RNCP37431 - Expert en data science

processus de déploiement continu en production d'un modèle d'apprentissage ou d'une application dans des environnements classiques et Big Data, en utilisant les outils et technologies adaptés (MLOps). Manager des projets IA et de data science en utilisant les méthodes agiles et en intégrant les contraintes légales et les valeurs d'éthique, afin de mener à bien des projets complexes en collaboration avec les différents métiers de l'entreprise. Réaliser une veille sur les outils et tendances en data science et IA, afin de rester à jour sur les nouvelles technologies et méthodes. Organiser l'expression du besoin des métiers et formaliser les user stories pour la réalisation de projets de data science et d'IA. Cadrer et gérer un projet IA ou de data science en suivant une approche agile de type SCRUM, en collaboration avec les différents acteurs du projet. Présenter les projets de data science et restituer les résultats aux métiers de manière claire et compréhensible, en adaptant la présentation au niveau technique des interlocuteurs.

La certification Expert en data science délivrée par OPENCLASSROOMS est un titre de niveau 7 qui atteste des compétences nécessaires pour mener à bien des projets de data science et d'IA dans un environnement professionnel. Les activités visées par la certification incluent la collecte, le pré-traitement et l'analyse de données, ainsi que la création de variables pertinentes pour l'entraînement de modèles. Ce programme de formation permet d'acquérir les compétences pour définir une stratégie de collecte de données et réaliser une collecte via une API, ainsi que pour gérer le nettoyage de données structurées et réaliser des analyses statistiques et graphiques.

La certification inclut également la conception et l'adaptation de variables pour les modèles d'apprentissage, ainsi que la création de modèles à partir de données structurées et non structurées (texte et images). Les apprenants seront également formés à la mise en oeuvre de stratégies d'élaboration de modèles supervisés et non supervisés, ainsi que de modèles d'apprentissage profond (deep learning) pour réaliser des analyses prédictives. Ils seront également capables de gérer le cycle de vie et le déploiement en production d'un modèle ou d'une application dans des environnements classiques et Big Data grâce à la mise en place de processus de MLOps.

Les apprenants seront capables de définir et de gérer des projets complexes en intégrant les contraintes légales et les valeurs d'éthique, ainsi que de réaliser une veille sur les outils et tendances en data science et IA. Ils seront également formés à l'organisation de l'expression du besoin des métiers et à la formalisation de user stories pour la réalisation de projets de data science et d'IA.

Les compétences attestées par cette certification incluent la capacité à définir une stratégie de collecte de données en utilisant des API, à réaliser des opérations de nettoyage de données structurées, à effectuer des analyses statistiques et à représenter des données grâce à des graphiques. Les apprenants seront également capables de sélectionner, transformer et créer des variables pertinentes pour les modèles d'apprentissage, ainsi que de pré-traiter des données non structurées de type texte et image.

La certification permet également de développer des compétences en matière de réduction de la dimension de données et de sélection de modèles adaptés à une problématique métier, ainsi que d'évaluer les performances des modèles et d'utiliser des techniques d'augmentation de données pour améliorer leur performance. Les apprenants seront également formés à la définition et à la mise en oeuvre de processus de déploiement continu en production de modèles ou d'applications, ainsi qu'à la gestion de projets IA et de data science en utilisant des méthodes agiles et en intégrant les contraintes légales et éthiques.

Enfin, la certification prépare les apprenants à réaliser une veille sur les outils et tendances en data science et IA, ainsi qu'à organiser l'expression du besoin des métiers et à cadrer et gérer des projets en suivant une approche agile de type SCRUM. Ils seront également capables de présenter les projets de data science et de restituer les résultats aux métiers de manière claire et compréhensible en adaptant la présentation au niveau technique des interlocuteurs.