Expert en sciences des données (MS)

Diplôme actif Niveau | Code RNCP35197

Bloc de compétences 1 : Modéliser les données massives d'une structure C1.1. Maitriser les outils d’analyse pour décrire les données en tenant compte du contexte. C1.2. Identifier l’outil de modélisation statistique en fonction du type de donnée, structurée ou non structurée, afin de la traiter. C1.3. Effectuer l’analyse exploratoire et la description des masses de données au travers d’une méthode statistique pour déterminer les problématiques de description, de projection, de visualisation et de regroupement des données en catégories homogènes. C2.1. Sélectionner une méthodologie de traitement statistique au regard du problème posé, du type de donnée pour la modéliser. C2.2. Concevoir et réaliser un prototype du modèle à partir de logiciels de programmation haut niveau pour montrer la faisabilité et la pertinence du modèle. C2.3. Evaluer la performance du modèle au regard des contraintes de mise en production pour le mettre en œuvre. Bloc de compétences 2 : Collecter, structurer et traiter les données d'une structure C1.1. Maitriser et utiliser les outils d’interrogation des bases de données pour extraire et collecter les données. C1.2. Concevoir un système d’ingénierie de données en définissant une approche méthodologique de collecte, de stockage et d’interrogation pour l’analyse de masse de données réelles. C2.1. Elaborer et mettre en place une stratégie de traitement distribué en ligne ou hors ligne de la donnée structurée et non structurée par un langage de programmation fonctionnel afin de les exploiter. C2.2. Développer des implémentations au regard des données à traiter pour cadrer les algorithmes et performances prédictives. C3.1. Analyser les retours pour mettre à jour l’exploitation et le stockage des données. C3.2. Repérer le type de problème rencontré, d’apprentissage ou de fouille de données, en utilisant des algorithmes d’optimisation pour le résoudre. Bloc de compétences 3 : Concevoir une stratégie de valorisation de la donnée C1.1. Maîtriser les fonctionnalités d’une architecture informatique robuste pour le stockage et le traitement distribué des données. C1.2. Traduire un problème business en problème mathématiques/statistiques afin de définir une stratégie de valorisation des données pour exploiter les informations décisionnelles de la structure. C1.3. Concevoir une stratégie de valorisation des données en proposant des « entrepôts de données » tenant compte de l’écosystème économique, réglementaire et des contraintes de sécurité liées au traitement des données. C.2.1 Formuler et présenter des analyses statistiques décisionnels à viser des différents services de la structure pour les accompagner dans leur prise de décision. C.2.2 Communiquer sur le potentiel des outils innovants de représentation, de modélisation et de visualisation pour contribuer à la plus-value et la prise de décisions utiles à la structure. C.2.3 Dimensionner les actions du projet en définissant les choix techniques et méthodologiques des interventions pour évaluer et planifier les ressources techniques, budgétaires et humaines. C.2.4 Communiquer sur la stratégie de valorisation des données de la structure pour sensibiliser les acteurs, accompagner au changement et améliorer le fonctionnement interne.

Lire la suite

Prérequis

Les conditions d’admission sont fixées par la CGE dans le cadre de Mastère Spécialisé labélisé. Sont donc recevables les candidatures de titulaires d’un des diplômes suivants : ▪ Diplôme d’ingénieur habilité par la Commission des Titres d’Ingénieur (liste CTI), ▪ Diplôme d’une école de management habilitée à délivrer le grade national de Master (liste CEFDG), ▪ Diplôme de 3ème cycle habilité par les autorités universitaires (DEA, DESS, Master…) ou diplôme professionnel de niveau BAC + 5, ▪ Diplôme de M1 ou équivalent, pour des auditeurs justifiant d’aux moins trois années d’expérience professionnelle, ▪ Titre inscrit au RNCP niveau 7, ▪ Diplôme étranger équivalent aux diplômes français exigés ci-dessus dans les domaines des mathématiques, de l’informatique et du traitement de l’information. Par dérogation, pour 30 % maximum du nombre d’étudiants suivant la formation MASTERE SPECIALISE® concernée : ▪ Niveau M1 validé ou équivalent sans expérience professionnelle, ▪ Diplôme de L3 justifiant d’une expérience adaptée de 3 ans minimum, ▪ VAP, Valorisation des Acquis Professionnels (10 % maximum de l’effectif de la formation).

