Développeur en intelligence artificielle
Présentation
- Bloc 1 : Analyse exploratoire et descriptive de la donnée
- Acquisition et écriture de données
- Conception de représentations graphiques
- Bloc 2 Apprentissage automatique (Machine Learning) supervisé et non supervisé
- Préparation, transformation et génération de données
- Entrainement de modèles d'apprentissages supervisés ou non supervisés
- Amélioration des capacités prédictives
- Mise en production de modèles d'apprentissage
- Adoption d'une démarche d'amélioration continue
- Bloc 3 Reconnaissance de formes par réseaux de neurones artificiels
- Conversion de données entrantes
- Maîtrise des différentes architectures
- Utilisation de réseaux de neurones
- Bloc 4 Développement et Gestion de projet en IA
- Analyse et formulation de problématique
- Planification de projet
- Communication transversale, ascendante et descendante
Compétences attestées
- C1 Acquérir des données à partir de sources adaptées, fournies par le client ou accessibles en Open Data afin d'agrémenter la base de données
- C2 Écrire des requêtes pour l'interrogation de la base de données et les composants d'accès aux données
- C3 Effectuer des analyses exploratoires afin d'appréhender la composition interne des données
- C4 Concevoir une représentation graphique adaptée afin de visualiser les relations entre les données
- C5 Préparer des données en vue de l'apprentissage afin que celles-ci soient nettoyées
- C6 Transformer des données d'entrée afin de satisfaire les contraintes inhérentes au modèle (Preprocessing)
- C7 Générer des données d'entrée afin de satisfaire les contraintes inhérentes au modèle (Feature Engineering)
- C8 Maîtriser les différents algorithmes d'apprentissage afin d'apporter une réponse adaptée à une problématique de l'organisation
- C9 Entraîner un modèle d'apprentissage supervisé pour optimiser une fonction de prédiction à partir d'exemples annotés
- C10 Entraîner un modèle d'apprentissage non supervisé pour détecter des structures sous-jacentes à partir de données non étiquetées
- C11 Améliorer les capacités prédictives d'un système en sélectionnant un modèle différent ou en modifiant ses hyperparamètres en vue de corriger des erreurs (hyperparameter tunnig)
- C12 Mettre en production le modèle d'apprentissage supervisé ou non supervisé obtenu sous la forme d'une API
- C13 Adopter une démarche d’amélioration continue en identifiant les axes de perfectionnement d’un produit à l’aide d’une méthode adaptée de manière à améliorer la performance du produit
- C14 Convertir les données entrantes (images et texte par exemple) en données adaptées pour un réseau de neurones
- C15 Maîtriser les différentes architectures de réseau de neurones : convolutifs pour les images & récurrents pour les séries temporelles et les modèles de traitement automatique du langage (NLP) pour le texte
- C16 Utiliser un réseau de neurones convolutifs pour étiqueter des images
- C17 Utiliser un réseau de neurones pour comprendre l'intention d'une phrase en langage naturel
- C18 Analyser et formuler une problématique métier du point de vue de l'analyste de données
- C19 Planification des actions à mettre en œuvre
- C20 Mobiliser les ressources nécessaires pour mener à bien le projet en respectant les délais
- C21 Recommander des actions à sa hiérarchie et rendre compte de ses résultats
Blocs de compétences (4)
Analyse exploratoire et descriptive de la donnée RNCP35141BC01
Compétences
- C1 Acquérir des données à partir de sources adaptées, fournies par le client ou accessibles en Open Data afin d'agrémenter la base de données
- C2 Écrire des requêtes pour l'interrogation de la base de données et les composants d'accès aux données
- C3 Effectuer des analyses exploratoires afin d'appréhender la composition interne des données
- C4 Concevoir une représentation graphique adaptée afin de visualiser les relations entre les données
Modalités d'évaluation
Un cas pratique d'étude d'un jeu de données sur une problématique métier avec remise d'un notebook, production d'un dossier et présentation orale devant un jury de professionnels. Pour le bloc 1 le candidat devra charger les données à partir d'une API, d'un fichier ou d'une base de données relationnelle, commenter la distribution d'un jeu de données et identifier d'éventuelles corrélations, et dessiner des graphiques représentatifs des données
Apprentissage automatique ( Machine Learning ) supervisé et non supervisé RNCP35141BC02
Compétences
- C5 Préparer des données en vue de l'apprentissage afin que celles-ci soient nettoyées
- C6 Transformer des données d'entrée afin de satisfaire les contraintes inhérentes au modèle (Preprocessing)
- C7 Générer des données d'entrée afin de satisfaire les contraintes inhérentes au modèle (Feature Engineering)
- C8 Maîtriser les différents algorithmes d'apprentissage afin d'apporter une réponse adaptée à une problématique d’une organisation (entreprise, laboratoire, etc.)
