Ingénieur Machine Learning

Rechercher une formation

Source : Carif Ile-de-France

Fiche originale

Partager sur :

Objectifs, programme, validation de la formation

Objectifs

Ce parcours donne accès aux métiers suivants :
Ingénieur Machine Learning.
Data Scientist.
Research Scientist.

Description, programmation

Vous aurez à réaliser différents projets pour acquérir les compétences de ce parcours.
Pour la réalisation de ces projets, vous serez accompagné par un mentor tout au long de votre parcours et pourrez vous appuyer sur les contenus (cours) suivants :
Initiez-vous au machine learning.
Entraînez un modèle prédictif linéaire.
Evaluez et améliorez les performances d’un modèle de machine learning.
Utilisez des modèles supervisés non linéaires.
Modélisez vos données avec les méthodes ensemblistes.
Explorez vos données avec des algorithmes non supervisés.
Analysez vos données textuelles.
Classez et segmentez des données visuelles .
Découvrez les cloud avec Amazon Web Services.
Réalisez des calculs distribués sur des données massives.

Validation et sanction

Attestation d’acquis ou de compétences ;Attestation de suivi de présence

Type de formation

Certification

Niveau de sortie sans niveau spécifique

Métiers visés

M1403 :

M1805 :

Durée, rythme, financement

Durée 510 heures en centre
Durée indicative : 1763 jours

Modalités de l'alternance FOAD : 510 h

Conventionnement Non

Conditions d'accès

Modalités de recrutement et d'admission Test

Niveau d'entrée niveau III (BTS, DUT)

Conditions spécifiques et prérequis - Niveau requis : Prépa scientifique ou Bac + 2 en mathématiques. - Niveau de langue : Pour les apprenants étrangers, un niveau de français B1-B2 (utilisateur indépendant) est conseillé pour la réussite de la formation. - Matériel : Accès à un ordinateur (PC ou Mac), muni d'un microphone, une webcam et une bonne connexion internet : 3.2 Mbps en envoi et 1.8 Mbps en réception de données. - Prérequis techniques : Programmation Python, librairies pour la Data Science. Maths (analyse réelle, algèbre, probabilités, statistiques). Informatique (algorithmique, base de données, terminal). Collecte de données (API, requêtes SQL). Communication et collaboration (Git, Pep8).