Voir plus

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

  • Bloc de compétences 1 : Modéliser les données massives d'une structure C1.1.
  • Maitriser les outils d’analyse pour décrire les données en tenant compte du contexte.
  • C1.2.
  • Identifier l’outil de modélisation statistique en fonction du type de donnée, structurée ou non structurée, afin de la traiter.
  • C1.3.
  • Effectuer l’analyse exploratoire et la description des masses de données au travers d’une méthode statistique pour déterminer les problématiques de description, de projection, de visualisation et de regroupement des données en catégories homogènes.
  • C2.1.
  • Sélectionner une méthodologie de traitement statistique au regard du problème posé, du type de donnée pour la modéliser.
  • C2.2.
  • Concevoir et réaliser un prototype du modèle à partir de logiciels de programmation haut niveau pour montrer la faisabilité et la pertinence du modèle.
  • C2.3.
  • Evaluer la performance du modèle au regard des contraintes de mise en production pour le mettre en œuvre.
  • Bloc de compétences 2 : Collecter, structurer et traiter les données d'une structure C1.1.
  • Maitriser et utiliser les outils d’interrogation des bases de données pour extraire et collecter les données.
  • C1.2.
  • Concevoir un système d’ingénierie de données en définissant une approche méthodologique de collecte, de stockage et d’interrogation pour l’analyse de masse de données réelles.
  • C2.1.
  • Elaborer et mettre en place une stratégie de traitement distribué en ligne ou hors ligne de la donnée structurée et non structurée par un langage de programmation fonctionnel afin de les exploiter.
  • C2.2.
  • Développer des implémentations au regard des données à traiter pour cadrer les algorithmes et performances prédictives.
  • C3.1.
  • Analyser les retours pour mettre à jour l’exploitation et le stockage des données.
  • C3.2.
  • Repérer le type de problème rencontré, d’apprentissage ou de fouille de données, en utilisant des algorithmes d’optimisation pour le résoudre.
  • Bloc de compétences 3 : Concevoir une stratégie de valorisation de la donnée C1.1.
  • Maîtriser les fonctionnalités d’une architecture informatique robuste pour le stockage et le traitement distribué des données.
  • C1.2.
  • Traduire un problème business en problème mathématiques/statistiques afin de définir une stratégie de valorisation des données pour exploiter les informations décisionnelles de la structure.
  • C1.3.
  • Concevoir une stratégie de valorisation des données en proposant des « entrepôts de données » tenant compte de l’écosystème économique, réglementaire et des contraintes de sécurité liées au traitement des données.
  • C.2.1 Formuler et présenter des analyses statistiques décisionnels à viser des différents services de la structure pour les accompagner dans leur prise de décision.
  • C.2.2 Communiquer sur le potentiel des outils innovants de représentation, de modélisation et de visualisation pour contribuer à la plus-value et la prise de décisions utiles à la structure.
  • C.2.3 Dimensionner les actions du projet en définissant les choix techniques et méthodologiques des interventions pour évaluer et planifier les ressources techniques, budgétaires et humaines.
  • C.2.4 Communiquer sur la stratégie de valorisation des données de la structure pour sensibiliser les acteurs, accompagner au changement et améliorer le fonctionnement interne.

Blocs de compétences

  • C1.1.
  • Maîtriser les fonctionnalités d’une architecture informatique robuste pour le stockage et le traitement distribué des données.
  • C1.2.
  • Traduire un problème business en problème mathématiques/statistiques afin de définir une stratégie de valorisation des données pour exploiter les informations décisionnelles de la structure.
  • C1.3.
  • Concevoir une stratégie de valorisation des données en proposant des « entrepôts de données » tenant compte de l’écosystème économique, réglementaire et des contraintes de sécurité liées au traitement des données.
  • C.2.1 Formuler et présenter des analyses statistiques décisionnels à viser des différents services de la structure pour les accompagner dans leur prise de décision.
  • C.2.2 Communiquer sur le potentiel des outils innovants de représentation, de modélisation et de visualisation pour contribuer à la plus-value et la prise de décisions utiles à la structure.
  • C.2.3 Dimensionner les actions du projet en définissant les choix techniques et méthodologiques des interventions pour évaluer et planifier les ressources techniques, budgétaires et humaines.
  • C.2.4 Communiquer sur la stratégie de valorisation des données de la structure pour sensibiliser les acteurs, accompagner au changement et améliorer le fonctionnement interne.
  • C1.1.
  • Maitriser et utiliser les outils d’interrogation des bases de données pour extraire et collecter les données.
  • C1.2.
  • Concevoir un système d’ingénierie de données en définissant une approche méthodologique de collecte, de stockage et d’interrogation pour l’analyse de masse de données réelles.
  • C2.1.
  • Elaborer et mettre en place une stratégie de traitement distribué en ligne ou hors ligne de la donnée structurée et non structurée par un langage de programmation fonctionnel afin de les exploiter.
  • C2.2.
  • Développer des implémentations au regard des données à traiter pour cadrer les algorithmes et performances prédictives.
  • C3.1.
  • Analyser les retours pour mettre à jour l’exploitation et le stockage des données.
  • C3.2.
  • Repérer le type de problème rencontré, d’apprentissage ou de fouille de données, en utilisant des algorithmes d’optimisation pour le résoudre.
  • C1.1.
  • Maitriser les outils d’analyse pour décrire les données en tenant compte du contexte.
  • C1.2.
  • Identifier l’outil de modélisation statistique en fonction du type de donnée, structurée ou non structurée, afin de la traiter.
  • C1.3.
  • Effectuer l’analyse exploratoire et la description des masses de données au travers d’une méthode statistique pour déterminer les problématiques de description, de projection, de visualisation et de regroupement des données en catégories homogènes.
  • C2.1.
  • Sélectionner une méthodologie de traitement statistique au regard du problème posé, du type de donnée pour la modéliser.
  • C2.2.
  • Concevoir et réaliser un prototype du modèle à partir de logiciels de programmation haut niveau pour montrer la faisabilité et la pertinence du modèle.
  • C2.3.
  • Evaluer la performance du modèle au regard des contraintes de mise en production pour le mettre en œuvre.

Métiers accessibles avec ce diplôme