Expert en data science

Le périmètre de la certification professionnelle couvre quatre disciplines :

• la data science : traitement et analyse de données),
• l’intelligence artificielle : reproduction par des machines de processus cognitifs
• l’apprentissage automatique et l’apprentissage automatique profond / machine learning et deep learning : visant à donner aux machines les capacités d’apprendre à partir de données

Elle s'inscrit dans la continuité du périmètre du Data scientist, tout en intégrant des évolutions en phase avec les besoins du marché.

Elle vise à certifier des experts en statistique, en intelligence artificielle et en apprentissage automatique ; des professionnels capables de conduire des projets complexes d’analyse et de modélisation des données, pour répondre à des problématiques métier (visualisation, appui à la décision, prédiction, classification, traitement de données non structurées tel que du texte ou des images, déploiement de modèles d’apprentissage automatique dans un environnement Cloud, etc.).

Activités

Collecter, pré-traiter et analyser des données et créer des variables pertinentes (feature engineering) pour l'entraînement d’un modèle

• Définition de la stratégie de collecte de données et réalisation d’une collecte via une API
• Définition et gestion du nettoyage de données structurées
• Réalisation d’analyses statistiques et de représentations graphiques de données structurées
• Conception et adaptation de variables pertinentes pour les modèles d’apprentissage (feature engineering)

Concevoir des modèles d'apprentissage à partir de données structurées et de données non structurées (texte et images)

• Définition et mise en œuvre de la stratégie d’élaboration d’un modèle d’apprentissage supervisé avec des données structurées, pour réaliser une analyse prédictive
• Définition et mise en œuvre de la stratégie d’élaboration d’un modèle d’apprentissage non supervisé avec des données structurées, pour segmenter ou réduire des données
• Définition et mise en œuvre de la stratégie d’élaboration d’un modèle d’apprentissage profond (deep learning) pour réaliser une analyse prédictive

Gérer le cycle de vie et le déploiement en production d’un modèle (MLOps) ou d’une application dans des environnements classiques et Big Data

• Gestion du cycle de vie et déploiement continu en production d'un modèle dans le cadre d'une démarche orientée MLOps
• Conception, préparation, et déploiement d’une application ou d’un modèle d’apprentissage en utilisant les technologies du big data

Manager des projets IA et de data science complexes en intégrant les contraintes légales et les valeurs d’éthique

• Réalisation d’une veille sur les outils et tendances en data science et IA
• Organisation de l'expression du besoin des métiers et formalisation de user stories
• Cadrage et gestion d’un projet IA ou de data science, selon une approche agile de type SCRUM
• Présentation des projets de data science et restitution des résultats aux métiers