| Niveau requis | Bac+2 |
|---|---|
| Niveau d'études visé | Bac +3 |
| Date de la prochaine session | Sept. 2026 |
| Durée de la formation en année | 1 an |
| Statut de l'école | Non renseigné |
| Formation reconnue par l'État | Oui |
| Rythme de formation | Temps plein - Alternance |
| Modalité | En présentiel |
| Prix | Non renseigné |
| Accréditation(s) | QUALIOPI |
Description
Le Bachelor 3 - Data Engineering & Développement IA (2026) d'Ynov Intelligence Artificielle & Data - Montpellier forme des experts opérationnels capables de collecter, traiter et exploiter les données grâce à l'intelligence artificielle. Au programme : maîtrise approfondie de Python et SQL, manipulation des bases de données relationnelles et NoSQL, techniques avancées de machine learning et deep learning, mathématiques appliquées à la data science, DevOps et architectures cloud. La pédagogie learning by doing privilégie les projets concrets, les hackathons et challenges 48h, avec accès aux outils professionnels (AWS, Azure, GitHub, JetBrains). Cette troisième année, proposée en alternance, développe l'autonomie, la créativité et les compétences de gestion de projet collaboratif. Les diplômés accèdent à des postes de Data Engineer Junior, Développeur IA, Data Scientist Junior ou Consultant en Business Intelligence, avec un titre RNCP niveau 6 reconnu par l'État et un taux d'employabilité de 77%.
Thématiques abordées
- Fondamentaux de la Data Engineering : bases de données, ETL, architectures big data, gestion de flux de données
- Développement IA : apprentissage automatique, deep learning, traitement du langage naturel, mise en œuvre de modèles IA
- Mathématiques appliquées et statistiques pour la data science : probabilités, algèbre linéaire, optimisation
- Outils et technologies avancées : DevOps pour la data, bases NoSQL, cloud computing, plateformes big data
- Projet professionnel et alternance : gestion de projet en équipe, applications concrètes, spécialisation Data & IA ou Data Engineering
Objectifs de la formation
- Maîtriser les principes et méthodes du data engineering pour concevoir et optimiser des pipelines de données efficaces
- Développer des modèles d’intelligence artificielle appliqués à des cas concrets en utilisant des frameworks modernes
- Analyser, nettoyer et structurer des données massives pour en extraire des insights pertinents et exploitables
- Implémenter des architectures Big Data sécurisées et scalables adaptées aux besoins des entreprises
- Collaborer en équipe pluridisciplinaire en intégrant les aspects techniques, éthiques et réglementaires liés à l’IA et aux données
