Explorez les principes fondamentaux de la Data Science et de l'IA, dynamisez votre profil auprès des recruteurs ou reconvertissez-vous dans les métiers de la Data.
.jpg?width=500&height=420&name=original%20(2).jpg)
Boîte à outils de la Data Analyse
Maîtrisez les outils fondamentaux de la Data Analyse : Python comme colonne vertébrale, SQL pour les requêtes et Jupyter Notebooks pour la visualisation.
Python
SQL
Jupyter
Matplotlib
Decision Science
Exploitez les statistiques pour élaborer des analyses avancées et prendre des décisions commerciales éclairées : inférences statistiques, tests d'hypothèses, régression multivariée et intervalles de confiance.
Pandas
Numphy
Statsmodels
Machine Learning & Deep Learning
Maîtrisez les workflows du Machine Learning et du Deep Learning (préparation des données, sélection des modèles, évaluation et fine-tuning) et comprenez les concepts mathématiques et les implémentations numériques derrière les modèles.
Scikit-Learn
Tensorflow
Google Compute
ML Engineering & projets en groupe
Transformez vos modèles en un code Python reproductible qui peut être entraîné sur des données volumineuses dans le cloud, à l'aide de machines virtuelles et de bases de données en ligne. Surveillez et réentraînez les modèles si nécessaire, et exposez-les via des API..
Git
Docker
MLflow
FastAPI
Vous apprendrez à travers 6 modules. Soit à temps plein pendant 2 mois, soit à temps partiel pendant 6 mois (400 heures de formation).
Après avoir été accepté, vous recevrez environ 40 heures de travail préparatoire à faire en ligne, soigneusement sélectionnées par Le Wagon. Ce travail vous permettra d'acquérir les bases nécessaires en Python et en mathématiques avant le début de la formation.
40h de travail préparatoire en ligne
Validation des fondamentaux mathématiques et des bases en Python
Apprenez Python pour la Data Science : extrayez des données de bases de données relationnelles, manipulez des matrices de données volumineuses et créez des visualisations. Comprenez les concepts mathématiques clés pour l'analyse des données, comme les statistiques et l'algèbre linéaire.
Une base de données construite en scrapant des données de librairies en ligne
Analyse avancée des performances du football en SQL
Tableau de bord visuel connecté à des API boursières
Mettez-vous dans la peau d'un consultant Data et apprenez à maîtriser la phase de préparation d'un data set volumineux. Extrayez des informations en interprétant des résultats statistiques basés sur des modèles de régression multivariés, des tests d'hypothèse et des intervalles de confiance.
Un challenge de 40 heures de consultation de données basé sur des données réelles d'un marché
Présentations individuelles de vos résultats clés à votre client
Implémentez le workflow du Machine Learning avec Scikit-Learn (préparation des données, feature engineering, sélection des modèles, évaluation et fine-tuning) et comprenez les intuitions mathématiques et les implémentations numériques des modèles de ML.
Modèles de Machine Learning parfaitement adaptés à vos tâches
Pipelines combinant le traitement des données et les prédictions des modèles
Modèle de compression d'images par clustering de couleurs
Algorithmes de détection des spams
Modèle de prédiction des prix de l'immobilier
Le Deep Learning n'aura plus de secret pour vous ! Comprenez l'architecture des réseaux de neurones (neurones, couches, piles) et leurs paramètres (activations, pertes, optimiseurs). Construisez vos propres réseaux de neurones (denses, récurrents ou convolutifs), pour travailler sur des images, des séquences et des textes. Apprenez à réutiliser et à transférer l'apprentissage à partir de "grands modèles" pré-entraînés issus des dernières recherches open-source. Mettez la main à la pâte avec des encodeurs automatiques, des pipelines de traitement des données par lots et l'entraînement par GPU.
Réseau neuronal dense pour la détection des transactions frauduleuses
Apprentissage par transfert pour la classification d'images
Auto-encodeurs pour la compression et le débruitage des images
Réseaux récurrents pour les prévisions météorologiques
Word embedding pour l'analyse des sentiments ou l'autocomplétion de textes
Transformez vos meilleurs modèles en un package python reproductible qui peut être entraîné sur des données volumineuses dans le cloud, à l'aide de machines virtuelles et de bases de données en ligne. Surveillez les performances de votre modèle au fur et à mesure de l'arrivée de nouvelles données, réentraînez-le si nécessaire et exposez ses prédictions via des API ou des sites Web.
Modèle de Machine Learning de prédiction des tarifs de taxi, entraîné sur des données volumineuses sur le cloud avec des GPU.
Tableau de bord visuel sur le web montrant les prédictions en direct (sur des graphiques, des cartes, etc.)
Identifier les variables les plus discriminantes parmi vos données
La phase de projet est l'expérience ultime du bootcamp. Collaborez efficacement en équipes de 3-4 personnes sur un véritable projet de Data Science que vous présenterez lors du Demo day.Utilisez des référentiels de données ouverts (initiatives gouvernementales, Kaggle, Paper with Code, etc.) ou apportez votre propre jeu de données privé. Avec l'encadrement à temps plein de professeurs experts, développez le produit Data qui vous fait rêver.
Créer une application avec une démonstration en direct des prédictions du modèle
Créer une analyse approfondie d'un ensemble de données d'entreprise
Reproduire les derniers articles de recherche en IA (Intelligence Artificielle) avec les Big Models
Rencontrez des professionnels de la Tech, inspirez-vous du parcours de nos alumni, affutez CV et portfolio et préparez-vous aux entretiens.
Coaching personnalisé
CV & lettre de motivation
Préparation aux entretiens techniques
Rejoignez nos prochains Bootcamps Data Science & IA.
Comprenez l'objectif du bootcamp
Obtenez notre programme semaine après semaine
Comprenez notre méthodologie
Télécharger le programme Data Science & IA
Vous n'êtes pas sûrs que la formation Data Engineering soit faite pour vous ? Découvrez nos autres formations en Data !
Jusqu'à 400 heures
1 professeur pour 7 élèves
Format flexible de 2 à 6 mois
Sur le campus ou en ligne
Bruno Lajoie
Mathieu Ripert
Igor Koval
Martin Daniel
