DS
Data Sciences
Licence pro Data Sciences : mathématiques et probabilités, langage C, SQL Server, collecte et analyse de données, Big Data, machine learning, NLP et vision par ordinateur, modélisation des systèmes d'information, éthique et réglementation des données.
18 modules · 98 cours
Votre parcours
Votre progression…
Chargement de votre progression…
Mathématiques générales et logique
Logique mathématique, mathématiques générales et analyse combinatoire : le socle formel de toute la filière.
Probabilités et algèbre linéaire
Probabilité, algèbre et algèbre linéaire : les deux langages dans lesquels s'écrivent les modèles statistiques et l'apprentissage automatique.
Langage C
Le langage bas niveau du programme : mémoire, pointeurs, performance. Ce qui explique pourquoi les bibliothèques de calcul sont rapides.
Python pour la data
Le langage de travail du data scientist : bases du langage, NumPy, environnements et outils, avant toute analyse.
SQL Server et bases de données
Modéliser et interroger une base relationnelle sous SQL Server : c'est là que vivent les données avant toute analyse.
Outils de collecte de données
Aller chercher la donnée là où elle est : fichiers, API, web, formulaires, capteurs. Et le faire légalement et proprement.
Outils d'analyse et préparation des données
pandas, nettoyage, transformation : la partie qui occupe réellement l'essentiel du temps d'un data scientist.
Analyse exploratoire et visualisation
Faire parler les données avant de modéliser, et restituer un résultat que quelqu'un d'autre comprend.
Introduction à l'intelligence artificielle
Situer l'IA : ce que le terme recouvre, les familles d'approches, ce qu'on peut en attendre et ce qu'on ne peut pas.
Machine Learning
Le cœur technique de la filière : construire, évaluer et mettre en service un modèle prédictif honnête.
NLP et vision par ordinateur
Traiter du texte et des images : les deux domaines où l'apprentissage profond a changé ce qui est faisable.
Introduction au Big Data
Quand le volume, la vitesse ou la variété dépassent la machine unique : architectures distribuées et traitement à l'échelle.
Modélisation des systèmes d'information
Représenter un système avant de le construire : Merise, UML, processus métier, urbanisation du système d'information.
Software Engineering
Écrire du code de data science qui survit : versionnage, tests, qualité, cycle de vie, travail en équipe.
Gestion de projet informatique
Cadrer, planifier, budgéter, piloter et livrer un projet data — y compris quand il dérape.
Cybersécurité, éthique et réglementation des données
Protéger les données qu'on manipule et rester dans le cadre légal : sécurité de base, données personnelles, éthique.
Certifications et carrière
TOEIC, certification Microsoft et CCNA, puis projection sur les débouchés de la filière Data Sciences.
MariaDB : bases de données et administration
Un parcours expliqué pas à pas : installation, modèle relationnel, SQL, transactions, index, sécurité, sauvegardes et projet d’application.