Objectifs
Maitriser les outils et techniques de lIA manipuler Python exploiter les bibliotheques de data science deployer des modeles via API et dashboards interactifs pour automatiser lanalyse et laide a la decision
Integrer une IA ethique responsable et performante anticiper les biais assurer la fiabilite des donnees optimiser les modeles et inscrire les projets IA dans une demarche durable securisee et conforme aux enjeux reglementaires
80h de formation en e-learning *
40h de temps de certification**
*Le temps indiqué correspond au temps minimum estimé pour parcourir l'ensemble des contenus pédagogiques (visionnage des vidéos, lecture des supports) et réaliser les activités demandées (QCM, exercices autocorrigés).
Ce temps constitue une estimation minimale et peut varier selon vos connaissances initiales, votre rythme d'apprentissage,... Le temps nécessaire peut être jusqu'à deux fois supérieur à cette estimation.
Grâce à votre accès illimité aux contenus pendant toute la durée de votre formation, vous pouvez les consulter à nouveau autant de fois que nécessaire pour approfondir vos connaissances et consolider vos acquis.*
**Le temps indiqué correspond au temps minimum estimé pour réaliser la ou les étude(s) de cas certificative, avec l'accompagnement de votre tuteur et les corrections nécessaires après ses recommandations.
Ce temps peut être jusqu'à deux fois supérieur selon vos connaissances initiales, votre rythme de travail et les ajustements nécessaires pour répondre aux exigences de la certification."
Programme
1 Coder et manipuler des données avec Python
Découverte, mise en place d'un environnement adapté et apprentissage des bases. Manipulation des données avec Pandas et Numpy, visualisations via Matplotlib et Seaborn. Utilisation d'outils d'IA générative (ChatGPT, Copilot) pour accélérer le code et l'analyse.
2 Préparer et structurer les données pour l'analyse
Nettoyage et transformation de données tabulaires (valeurs manquantes, outliers, encodage). Gestion des données non structurées : texte (TF-IDF, BERT), image (réduction), son (spectrogrammes). Construction de datasets fiables via jointures, agrégations et feature engineering.
3 Modéliser, segmenter, prédire grâce aux modèles IA
Mise en œuvre de modèles supervisés et non supervisés (régression, Random Forest, K-means). Segmentation client (clustering, RFM). Évaluation (précision, AUC, cross-validation) et optimisation (Grid Search, ensemble learning). Création de pipelines complets, du prétraitement à l'interprétation métier.
4 Explorer, analyser et visualiser les données
Analyse exploratoire (corrélations, patterns, distributions). Détection d'anomalies avec DBSCAN, Isolation Forest ou Z-score. Conception de dashboards interactifs avec Streamlit et automatisation des restitutions.
5 Industrialiser et fiabiliser un projet IA
Compréhension de l'architecture (Docker, API REST, cloud, GPU). Déploiement et orchestration de modèles en production. Gestion des biais, données déséquilibrées et optimisation continue. Finalisation d'un projet IA avec cadrage, analyse métier et validation croisée.
6 RGPD, Cybersécurité & Impact sociétal de l'IA
Respect des obligations légales (RGPD, loi REEN). Anticipation des menaces et protection des données (chiffrement, anonymisation, accès). Réduction de l'empreinte environnementale (Green AI) et intégration d'approches éthiques. Suivi des évolutions réglementaires et promotion de la responsabilité numérique.
7 Étude de faisabilité & Gestion de projet IA
Analyse de faisabilité technique et viabilité du projet. Planification en intégrant contraintes/risques. Choix des algorithmes et outils adaptés. Définition des critères de succès (tests, budget, ROI, KPI). Application des méthodes agiles (SCRUM) et analyse des usages de l'IA générative (GAN, LLMs, RAG).
8 POC, UX & Accessibilité numérique
Construction de POC et prototypes, évaluation par métriques et retours utilisateurs. Identification des besoins (personas, scénarios), priorisation des fonctionnalités. Conception UX/UI simple et ergonomique, intégrant les critères d'accessibilité (RGAA, design inclusif).
9 Communication & vulgarisation
Capacité à vulgariser l'IA auprès d'un public non technique. Usage du storytelling pour un discours clair et engageant. Création de supports visuels impactants (infographies, présentations). Définition et explication des concepts fondamentaux : types d'IA, algorithmes supervisés/non supervisés, réduction de dimensionnalité, réseaux neuronaux (CNN, RNN, transformateurs)
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.