Data science : prédire et décider avec le machine learning opérationnel

La certification « Data Science : prédire et décider avec le machine learning opérationnel », s’inscrit dans un contexte de transformation durable des organisations, caractérisé par la montée en puissance des usages de la donnée et de l’intelligence artificielle dans les processus de décision, d’optimisation et de pilotage. La croissance des volumes de données, leur diversification (données structurées, semi-structurées et non structurées) et les progrès des capacités de calcul ont profondément renouvelé les pratiques analytiques, faisant de la donnée un actif stratégique dans l’ensemble des secteurs d’activité.

• Formaliser une problématique data science : analyser un besoin métier et le traduire en problématique de data science en identifiant les objectifs analytiques, les variables d’intérêt et les indicateurs de performance.
• Identifier et collecter des données pertinentes : identifier et extraire des données issues de différentes sources (bases SQL, NoSQL, API, web scraping ou open data) afin de constituer un jeu de données exploitable.
• Préparer et mettre en forme les données : nettoyer, structurer et mettre en forme les données dans un format utilisable par les algorithmes (jointure, filtrage, traitement des valeurs manquantes, ventilation des variables qualitatives) afin d'obtenir un jeu de données fiable et exploitable.
• Mettre en œuvre un pipeline de traitements de données : concevoir un pipeline de traitement automatisé permettant d’assurer la reproductibilité des opérations de collecte, préparation et transformation des données.
• Réaliser une analyse exploratoire des données : explorer un jeu de données à l’aide de statistiques descriptives et de visualisations afin d’identifier les relations entre variables et les structures sous-jacentes.
• Mettre en œuvre des modèles de machine learning : développer des modèles de machine learning pour des problèmes de régression ou de classification supervisée.
• Évaluer et comparer les modèles : comparer plusieurs modèles prédictifs à l’aide d’indicateurs de performance et de méthodes de validation (validation croisée, échantillon test).
• Mettre en œuvre des méthodes avancées d’apprentissage : appliquer des méthodes avancées de machine learning et de deep learning (gradient boosting, SVM, réseaux de neurones) afin de traiter des problématiques complexes.
• Industrialiser un projet de machine learning : mettre en œuvre les principes du MLOps pour structurer, déployer et suivre un modèle de machine learning en production.
• Restituer et valoriser les résultats d’une analyse : communiquer les résultats d’un projet de data science à des décideurs ou utilisateurs non spécialistes en produisant des visualisations et des synthèses claires.