1

Modéliser les processus métiers dans une démarche d'urbanisation

• Principes, concepts, démarches et enjeux.
• La modélisation des processus.
• Lien avec la démarche d'urbanisation.
• Outils de modélisation des processus.

2

Statistiques descriptives, introduction

• Définition.
• Formalisation mathématique.
• Traitement statistique des données à une dimension.
• Variables aléatoires.
• Statistique descriptive à deux dimensions : les tableaux de contingence.
• Cas pratique : utilisation des données des participants.

3

Big data, méthodes et solutions pratiques pour l'analyse des données

• Comprendre les concepts et les enjeux du big data.
• Les technologies du big data.
• Gérer les données structurées et non structurées.
• Technique et méthodes big data analytics.
• Datavisualisation et cas d'usage concrets.
• Conclusion.

4

Démarche de gestion de la qualité des données

• Introduction.
• Définition de la qualité et cadre méthodologique.
• Démarche gestion de la qualité des données.
• Contrôle qualité et bonnes pratiques.
• Suivi opérationnel de la qualité des données.
• Hausser le niveau de la qualité.

5

Modélisation statistique, l'essentiel

• Rappels des fondamentaux de la statistique descriptive.
• Démarche et modélisation d'une analyse statistique.
• Paramètre de position et de dispersion.
• Tests et intervalle de confiance.
• Panorama des outils.

6

Data Analytics avec Python

• Introduction à la modélisation.
• Procédures d'évaluation de modèles.
• Les algorithmes supervisés.
• Les algorithmes non supervisés.
• Analyse en composantes.
• Analyse de données textuelles.

7

Machine learning, méthodes et solutions

• Introduction au machine learning.
• Procédures d'évaluation de modèles.
• Les modèles prédictifs, l'approche fréquentiste.
• Les modèles et apprentissages bayésiens.
• Machine learning en production.

8

Data mining par la pratique

• Le projet de data mining.
• Les techniques de l’approche data mining.
• Les outils statistiques.
• La visualisation des données.
• Analyse de données qualitatives et textuelles.

9

Text mining par la pratique

• Les approches traditionnelles en text mining.
• Feature Engineering pour la représentation de texte.
• La similarité des textes et classification non supervisée.
• La classification supervisée du texte.
• Natural Language Processing et deep learning.

10

Deep learning par la pratique

• Introduction.
• Introduction aux réseaux de neurones artificiels.
• Entraînement de réseaux de neurones profonds.
• Réseaux de neurones convolutifs.
• Deep learning avec Keras.
• Réseaux de neurones récurrents.
• Autoencodeurs.