Conception des modèles analytiques d'IA et de machine-learning

Depuis les cinq dernières années, les projets Data Science et d'intelligence artificielle connaissent une forte croissance dans des domaines très variés, tels que l'industrie pétrolière, la téléphonie, la distribution, la banque, la finance et les services. Les récentes évolutions technologiques permettent de faire évoluer ces projets vers la mise en place de véritables solutions d'intelligence artificielle. La réalisation de ces projets nécessite de former des équipes de « Data-Engineers » et de « Data Scientists » pour lesquelles il est nécessaire de conjuguer l'acquisition des compétences techniques et méthodologiques, l'expérience des cas concrets et surtout, un parcours d'apprentissage jalonné.

Les principales compétences visées par cette certification sont celles nécessaires à la mise en oeuvre des activités suivantes :

• Réaliser une Analyse exploratoire et multivariée complète des données émettre et tester des hypothèses, faire des inférences sur les données. Réaliser des jeux de données de modélisation et de test
• Identifier et sélectionner des algorithmes de base à utiliser pour la modélisation en adéquation avec les jeux de données et l'objectif souhaité. Adapter la complexité des algorithmes à la complexité des données
• Prototyper les modèles de DataScience en utilisant les algorithmes et les jeux de données sélectionnés
• Restituer aux interlocuteurs métiers les perspectives et les interprétations basées sur les premiers résultats des modèles
   

• Maîtriser les principales méthodes de réduction de dimension non supervisées, et en particulier l'Analyse en composantes principales et l'analyse en correspondances multiples
• Maîtriser les principales méthodes de clustering et de typologies non supervisées, en particulier les méthodes hiérarchiques et les méthodes de type K-Means
• Maîtriser l'analyse statistique des corrélations, de leur validité et des corrélations partielles
• Savoir créer un jeu de données pertinent dans une stratégie de cross validation, savoir utiliser les différentes méthodes d'échantillonnage associées, et savoir éviter un biais dans les données d'apprentissage
• Maîtriser les tests de Student, les différentes méthodes de test d'hypothèses et la notion de p-value associée à différents tests statistiques
• Connaitre les différentes formes d'apprentissage machine, les grandes familles d'algorithmes qui en dépendent, et leurs cas d'application métier
• Savoir utiliser les lois d'apprentissage des algorithmes et les règles de Vapnik associées, savoir éviter l'under fitting et l'over fitting
• Connaître les principaux algorithmes de DataScience (du domaine public) et leurs applications dans chaque grande famille d'algorithmes
• Savoir utiliser les principales librairies de DataScience en Python avec les environnements de développement intégrés et les workflows pour prototyper les modèles
• Être capable d'assembler la chaîne de traitement des différents modèles en utilisant les principaux outils de DataScience que ce soit en mode workflow, en mode notebook ou en mode programmation
• Savoir optimiser le compromis explicabilité et traçabilité des algorithmes versus sa précision
• Savoir documenter les modèles avec Jupyter Notebook
• Être capable d'illustrer les résultats du modèles grâce à des graphiques spécialisées compréhensibles par les métiers
• Savoir sélectionner les observations qui illustrent le comportement typique des modèles
• Savoir interpréter les résultats des différents modèles et en expliquer les résultats
• Savoir utiliser des modèles explicatifs pour pouvoir rendre traçables et explicables des modèles complexes