Dernière mise à jour le 03/07/2024

Domaine : Intelligence Artificielle   -   Thématique(s) : IA, Data et calcul

Diplômes d’université (DU, DIU)

MACHINE LEARNING ET INTELLIGENCE ARTIFICIELLE

« Mettre en œuvre la science des données et l’apprentissage profond au service de l’intelligence artificielle »

Durée de la formation : 98h Dates : Lieu : Campus Pierre et Marie Curie – Paris (Jussieu) Tarif :
Modalité : Présentiel CPF : Éligible Formation : Diplômante
8 000€ + 250€ droits d'inscription universitaires

OBJECTIFS

La certification Machine Learning et Intelligence artificielle a pour objectif de compléter et enrichir les compétences des salariés des secteurs de l’exploitation de données massives et de permettre la réalisation d’analyses prédictives répondant à la problématique de l’entreprise.

La spécificité de cette formation tient dans l’association à parts égales entre informatique et mathématiques, tout en s’attachant à conserver un fort aspect professionnalisant.

Cette formation  doit permettre à ses diplômés une évolution professionnelle rapide dans les secteurs  de l’analyse des données et des technologies de l’information. En associant étroitement une dimension informatique, mathématique, et connaissance métier, elle conférera aux stagiaires une capacité à la fois à modéliser, à coder, et à analyser les résultats et conséquences d’une démarche de data scientist. Elle apportera notamment une capacité à ses diplômés à se mouvoir dans le secteur du conseil (où une demande croissante en experts des données est ressentie), ou à développer de nouvelles approches industrielles au sein d’une entreprise qui cherche à valoriser ses données.

Cette certification s’appuie sur l’un des 34 plans de la Nouvelle France Industrielle consacré au Big Data qui s’est transformé en solution Economie des Données dont l’objectif 2020 est de créer et consolider 137000 emplois.

COMPÉTENCES VISÉES

À l’obtention de la certification, le stagiaire sera en capacité de :

    • Maîtriser les fondements mathématiques et informatiques pour le traitement de données
    • Associer des tâches de machine learning à des problématiques métier
    • Identifier les besoins algorithmiques pour appréhender ces tâches
    • Développer une architecture de Deep learning
    • Comprendre les enjeux sociétaux de l’intelligence artificielle
    • Développer une architecture Big Data
    • Mener à bien un projet data

Accompagnement de la formation

Suivi personnalisé, articulé autour de séances de regroupement en présence d’un ou plusieurs enseignants référents.

PUBLIC VISÉ ET PRÉ-REQUIS

Public

Cette formation s’adresse à des profils variés, tous réunis autour d’une forte motivation à acquérir des compétences en science des données.

Cette formation s’adresse à des techniciens et cadres possédant un bon niveau en mathématiques et/ou en informatique, et souhaitant développer des compétences en machine learning, en deep learning, en intelligence artificielle ou en traitement de données massives.

PROGRAMMe

Module 1 : Outils de Mathématiques et d’informatique

L’objectif de ce module est de remettre à niveau les étudiants en terme de compétences en mathématiques et informatique. Les aspects abordés sont l’algorithmique de base, la maitrise du langage Python et des bibliothèques de traitement de données (numpy, pandas, matplotlib, bokeh, …), ainsi que la gestion des entrées/sorties ainsi que l’analyse (intégration), l’algèbre linéaire (produit et inversion de matrices, valeurs propres et singulières), les probabilités et statistiques de base (espace probabilisé, échantillonnage, modèle statistique, inférence).

Organisation : 2 jours de conférence/mise en situation.

 

Module 2 : Apprentissage statistique supervisé

Ce module dresse un panorama de l’apprentissage statistique aujourd’hui. Il aborde successivement les grandes problématiques du domaine et en présente les avancées majeures des dix dernières années avec un focus sur les modèles supervisés.

Cadre général de l’apprentissage supervisé
Classifieur bayésien naïf
Sur-apprentissage et validation croisée
Arbres : CART, forêts aléatoire et boosting
Minimisation du risque empirique
Régression logistique et machines à vecteurs supports
Perceptron, réseaux de neurones
Approches régularisées
Traitement de données incertaines et incomplètes

Organisation : 2 jours de conférence/mise en situation.

 

Module 3 : Apprentissage non-supervisé et apprentissage profond

Cet enseignement se focalise sur les modèles de réseaux de neurones profonds et les outils informatiques associés:

Algorithmes de descente de gradient, back-propagation et variantes
Réseaux de neurones convolutionnels et réseaux récurrents
Outils: Plateforme déclarative (TensorFlow) et algorithmique (PyTorch)

Organisation : 2 jours de conférence/mise en situation.

