Data & Intelligence Artificielle – Analyse, Modélisation et Déploiement

Retour au catalogue

6 mois (720h)
Durée totale

Distanciel / Présentiel
Mode de formation

UpSkills Program
Certification

3 Parcours
Débutant, Avancé, Expert

Profils cibles

Data Analyst, Data Scientist, Data Engineer, Chef de projet IA, DSI

Objectifs pédagogiques

Maîtriser le cycle de vie de la donnée (collecte, traitement, analyse, visualisation)
Concevoir et entraîner des modèles de Machine Learning et Deep Learning
Déployer des solutions IA en production (MLOps)
Analyser et interpréter des données pour la prise de décision
Comprendre les enjeux éthiques et réglementaires de l'IA

Curriculum — 10 modules

M1 Fondamentaux de la Data Science : Python, statistiques, probabilités

M2 Collecte et traitement des données : ETL, data wrangling

M3 Bases de données SQL et NoSQL pour la Data

M4 Visualisation de données : Tableau, Power BI, Matplotlib

M5 Machine Learning supervisé et non supervisé

M6 Deep Learning et réseaux de neurones (TensorFlow, PyTorch)

M7 Natural Language Processing (NLP) et LLMs

M8 Computer Vision et traitement d'images

M9 MLOps : déploiement, monitoring et gouvernance des modèles

M10 IA éthique, biais algorithmiques et réglementation (AI Act)

Syllabus — thèmes de connaissance

Code	Thème	Contenu évalué
K1	Python & fondamentaux Data	Pandas, NumPy, Matplotlib, structures de données, algorithmique
K2	Bases de données	SQL avancé, NoSQL (MongoDB, Cassandra), Data Warehousing
K3	Statistiques et probabilités	Tests statistiques, distributions, régression, corrélation
K4	Machine Learning	Algorithmes supervisés/non supervisés, validation croisée, métriques
K5	Feature Engineering & XAI	Transformation, sélection de features, SHAP, LIME
K6	Deep Learning	CNN, RNN, LSTM, Transformers, transfer learning, fine-tuning
K7	MLOps	MLflow, pipelines CI/CD IA, monitoring des modèles, data drift
K8	Gouvernance IA & éthique	AI Act, biais algorithmiques, fairness, explicabilité, RGPD & IA

Parcours, référentiels et évaluations

Parcours Débutant – Analyse de Données et Visualisation

8 semaines N1–N2 – Sensibilisation à Application Data Analyst Junior UpSkills 50 000 XOF

Candidater à ce parcours

Modules du parcours

1 Python pour la Data

2 Statistiques descriptives

3 SQL et bases de données

4 Visualisation et reporting

Référentiel de formation

RF1 — Python : Pandas, NumPy, Matplotlib, Seaborn
RF2 — SQL : SELECT avancé, jointures, sous-requêtes, CTE
RF3 — Statistiques : moyenne, médiane, variance, corrélation
RF4 — Power BI / Tableau : connexions, modèles de données, DAX

Référentiel de compétences

Code	Compétence	Niveau	Indicateur d'atteinte
C1	Manipuler des données avec Python (Pandas, NumPy)	N2	Nettoyer, transformer et analyser un jeu de données réel
C2	Réaliser des analyses statistiques descriptives	N2	Calculer et interpréter les indicateurs statistiques clés
C3	Interroger des bases de données SQL	N2	Écrire des requêtes SQL complexes avec jointures et agrégations
C4	Créer des tableaux de bord et visualisations	N2	Produire un dashboard Power BI/Tableau lisible et interactif

Référentiel de certification

Code	Épreuve	Poids	Seuil	Statut
RC1	QCM fondamentaux Data & Python (35 questions)	25 %	10/20	GO/NOGO
RC2	Analyse de dataset réel (notebook Jupyter)	40 %	12/20	GO/NOGO
RC3	Dashboard interactif (Power BI ou Tableau)	35 %	12/20	GO/NOGO

Seuil global de certification : 60/100

Rattrapage possible entre 50 et 59/100.

Épreuves pratiques

Code	Épreuve	Format	Critères	Barème	Seuil
EP1	Analyse exploratoire d'un dataset réel (EDA complète)	Notebook Jupyter (2h30)	Qualité du nettoyage, profondeur de l'analyse, visualisations pertinentes	8 pts	5/8
EP2	Requêtes SQL sur une base de données métier	Examen pratique SQL (1h30)	Exactitude des requêtes, optimisation, lisibilité	6 pts	4/6
EP3	Tableau de bord Power BI ou Tableau présenté au jury	Démo live (15 min)	Clarté des visualisations, pertinence des KPI, interactivité	6 pts	4/6

Parcours Avancé – Machine Learning et Modélisation Prédictive

12 semaines N2–N3 – Application à Maîtrise Data Scientist Confirmé UpSkills 150 000 XOF