- C9 Entraîner un modèle d'apprentissage supervisé pour optimiser une fonction de prédiction à partir d'exemples annotés
- C10 Entraîner un modèle d'apprentissage non supervisé pour détecter des structures sous-jacentes à partir de données non étiquetées
- C11 Améliorer les capacités prédictives d'un système en sélectionnant un modèle différent ou en modifiant ses hyperparamètres en vue de corriger des erreurs (hyperparameter tuning)
- C12 Mettre en production le modèle d'apprentissage supervisé ou non supervisé obtenu sous la forme d'une API
- C13 Adopter une démarche d’amélioration continue en identifiant les axes de perfectionnement d’un produit à l’aide d’une méthode adaptée de manière à améliorer la performance du produit
Modalités d'évaluation
Un cas pratique d'étude d'un jeu de données sur une problématique métier avec remise d'un notebook, production d'un dossier et présentation orale devant un jury de professionnels. Pour le bloc 2 le candidat devra traiter les valeurs manquantes ou aberrantes, adapter une transformation des données en fonction de leur nature, construire de nouvelles données pertinentes à partir des données initiales, tester plusieurs modèles et choisir le meilleur, déployer le modèle en production et être capable de corriger/adapter le modèle.
Reconnaissance de formes par réseaux de neurones artificiels RNCP35141BC03
Compétences
- C14 Convertir les données entrantes (images et texte par exemple) en données adaptées pour un réseau de neurones
- C15 Maîtriser les différentes architectures de réseau de neurones : convolutifs pour les images & récurrents pour les séries temporelles et les modèles de traitement automatique du langage (NLP) pour le texte
- C16 Utiliser un réseau de neurones convolutifs pour étiqueter des images
- C17 Utiliser un réseau de neurones pour comprendre l'intention d'une phrase en langage naturel
Modalités d'évaluation
Un cas pratique d'étude d'un jeu de données sur une problématique métier avec remise d'un notebook, production d'un dossier et présentation orale devant un jury de professionnels. Pour le bloc 3 le candidat devra utiliser un réseau de neurones pour étiqueter des images et pour comprendre l'intention d'une phrase.
Développement et Gestion de projet en IA RNCP35141BC04
Compétences
- C19 Planifier des actions à mettre en œuvre
- C20 Mobiliser les ressources nécessaires pour mener à bien le projet en respectant les délais
- C21 Recommander des actions à sa hiérarchie et rendre compte de ses résultats
Modalités d'évaluation
Etude d'un cas pratique, production d'un dossier et présentation orale devant un jury de professionnels. Pour le bloc 4 le candidat devra analyser et formuler une problématique en fonction du public, constituer une équipe projet adaptée, planifier son projet et rendre compte à sa hiérarchie en utilisant le vocabulaire adapté.
Voies d'accès
- Après un parcours de formation sous statut d’élève ou d’étudiant
- Par expérience
- En contrat de professionnalisation
- En contrat d’apprentissage
- Après un parcours de formation continue
Emplois accessibles
Développeur en IA
Secteurs d'activité
Tous secteurs d’activité (banques et assurances, secteur public, opérateurs de télécommunication,conseil, …) et notamment intégrateurs, ESN et grandes entreprises.
Composition des jurys
Deux professionnels avec une expérience avérée de 2 ans dans le domaine de la Data Science. Un professeur encadrant du Wagon. Pourcentage de membres extérieurs à l’autorité délivrant la certification dont professionnels qualifiés : 66% d’entre eux sont extérieurs à l’autorité délivrant la certification
Deux professionnels avec une expérience avérée de 2 ans dans le domaine de la Data Science. Un professeur encadrant du Wagon. Pourcentage de membres extérieurs à l’autorité délivrant la certification dont professionnels qualifiés : 66% d’entre eux sont extérieurs à l’autorité délivrant la certification
Deux professionnels avec une expérience avérée de 2 ans dans le domaine de la Data Science. Un professeur encadrant du Wagon. Pourcentage de membres extérieurs à l’autorité délivrant la certification dont professionnels qualifiés : 66% d’entre eux sont extérieurs à l’autorité délivrant la certification
Deux professionnels avec une expérience avérée de 2 ans dans le domaine de la Data Science. Un professeur encadrant du Wagon. Pourcentage de membres extérieurs à l’autorité délivrant la certification dont professionnels qualifiés : 66% d’entre eux sont extérieurs à l’autorité délivrant la certification
Deux professionnels avec une expérience avérée de 2 ans dans le domaine de la Data Science. Un professeur encadrant du Wagon. Pourcentage de membres extérieurs à l’autorité délivrant la certification dont professionnels qualifiés : 66% d’entre eux sont extérieurs à l’autorité délivrant la certification
Métiers visés (codes ROME)
Informations générales
- Code
- RNCP35141
- Type d'enregistrement
- Enregistrement sur demande
- Date de décision
- 15/12/2020
- Date d'effet
- —
- Fin d'enregistrement
- 16/12/2023