✔ Programmation Orientée Objet avec Python - Classes - Modules - Fichiers

✔ Les mathématiques pour le machine learning : - Statistique - Probabilité - Algèbre - Analyse et calcul différentiel

✔ Machine learning : - Présentation des différents types d'apprentissage (apprentissage supervisé, apprentissage semi-supervisé, apprentissage non-supervisé, apprentissage par renforcement) - Méthodes de régression 1. Régression linéaire simple et multiple 2. Régression linéaire régularisée 3. Métriques d'évaluation pour la régression - Modèles et algorithmes de classification : 1. Prise en main de Scikit-learn 2. Présentation des algorithmes classiques (Logistic Regression, KNN, SVM... ) 3. Techniques de bagging et boosting 4. Métriques d'évaluation pour la classification - Méthodes de clustering : 1. Modèles de classification non supervisée (K-Means, Clustering Hiérarchique Agglomératif, Mean Shift...) 2. Métriques d'évaluation pour le clustering

✔ Méthode de réduction de dimensions : - Feature selection process - Initiation aux analyses en composantes principales - Application de l'approche Manifold Learning

✔ Text mining: - Natural Language Processing (NLP) - Sentiment Analysis - Named Entity Recognition (NER)

✔ Deep Learning : - Réseaux denses : - Théorie des réseaux de neurones - Découverte du framework Keras - Optimisation d'un réseau dense - Réseaux de convolution : - Analyse d'image par convolution - Architecture LeNet - Transfer Learning - Théorie des graphes : - Optimisation avec TensorFlow - Callbacks et modèles personnalisés - TensorBoard

✔ Computer vision

✔ Création d'application avec Streamlit

✔ APIs avec Flask ou Fast API

✔ Création de chatbot personnalisé avec les LLMs et RAG

✔ Déploiement d'un modèle ML

✔ Maîtrise de MLOps

✔ Les agents IA

✔ Programmation Orientée Objet avec Python - Classes - Modules - Fichiers

✔ Programmation Scala

✔ Web scraping : - Introduction au langage web (HTML, CSS) - Extraction de contenu Web avec BeautifulSoup et Selenium - Application du scraping sur Google

✔ SQL : - Requêter une base de données grâce à SQL - Maîtriser les différents types de jointure et dans quel cas les utiliser - Maîtriser les requêtes imbriquées

✔ Mise en Place d'un DataLake

✔ Mise en Place d'un DataWarehouse

✔ Connexion Postgres & Python

✔ APIs avec Flask ou Fast API

✔ Docker

✔ ETL avec PySpark : - Introduction au calcul distribué avec PySpark - Présentation des API RDD et DataFrame de Spark - Pipeline de processing de données distribuées - Machine Learning distribué

✔ Scaling : - Kubernetes : - Déployer et gérer des conteneurs - Orchestrer plusieurs services et gérer les montées en charge

✔ Data Streaming avec Kafka

✔ Maîtrise de MLOps : - Cloud AWS : - Apprentissage des principales composantes du cloud avec AWS (EC2, CLI, IAM, Auto Scaling, VPC, Lambda...) - Docker : - Présentation de la conteneurisation et de son utilité par rapport à la virtualisation - Initiation au fonctionnement de Docker - Manipulation des images et des conteneurs - Communication avec les conteneurs - Persistance des données grâce aux volumes - Création d'une image Docker via Dockerfile - Partage des images sur Dockerhub - Utilisation de docker-compose