Développeur en intelligence artificielle

Diplôme inactif Niveau | Code RNCP35141

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

Lire la suite

Prérequis

Etre titulaire d’un niveau 5, ou d’un niveau 4 avec 3 ans d’expérience professionnelle, et obtenir l’aval de la Commission Pédagogique quelle que soit la filière initiale suivie

Voie d'accès

Non accessible en contrat de formation continue, contrat de professionnalisation, contrat d'apprentissage et en reconnaissance des acquis (VAE)

Où suivre ce diplôme ?

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

Blocs de compétences

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
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
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
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

Métiers accessibles avec ce diplôme