 

Module 4 : Apprentissage profond et réseaux de neurones pour les images

L’objectif de ce module est d’étudier les réseaux de neurones profonds pour la reconnaissance automatique d’images, ainsi que les algorithmiques classiques utilisés en apprentissage non-supervisé.

Descripteurs SIFT et architectures de réseaux de neurones appliqués aux images (réseaux convolutifs, …)
Clustering: classification hiérarchique, k-means et ses variantes, modèles de mélange gaussiens, méthodes spectrales
Réduction de dimension et visualisation : décomposition en valeurs singulières, ACP et ses variantes, ACM, MDS, ISOMAP, t-SNE

Organisation : 2 jours de conférence/mise en situation.

 

Module 5 : Réseaux de neurones pour le traitement du langage et environnement des données

Ce module vise étudier les réseaux de neurones appliqués aux données textuelles et à appréhender le contexte global dans lequel s’inscrivent les approches industrielles liées au Big Data. Il sensibilise notamment les participants aux notions de réglementation et d’éthique, et insiste sur l’intégration des méthodologies de data science dans un environnement professionnel

Représentations de mots et architectures de réseaux de neurones appliqués au texte (réseaux récurrents, d’attention et « adversariaux »).
Gouvernance et éthique des données
Cyber-sécurité, business Analytics
Communication, « data story telling »

Organisation : 2 jours de conférence/mise en situation.

 

Module 6 : Cloud Computing et Big Data

L’objectif de ce module est de former les étudiants aux outils autour de la gestion de données massives. C’est un enseignement orienté outils informatique et infrastructure qui recouvre les aspects:

Bases de données SQL et NoSQL
Hadoop, Spark, MapReduce
Cloud Computing et virtualisation
Pig, Hive et SPARQL

Organisation : 2 jours de conférence/mise en situation.

 

Module 7 : Applications (et déclinaisons par secteur d’activité)

L’objectif de ce module est d’aborder des applications particulières nécessitant la mise en oeuvre d’outils mathématiques et informatique particuliers. Ce module sera organisé sous forme de conférences, en fonction du profil des étudiants.

Les thèmes seront choisis parmi les applications suivantes :

Recommandation
Graphes et réseaux sociaux
Text Mining
Publicité
Intelligence Artificielle
Actuariat
Finance
Gestion des risques

Organisation : 2 jours de conférence.

 

Module 8 : Projet Data

L’objectif de l’UE est d’encadrer les étudiants autour de projets de traitement de données. Les sujets des projets et les données à traiter seront propoposés par les étudiants eux-mêmes. Un effort particulier sera porté sur la restitution (Data story telling) des résultats et des modèles proposés.

Organisation :  Suivi personnalisé, articulé autour de séances de regroupement en présence d’un ou plusieurs enseignants référents.

 

Modalités d’évaluation

Les modalités d’évaluation de la certification s’appuient d’une part sur le contrôle continue des connaissances dans chacun des 8 modules et d’autre part sur la réalisation d’un projet et sa soutenance devant un jury.

Le contrôle continu s’effectue sous forme de quiz ou exercices notés. Il est nécessaire d’obtenir une note supérieure ou égale à 10/20 à l’évaluation des connaissances et une note supérieure ou égale à 10/20 à l’évaluation du projet pour se voir attribuer la certification.

Validation

La certification, délivrée le jury de la formation, est un diplôme d’Université de Sorbonne Université

Débouchés

Cette formation permet aux individus de sécuriser leur parcours professionnel en leur donnant les compétences nécessaires pour accompagner les entreprises dans les enjeux liés à leur secteur d’activité et s’adapter aux évolutions technologiques associées.

Les + de la formation

Cette formation s’adresse à des profils variés, tous réunis autour d’une forte motivation à acquérir des compétences en science des données.

Pour candidater

Les participants seront sélectionnés sur dossier et au besoin sur entretien individuel.

Ledit dossier devra contenir un CV, un questionnaire relatif à l’entreprise et au projet professionnel (à demander lors de votre prise de contact par courriel) ainsi qu’une lettre de motivation.

La commission se réunit deux fois par mois pour statuer sur les candidatures.

Candidater par e-mail

Informations

Session du 28/02/2025
au 14/11/2025

Contact

01 44 27 82 55
sciences-ftlv-fpc@sorbonne-universite.fr

Contact : roselyne.friedenberg_remy@sorbonne-universite.fr

à voir aussi dans le même domaine...