Concepteur Développeur en Science des Données

🎯 Objectifs de la formation

• Concevoir, développer et optimiser des solutions en science des données.
• Maîtriser les techniques de collecte, traitement, analyse et visualisation de données.
• Mettre en œuvre des algorithmes de machine learning adaptés aux besoins métiers.
• Déployer et maintenir des applications data performantes et sécurisées.

📌 Prérequis

• Niveau Bac+2 validé (informatique, statistique, mathématiques ou équivalent).
• Maîtrise des bases en programmation (Python, R ou Java).
• Connaissances fondamentales en algèbre, probabilités et statistiques.
• Une première expérience pratique en analyse ou manipulation de données est un plus.

👨‍🎓 Public visé

• Étudiants en informatique, mathématiques appliquées ou statistiques.
• Développeurs souhaitant se spécialiser en data science.
• Salariés ou demandeurs d’emploi en reconversion vers les métiers de la donnée.

🕒 Durée & modalités

• Durée indicative : 8 à 12 mois (600 à 800 heures de formation).
• Format : présentiel, distanciel ou mixte.
• Pédagogie : cours magistraux, travaux pratiques, projets et stage en entreprise.
• Certification enregistrée au RNCP (niveau 6).

💼 Débouchés

• Concepteur Développeur en science des données.
• Data Analyst / Data Engineer junior.
• Développeur en solutions data et IA appliquée.
• Consultant en exploitation de données.

Bloc 1 – Collecte et gestion des données

Objectifs

• Acquérir et préparer des données provenant de sources variées.
• Assurer la qualité, la structuration et la sécurité des données.

Contenus

• SQL avancé, bases relationnelles et NoSQL (MongoDB, Cassandra).
• ETL et pipelines de données.
• Nettoyage et normalisation des jeux de données.
• Introduction au Big Data (Hadoop, Spark).

Bloc 2 – Analyse statistique et exploration des données

Objectifs

• Analyser et interpréter des ensembles de données complexes.
• Mettre en œuvre des méthodes statistiques descriptives et inférentielles.

Contenus

• Probabilités et statistiques appliquées.
• Analyse exploratoire et tests d’hypothèses.
• Utilisation de R et Python pour l’analyse statistique.
• Data visualization (Matplotlib, Seaborn, Power BI).

Bloc 3 – Développement d’algorithmes de machine learning

Objectifs

• Mettre en œuvre des modèles de machine learning supervisés et non supervisés.
• Évaluer la pertinence et la performance des modèles.

Contenus

• Régression, classification et clustering.
• Algorithmes supervisés (régression linéaire, arbres de décision, SVM).
• Algorithmes non supervisés (k-means, ACP).
• Bibliothèques : Scikit-learn, TensorFlow, PyTorch.

Bloc 4 – Développement et industrialisation d’applications data

Objectifs

• Développer et déployer des applications exploitant la data science.
• Mettre en œuvre des bonnes pratiques de développement collaboratif.

Contenus

• API et microservices pour la data.
• Déploiement sur le cloud (AWS, Azure, GCP).
• Gestion de versions (Git, GitHub/GitLab).
• Sécurité et RGPD appliqués aux projets data.

Bloc 5 – Projet de synthèse et professionnalisation

Objectifs

• Mobiliser l’ensemble des compétences acquises en conditions réelles.
• Développer une solution data répondant à un besoin concret d’entreprise.

Contenus

• Gestion de projet agile appliquée à la data.
• Travail collaboratif et communication de résultats.
• Rédaction de documentation technique et fonctionnelle.
• Stage ou mission en entreprise.