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 étudiants de résumer n'importe quel ensemble de données avant une analyse plus approfondie.

Leçon 2 • Principes de base 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

Cartographie le processus complet, de la définition du problème à la livraison des insights. Fournit un framework reproductible que les étudiants appliquent tout au long du cours.

Leçon 1 • Importation et inspection des données brutes

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

Leçon 2 • Fusion, jointure et remodelage des données

Démontre les jointures internes, externes, gauches et droites ainsi que les opérations de pivot et de melt. Permet aux étudiants d'intégrer de manière transparente des ensembles de données multi-sources.

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

Introduit des workflows scriptés et reproductibles qui remplacent les étapes de préparation manuelles. Prépare les étudiants 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 pour la conception de requêtes. Garantit que les étudiants comprennent le modèle de données avant d'écrire des requêtes.

Leçon 2 • Fonctions de fenêtre et SQL analytique

Introduit RANK, ROW_NUMBER, LAG, LEAD et les totaux cumulés pour l'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 étudiants à travailler de manière responsable avec de grandes bases de données de production.

Leçon 4 • Syntaxe de base des requêtes SQL

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

Associe les types de données et les questions analytiques aux familles de graphiques appropriées. Empêche les erreurs de visualisation courantes qui induisent le public en erreur.

Leçon 2 • Visualisation interactive et tableaux de bord

Construit des tableaux de bord dynamiques et filtrables permettant aux parties prenantes d'explorer les données de manière indépendante. Étend les graphiques statiques en outils analytiques 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 sorties 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 k-means, le clustering hiérarchique et l'ACP pour trouver des structures dans des 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 requis 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 paramétrer des 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 classification de la fraude, de l'attrition et du domaine médical.

Leçon 2 • Forêts aléatoires et Gradient Boosting

Implémente et paramètre les forêts aléatoires, XGBoost et LightGBM pour les tâches de 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 cible et des caractéristiques temporelles pour améliorer la précision du modèle. Démontre que la qualité des caractéristiques est souvent plus importante 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 complexes des modèles. Renforce la confiance des parties prenantes et soutient la conformité réglementaire.

Leçon 1 • Réseaux récurrents et modélisation de séquences

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

Leçon 2 • Workflow pratique d'apprentissage profond

Intègre le suivi d'expériences, l'arrêt précoce et la sauvegarde de modèles dans un workflow reproductible. Prépare les étudiants 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 • Principes de base de l'architecture des réseaux de neurones

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

Leçon 1 • Surveillance et détection de la dérive des modèles

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

Leçon 2 • Stratégie IA et valeur métier

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

Leçon 3 • Service de modèles et conception d'API

Conditionne les modèles en API REST et services d'inférence par lots pour la consommation par les applications. Fait le pont entre la science des données et le génie logiciel.

Leçon 4 • IA responsable et déploiement éthique

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