J'ai un diplôme "Développeur en intelligence artificielle"
Je sais faire les actions suivantes :
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
OÙ SUIVRE CETTE CERTIFICATION ?
Détails du diplôme
Quelles sont les compétences que vous allez apprendre mais aussi comment l'examen va-t-il se passer ?
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
Voies d'accès à la certification :
| Voies d'accès | Composition des Jurys |
|---|---|
|
Après un parcours de formation sous statut d’élève ou d’étudiant Autorisé |
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 |
|
En contrat d’apprentissage Autorisé |
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 |
|
Après un parcours de formation continue Autorisé |
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 |
|
En contrat de professionnalisation Autorisé |
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 |
|
Par candidature individuelle Non autorisé |
|
|
Par expérience Autorisé |
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 |
Segmentation de la certification
Cette certification se compose de 4 Blocs de compétences
Les modalités d'acquisition de la certification par capitalisation des blocs de compétences et/ou par équivalence sont définies par chaque certificateur accrédité qui met en œuvre les dispositifs qu’il juge adaptés. Ces modalités peuvent être modulées en fonction du chemin d’accès à la certification : formation initiale, VAE, formation continue.
RNCP35141BC01 - Analyse exploratoire et descriptive de la donnée
- 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
RNCP35141BC02 - Apprentissage automatique ( Machine Learning ) supervisé et non supervisé
- 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
RNCP35141BC03 - Reconnaissance de formes par réseaux de neurones artificiels
- 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
RNCP35141BC04 - Développement et Gestion de projet en IA
- 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
