| Durée de la formation en année | 1 an |
|---|---|
| Statut de l'école | Non renseigné |
| Rythme de formation | Temps plein |
| Modalité | En présentiel |
| Prix | Non renseigné |
Description
L'École privée des sciences informatiques - campus Auxerre propose une formation de développeur en intelligence artificielle et Data Science qui forme des professionnels capables de concevoir, développer et déployer des solutions intelligentes. Au programme : maîtrise des langages Python et R, apprentissage automatique (machine learning et deep learning), traitement et analyse de données massives, développement d'algorithmes prédictifs et mise en œuvre de réseaux de neurones. Les étudiants développent des compétences techniques avancées en programmation, méthodologies de projet data, visualisation de données et optimisation d'algorithmes. Ils acquièrent également une expertise en bases de données, cloud computing et outils de déploiement d'IA. Cette formation polyvalente prépare aux métiers de data scientist, ingénieur en intelligence artificielle, développeur machine learning, consultant en transformation digitale ou chef de projet IA dans des secteurs variés comme la finance, la santé, l'e-commerce ou l'industrie 4.0.
Thématiques abordées
- Fondamentaux de la programmation et algorithmie pour l'IA
- Mathématiques appliquées : statistiques, probabilités et calcul matriciel
- Apprentissage automatique et Deep Learning : techniques et outils
- Traitement des données : collecte, nettoyage, visualisation et bases de données
- Projets pratiques en intelligence artificielle et exploitation des données
Objectifs de la formation
- Maîtriser les algorithmes et techniques d’intelligence artificielle appliquées à la Data Science
- Développer des compétences avancées en programmation Python et bibliothèques dédiées (TensorFlow, PyTorch)
- Acquérir la capacité à collecter, traiter et analyser des données massives pour en extraire des insights pertinents
- Concevoir et déployer des modèles prédictifs robustes en environnement réel
- Évaluer la performance des modèles et optimiser leurs paramètres pour améliorer la prise de décision