautifulSoup.
• Application du scraping sur Google.
• Sensibilisation aux problématiques d’utilisation de données sensibles.
• Enjeux éthiques de l’IA.
• Technique d’analyse des biais.
• Interprétabilité des modèles avec SHAP.
• Introduction aux expressions régulières.
• Gestion de données textuelles.
• Création d’un WordCloud.
• Analyse de sentiments.

7

Modèles complexes

• Introduction aux fonctionnement et enjeux des systèmes de recommandations.
• Méthodes content-based et collaborative.
• Mathématiques des systèmes de recommandation.
• Mathématiques pour le Reinforcement Learning.
• Application de la méthode de Monte-Carlo.
• Découverte du Temporal Difference Learning.
• Comparaison des learning : SARSA et Q-Learning.
• Introduction à la théorie des graphes.
• Application des algorithmes fondamentaux : Krustal et Dijkstra.
• Détection de communautés.
• Application de l’algorithme PageRank au classement de page Web.
• Utilisation de NetworkX.

8

Fondamentaux du Deep learning

• Théorie des réseaux de neurones.
• Découverte du framework Keras.
• Optimisation d’un réseau dense.
• Analyse d’image par convolution.
• Architecture LeNet.
• Transfer Learning.
• Optimisation avec TensorFlow.
• Callbacks et modèles personnalisés.
• TensorBoard.

9

Data Engineering

• Savoir requêter une base de données grâce à SQL.
• Comprendre les différents types de jointure et dans quel cas les utiliser.
• Maîtriser les requêtes imbriquées.
• Introduction au calcul distribué avec PySpark.
• Présentation des API RDD et DataFrame de Spark.
• Pipeline de processing de données distribuées.
• Machine Learning distribué avec MLLib.
• Introduction aux API.
• Présentation des différentes méthodes HTTP et de leurs fonctions.
• Utilisation de FastAPI pour développer des API RESTful.
• Documentation d’une API avec la spécification OpenAPI.

10

De Linux au déploiement

• Présentation des systèmes Linux.
• Prise en main et utilisation d’un terminal.
• Mise en place des scripts Bash.
• Découverte des outils du CLoud avec AWS.
• Préparation à la certification AWS Cloud Practitioner.
• Présentation de l’architecture MLFlow.
• MLFlow Tracking.
• MLFlow Projects.
• MLFlow Models.
• MLFlow Registry.
• Gestion du cycle de vie d’un projet de Machine Learning.

11

Intégration et déploiement continus

• Introduction à la sécurité des APIs et des clés API (API Keys).
• Maîtrise de l’authentification HTTP Basique.
• Introduction aux JSON Web Token et HTTPS.
• Introduction au système de contrôle de version Git.
• Initialisation d’un dépôt Git.
• Présentation des concepts Git : Branches, Tags, Merge.
• Découverte de la plateforme Github.
• Présentation des fonctionnalités majeures : Fork, Pull Request, Issues.
• Utilisation des github actions.
• Apprentissage des principales composantes du cloud avec AWS (EC2, CLI, IAM, Auto Scaling, VPC, Lambda...).
• Préparation à la certification AWS Solution Architect.

12

DataOps

• Présentation de la conteneurisation et de son utilité par rapport à la virtualisation.
• Initiation au fonctionnement de Docker.
• Manipulation des images et des conteneurs.
• Communication avec les conteneurs.
• Persistance des données grâce aux volumes.
• Création d’une image Docker via Dockerfile.
• Partage des images sur Dockerhub.
• Utilisation de docker-compose.
• Mise en place de tests unitaires avec Pytest.
• Introduction aux tests d’intégration et leurs fonctions.
• Présentation des avantages des tests.
• Intégration des tests unitaires dans un environnement de développement.
• Déployer et gérer des conteneurs.
• Orchestrer plusieurs services et gérer les montées en charge.
• Approfondissement des notions cloud AWS pour le MLOps with Amazon SageMaker.
• Présentation des composantes secondaires d’AWS (Comprehend, Lex, Polly, Rekognition, Translate, Marketplace...).

13

Monitoring

• Comprendre l’utilité du monitoring pour le MLOps.
• Utilisation de Prometheus Query Language.
• Création de Dashboard avec Grafana.
• Intégration dans un environnement de production.
• Monitorer une application de Machine Learning.
• Intégrer un outil de monitoring à un environnement de production.
• Comprendre l’écosystème Data en globalité.

14

Introduction au Data Product Management

• Contexte du métier.
• Historique.
• Product vs Projet.
• Les principales responsabilités.
• Les professionnels avec lesquels le DPM interagit.
• Les outils.
• La terminologie d’un DPM en data science.
• Comprendre un besoin.
• Proposer une solution.
• Monitorer la réussite de l’implémentation.
• Et sans DPM ? Quelle alternative ?

15

Acculturation et Data Gouvernance

• Métiers de la Data.
• Gérer une équipe Data.
• Définitions des termes les plus utilisés en Data.
• Présentation des différentes sources et bases de données.
• Stockage des données.
• Gouvernance de la donnée.
• Optimisation de l’exploitation d’une base de données relationnelles.
• RGPD et Éthique dans la Data.
• Anonymisation et pseudonymisation.

16

Chefferie de projet

• Les enjeux d’un projet Data.
• Les principaux modèles de gestion de projet.
• La conduite du changement.
• Introduction à la méthode agile.
• Les différents outils et méthodes.
• Application à la Data.
• L’impact de l’agilité au sein d’une entreprise.
• Product strategy.
• Product discovery.
• Product delivery.