Niveau de sortie
Sans niveau spécifique
Points forts
Maitrise des concepts de la data science et des compétences opérationnelles nécessaires à leur mise en oeuvre.
Taux de réussite à l'examen supérieur à 90% grâce à l'accompagnement personnalisé d'enseignants du monde académique et du monde de l'entreprise.
Objectifs
La formation s'inscrit dans un contexte de transformation profonde des organisations, marqué par la place désormais centrale occupée par la donnée et par les technologies d'intelligence artificielle dans les processus de prévision, de production, d'optimisation et de prise de décision.
Elle a pour objectif de permettre aux participants de concevoir, entraîner, évaluer et déployer des modèles de machine learning et de deep learning, notamment pour répondre à des cas d'usage prédictifs. Elle leur permet également de mettre en place des pipelines de traitement et d'industrialiser des modèles dans un environnement de production conforme aux exigences techniques et éthiques.
A l'issue du parcours les participants sauront :
Analyser un besoin métier et le traduire en problématique de data science.
Identifier et extraire des données issues de différentes sources.
Nettoyer, structurer et mettre en forme des données.
Concevoir un pipeline de traitement automatisé.
Explorer un jeu de données afin d'identifier les relations entre variables et les structures sous-jacentes.
Développer des modèles de machine learning.
Comparer plusieurs modèles prédictifs.
Appliquer des méthodes de deep learning.
Mettre en œuvre les principes du MLOps.
Communiquer les résultats d'un projet de data science à des décideurs.
Programme
Le parcours couvre l'ensemble de la chaîne de valeur de la data science, depuis la collecte et la préparation des données jusqu'à la mise en production de modèles.
Les participants acquièrent les fondamentaux du machine learning (régression / classification, validation croisée, CART et forêts aléatoires), puis mettent en oeuvre des méthodes avancées telles que le gradient boosting, les SVM et le deep learning.
La formation aborde également l'ingénierie des données ainsi que l'utilisation des modèles de langage pour assister certaines tâches de data science.
Enfin, le programme traite des enjeux du passage à l'échelle à travers le calcul distribué et présente les pratiques de MLOps permettant d'industrialiser, déployer et superviser les modèles, dans le respect des cadres éthiques et réglementaires.
Module 1 : Les fondamentaux du métier de Data Scientist (3 jours)
Module 2: Bases des données et requêtage (3 jours)
Module 3 : Machine learning avancé & Deep learning (3 jours)
Module 4 : Deep learning (suite) & Clustering (3 jours)
Module 5 : Pipelines de machine learning, datacamp et cadre réglementaire (3 jours)
Module 6: Traitement de données massives & MLOps (3 jours)
Par ailleurs, les candidats réalisent, tout au long du parcours, un projet « fil rouge ». Ce projet consiste à conduire une démarche complète de data science à partir d'une problématique concrète, depuis la formalisation de la question d'analyse, la préparation et l'exploration des données, jusqu'à la mise en œuvre des modèles et l'évaluation de leurs performances ainsi qu'à l'interprétation des résultats. Il permet d'aborder des problématiques plus ambitieuses que celles traitées dans les études de cas proposées dans les différents modules et de mobiliser de manière intégrée l'ensemble des compétences développées au cours de la formation.
Résultats attendus
La validation du certificat est conditionnée à la réussite de l'évaluation finale qui se déroule quelques semaines après la fin des enseignements, dans les locaux de l'ENSAE-ENSAI Formation continue. Cette épreuve est organisée sur une journée, elle comporte deux volets complémentaires permettant d'évaluer l'ensemble des compétences visées par le référentiel.
Le matin, les candidats passent une épreuve écrite d'une durée de quatre heures. Cette épreuve est constituée de trois sous-parties chacune reposant sur une étude de cas réalisée sur ordinateur à partir de données réelles. Ces études de cas constituent des mises en situation professionnelle représentatives des problématiques rencontrées par un Data Scientist dans l'exercice de ses fonctions.
L'après-midi est consacrée à la soutenance orale d'un projet de data science devant un jury. Cette soutenance permet ainsi d'évaluer la capacité du candidat à conduire un projet complet, depuis la formulation du problème jusqu'à l'interprétation et la communication des résultats.
Financement
Cette formation certifiante est proposée par un organisme certifié Qualiopi. Elle est éligible au compte personnel de formation (CPF). Selon votre situation, d'autres financements peuvent s'ajouter : France Travail pour un demandeur d'emploi, fonds d'assurance formation pour un indépendant, ou OPCO de l'employeur pour un salarié.
Source : catalogue public Mon Compte Formation (Caisse des Dépôts), licence ouverte Etalab, mis à jour le 20/11/2026. Prix public indicatif communiqué par l'organisme de formation.