Formation Data et Intelligence Artificielle

Leçon 1 • Essentiels des statistiques descriptives

Présente les mesures de tendance centrale, de dispersion et de forme de distribution. Permet aux apprenants de résumer tout ensemble de données avant une analyse plus approfondie.

Leçon 2 • Fondamentaux de la qualité des données et de la gouvernance

Définit l'exactitude, l'exhaustivité, la cohérence et l'actualité comme dimensions de la qualité. Relie les principes de gouvernance à des résultats analytiques dignes de confiance.

Leçon 3 • Le cycle de vie de l'analyse des données

Trace le processus de bout en bout, de la définition du problème à la livraison des informations. Fournit un framework reproductible que les apprenants appliquent tout au long de la formation.

Leçon 1 • Importation et inspection des données brutes

Couvre le chargement de données à partir de fichiers, de bases de données et d'API dans un environnement analytique. Prépare le terrain pour un nettoyage systématique en établissant des habitudes d'inspection.

Leçon 2 • Fusion, jointure et remodelage des données

Montre les jointures internes, externes, gauche et droite ainsi que les opérations de pivot et de fusion. Permet aux apprenants d'intégrer des ensembles de données multi-sources de manière transparente.

Leçon 3 • Gestion des valeurs manquantes et erronées

Enseigne les stratégies de détection, d'imputation et de suppression pour les enregistrements incomplets ou corrompus. Améliore directement la fiabilité des modèles et des analyses.

Leçon 4 • Automatisation des pipelines de données

Présente des workflows scriptés et reproductibles qui remplacent les étapes de préparation manuelles. Prépare les apprenants aux pratiques d'ingénierie des données de niveau production.

Leçon 1 • Fondamentaux des bases de données relationnelles

Explique les tables, les clés, les relations et la normalisation comme base de la conception des requêtes. Garantit que les apprenants comprennent le modèle de données avant d'écrire des requêtes.

Leçon 2 • Fonctions de fenêtrage et SQL analytique

Présente RANK, ROW_NUMBER, LAG, LEAD et les totaux cumulés pour une analyse avancée. Débloque des calculs impossibles avec un simple GROUP BY.

Leçon 3 • Optimisation des requêtes et bonnes pratiques

Aborde l'indexation, les plans d'exécution et le refactoring des requêtes pour améliorer les performances. Prépare les apprenants à travailler de manière responsable avec de grandes bases de données de production.

Leçon 4 • Syntaxe SQL de base des requêtes

Couvre les clauses SELECT, FROM, WHERE, GROUP BY, HAVING et ORDER BY avec des exemples pratiques. Forme la boîte à outils essentielle pour tout travail SQL ultérieur.

Leçon 1 • Choisir le bon type de graphique

Fait correspondre les types de données et les questions analytiques aux familles de graphiques appropriées. Empêche les erreurs de visualisation courantes qui induisent les publics en erreur.

Leçon 2 • Visualisation interactive et de tableaux de bord

Construit des tableaux de bord dynamiques et filtrables permettant aux parties prenantes d'explorer les données de manière autonome. Étend les graphiques statiques aux outils d'analyse en libre-service.

Leçon 3 • Narration avec les données

Structure les résultats analytiques en un récit cohérent avec un appel à l'action clair. Relie les résultats de l'EDA à la prise de décision métier.

Leçon 1 • Algorithmes de régression

Couvre la régression linéaire, polynomiale et régularisée pour la prédiction de cibles continues. Relie l'intuition mathématique à la mise en œuvre pratique.

Leçon 2 • Clustering et réduction de dimensionnalité

Applique les k-means, le clustering hiérarchique et l'ACP pour trouver une structure dans les données non étiquetées. Étend la capacité analytique au-delà des ensembles de données étiquetés.

Leçon 3 • Concepts fondamentaux de l'apprentissage automatique

Définit l'entraînement, la validation, le test, le compromis biais-variance et la généralisation. Crée le modèle mental nécessaire pour toutes les décisions de modélisation à venir.

Leçon 4 • Algorithmes de classification

Présente la régression logistique, les arbres de décision et les k-plus proches voisins pour les cibles catégorielles. Développe la capacité à choisir et à régler les classifieurs.

Leçon 1 • Gestion des ensembles de données déséquilibrés

Aborde le déséquilibre des classes à l'aide du rééchantillonnage, de l'apprentissage sensible aux coûts et de l'ajustement du seuil. Essentiel pour les tâches de fraude, d'attrition et de classification médicale.

Leçon 2 • Forêts aléatoires et gradient boosting

Implémente et règle les forêts aléatoires, XGBoost et LightGBM pour les tâches sur données tabulaires. Couvre les algorithmes les plus utilisés en science des données appliquée.

Leçon 3 • Ingénierie avancée des caractéristiques

Crée des termes d'interaction, un encodage de cible et des caractéristiques basées sur le temps pour améliorer la précision du modèle. Montre que la qualité des caractéristiques importe souvent plus que le choix de l'algorithme.

Leçon 4 • Interprétabilité et explicabilité des modèles

Applique les valeurs SHAP et les diagrammes de dépendance partielle pour expliquer les prédictions de modèles complexes. Renforce la confiance des parties prenantes et soutient la conformité réglementaire.

Leçon 1 • Réseaux récurrents et modélisation de séquences

Applique les RNN, les LSTM et les GRU aux séries temporelles et aux tâches de séquences textuelles. Étend l'apprentissage profond aux structures de données temporelles et séquentielles.

Leçon 2 • Workflow pratique d'apprentissage profond

Intègre le suivi des expériences, l'arrêt précoce et le checkpointing de modèle dans un workflow reproductible. Prépare les apprenants aux projets d'apprentissage profond de niveau production.

Leçon 3 • Entraînement des réseaux de neurones

Couvre la rétropropagation, les variantes de descente de gradient et les techniques de régularisation pour un entraînement stable. Aborde directement les échecs d'entraînement les plus courants.

Leçon 4 • Fondamentaux de l'architecture des réseaux de neurones

Explique les neurones, les couches, les fonctions d'activation et la propagation avant comme éléments constitutifs de l'apprentissage profond. Établit l'intuition avant la mise en œuvre.

Leçon 1 • Surveillance et détection de la dérive du modèle

Implémente la surveillance de la dérive des données, de la dérive du concept et des performances pour maintenir la qualité du modèle au fil du temps. Empêche la dégradation silencieuse du modèle en production.

Leçon 2 • Stratégie d'IA et valeur métier

Cadre les décisions d'investissement en IA à l'aide de l'analyse de ROI, de la priorisation des cas d'usage et de la planification de la feuille de route. Permet aux apprenants de diriger des initiatives d'IA au niveau organisationnel.

Leçon 3 • Service de modèles et conception d'API

Empaquette les modèles en tant qu'API REST et services d'inférence par lots pour la consommation par les applications. Fait le pont entre la science des données et l'ingénierie logicielle.

Leçon 4 • IA responsable et déploiement logiciel éthique

Aborde l'équité, la transparence, la responsabilité et la confidentialité comme des exigences de déploiement non négociables. Aligne les systèmes d'IA sur les valeurs organisationnelles et sociétales.