Candidater à ce parcours

Modules du parcours

1 Machine Learning supervisé (régression, classification)

2 ML non supervisé (clustering, réduction de dimension)

3 Feature engineering

4 Évaluation et optimisation des modèles

Référentiel de formation

RF1 — Scikit-learn : pipelines, transformers, estimateurs
RF2 — Algorithmes : Random Forest, Gradient Boosting, SVM, KNN
RF3 — Métriques : accuracy, F1, AUC-ROC, RMSE
RF4 — SHAP, LIME : explainabilité des modèles

Référentiel de compétences

Code	Compétence	Niveau	Indicateur d'atteinte
C5	Concevoir et entraîner des modèles de ML supervisé	N3	Implémenter régression, forêt aléatoire, XGBoost sur cas réel
C6	Évaluer et optimiser les performances d'un modèle	N3	Appliquer cross-validation, GridSearchCV, métriques adaptées
C7	Réaliser du feature engineering avancé	N3	Créer des features pertinentes augmentant les performances du modèle
C8	Expliquer et interpréter les prédictions du modèle (XAI)	N2	Utiliser SHAP/LIME pour expliquer les décisions du modèle

Référentiel de certification

Code	Épreuve	Poids	Seuil	Statut
RC1	Projet ML complet (dataset + entraînement + rapport)	45 %	13/20	GO/NOGO
RC2	Examen théorique ML (40 questions)	25 %	13/20	GO/NOGO
RC3	Présentation des résultats au jury (20 min)	30 %	13/20	GO/NOGO

Seuil global de certification : 65/100

Rattrapage possible entre 55 et 64/100.

Épreuves pratiques

Code	Épreuve	Format	Critères	Barème	Seuil
EP1	Projet ML de bout en bout sur dataset réel	Compétition Kaggle-style (1 journée)	Performance du modèle, qualité du code, rapport d'expérimentation	8 pts	6/8
EP2	Analyse d'explainabilité avec SHAP sur un modèle	Notebook Jupyter (2h)	Pertinence de l'analyse, qualité des visualisations SHAP	7 pts	5/7
EP3	Présentation business des insights data au jury	Présentation 20 min + Q&A	Clarté pour un public non-technique, pertinence des recommandations	5 pts	3/5

Parcours Expert – Deep Learning, NLP et MLOps

Parcours complet (6 mois + stage) N3–N4 – Maîtrise à Expertise Expert Data Scientist & IA UpSkills 300 000 XOF

Candidater à ce parcours

Modules du parcours

1 Deep Learning avancé (CNN, RNN, Transformers)

2 NLP et LLMs (fine-tuning)

3 MLOps et déploiement IA

4 IA éthique et gouvernance

Référentiel de formation

RF1 — TensorFlow/PyTorch : architectures avancées (BERT, GPT, ViT)
RF2 — MLflow, Kubeflow, Airflow pour MLOps
RF3 — Databricks, Snowflake, Delta Lake
RF4 — AI Act européen, biais algorithmiques, fairness

Référentiel de compétences

Code	Compétence	Niveau	Indicateur d'atteinte
C9	Concevoir et entraîner des réseaux de neurones profonds	N4	Implémenter et fine-tuner des modèles Transformer pour NLP/Vision
C10	Déployer des modèles IA en production (MLOps)	N4	Mettre en place un pipeline MLOps complet avec monitoring
C11	Architecturer une plateforme Data/IA d'entreprise	N4	Concevoir un Data Mesh ou Data Lakehouse avec gouvernance
C12	Intégrer les enjeux éthiques dans les projets IA	N3	Réaliser un audit d'IA responsable et conformité AI Act

Référentiel de certification

Code	Épreuve	Poids	Seuil	Statut
RC1	Projet Deep Learning (modèle entraîné + déploiement API)	40 %	14/20	GO/NOGO
RC2	Architecture Data/IA d'entreprise documentée	30 %	14/20	GO/NOGO
RC3	Mémoire de stage avec analyse d'impact IA	30 %	14/20	GO/NOGO

Seuil global de certification : 70/100

Rattrapage possible entre 60 et 69/100.

Épreuves pratiques

Code	Épreuve	Format	Critères	Barème	Seuil
EP1	Fine-tuning d'un LLM sur données métier et déploiement API	Projet de 2 jours + démo live	Qualité du fine-tuning, performance, déploiement fonctionnel	8 pts	6/8
EP2	Mise en place d'un pipeline MLOps complet	Lab (4h) + documentation technique	Automatisation, monitoring, reproducibilité	6 pts	4/6
EP3	Audit d'IA responsable et présentation conformité AI Act	Rapport + soutenance 30 min jury expert	Rigueur de l'audit, maîtrise réglementaire, recommandations	6 pts	4/6

Critères transversaux d'évaluation pratique

Toutes les épreuves pratiques sont évaluées selon six critères communs à l'ensemble de nos programmes : maîtrise des outils, qualité des livrables, autonomie, posture professionnelle, adaptation et analyse réflexive.

Consulter nos référentiels transverses

Data & Intelligence Artificielle – Analyse, Modélisation et Déploiement

Parcours, référentiels et évaluations

Parcours Débutant – Analyse de Données et Visualisation

Parcours Avancé – Machine Learning et Modélisation Prédictive

Parcours Expert – Deep Learning, NLP et MLOps

Ce programme vous intéresse ?