Numérique & IA
Formation Machine Learning Engineer – déploiement de modèles IA en production
Proposée par DataScientest
- Durée
- 700 h sur 22 semaines
- Lieu
- À distance
- Format
- Distanciel
- Niveau
- Tout public
Ce que vous allez apprendre
Vous voulez mettre en production des modèles de machine learning fiables et scalables ? Cette formation vous prépare au métier de Machine Learning Engineer, avec Python, Docker, Kubernetes et AWS, sur 22 semaines à temps plein ou 18 mois à temps partiel.
À l'issue de la formation, vous serez capable de
- Mesurer l’apport de l’intelligence artificielle dans la stratégie du système d’information de l’entreprise
- Piloter un projet d’intelligence artificielle
- Élaborer et mettre en production des modèles et algorithmes d’analyse, de gestion et de traitement de la donnée
- Déployer des modèles de machine learning fiables en production à l’échelle
- Intégrer des modèles dans des API et des conteneurs Docker, puis les déployer sur Kubernetes et AWS
Programme
Acculturation Data
- Découvrir les métiers de la Data et leurs rôles
- Comprendre comment gérer une équipe Data efficacement
- Définir les termes clés les plus utilisés dans le domaine
- Explorer les sources de données et bases de données disponibles
- Comprendre les méthodes de stockage et gouvernance des données
- Optimiser l’exploitation des bases relationnelles
- Découvrir la librairie Pandas pour la manipulation des données
- Charger et explorer un jeu de données
- Travailler avec des DataFrames et effectuer des manipulations
- Initier aux variables et types de données
- Introduire les fonctions et les boucles en Python
Data Product Management
- Comprendre les enjeux d’un projet Data
- Explorer les modèles de gestion de projet les plus adaptés
- Apprendre à gérer le changement dans un projet Data
- Découvrir la méthodologie agile et ses principes
- Utiliser les outils et méthodes agiles appliqués à la Data
- Comprendre l’impact de l’agilité au sein d’une entreprise
- Élaborer une product strategy adaptée aux projets Data
- Explorer le product discovery pour identifier les besoins utilisateurs
- Mettre en place une product delivery efficace et itérative
Chefferie de projet
- Rédiger des prompts efficaces (zero-shot, few-shot, CoT)
- Structurer un prompt: contexte, instruction, format
- Itérer et optimiser selon les résultats
- Adapter les prompts selon le LLM utilisé
- Approfondir la product strategy pour structurer le développement du produit
- Optimiser le product discovery en testant et validant les hypothèses produit
- Finaliser le product delivery en assurant une mise en production efficace
Fondamentaux Python
- Explorer les variables, listes et tuples en Python
- Comprendre le concept de boucles et leurs différentes utilisations
- Découvrir les fonctions et apprendre à utiliser la documentation
- S’initier à l’instanciation de classes et à l’utilisation de modules
- Créer et manipuler un NumPy Array
- Appliquer des opérations matricielles sur les tableaux NumPy
- Générer des indicateurs statistiques à partir des opérations NumPy
- Comprendre les principes essentiels de la Data Quality (optionnel)
- Apprendre à traiter les variables numériques et textuelles (optionnel)
- Effectuer des tâches de nettoyage et de gestion des valeurs manquantes (optionnel)
Data Visualisation
- Présenter les principaux types de graphiques: courbes, nuages de points, histogrammes
- Introduire la personnalisation des graphiques
- Maîtriser l’analyse des distributions pour comprendre la répartition des données
- Initier l’analyse multivariée pour explorer les relations entre plusieurs variables
- Créer des graphiques interactifs intégrables sur des pages Web (optionnel)
- Découvrir et utiliser des Widgets pour la visualisation dynamique (optionnel)
Outils de programmation
- Introduire le système de contrôle de version Git et son utilité
- Initialiser et configurer un dépôt Git
- Présenter les concepts essentiels: branches, tags et merge
- Découvrir la plateforme GitHub et ses fonctionnalités principales
- Expliquer les outils collaboratifs: fork, pull request et issues
- Utiliser les GitHub Actions pour automatiser certaines tâches
- Présenter les systèmes Linux et leurs principaux usages
- Prendre en main un terminal et comprendre son fonctionnement
- Mettre en place des scripts Bash pour automatiser des tâches
- Mettre en place des tests unitaires avec Pytest (optionnel)
- Introduire les tests d’intégration et expliquer leurs fonctions (optionnel)
- Présenter les avantages des tests dans le développement (optionnel)
- Intégrer des tests unitaires dans un environnement de développement (optionnel)
- Découvrir les outils Cloud proposés par AWS
- Se familiariser avec les fonctionnalités clés d’AWS Cloud
- Préparer la certification AWS Cloud Practitioner
Voir tout le programme
Machine Learning I & II
- Introduire la librairie Scikit-learn et ses principales fonctionnalités
- Présenter les algorithmes classiques: régression logistique, KNN, SVM
- Explorer les techniques de bagging et boosting pour améliorer la performance des modèles
- Mettre en place des modèles de régression linéaire simple et multiple
- Découvrir la régression linéaire régularisée pour éviter le sur-apprentissage
- Machine Learning III
- Machine Learning IV
- Deep Learning
- LLMs
- Data Engineering
- Fondamentaux du MLOps
- Isolation et Réglementation
- Architecture
- Expérimentation et Versioning
- Pipeline
- Serving
- Monitoring
- Qualité
- Scaling
- Production
Questions fréquentes
Combien de temps dure la formation ?
La formation dure 22 semaines en rythme bootcamp (temps plein) ou 18 mois en temps partiel, pour un total de plus de 700 heures.
Comment se déroule la formation ?
Elle est 100 % en ligne : vous alternez entre des périodes d’apprentissage sur une plateforme interactive et des masterclasses en visioconférence animées par des experts, plusieurs fois par semaine.
À qui s’adresse cette formation ?
Elle prépare au métier de Machine Learning Engineer ou d’ingénieur MLOps. Aucun prérequis n’est mentionné sur la page.
Peut-on la financer avec le CPF ?
Oui, elle est indiquée comme éligible au CPF. Le centre vous précise la prise en charge selon votre situation.
Comment payer cette formation ?
- Avec votre CPFCette formation est éligible : vous pouvez la payer avec votre compte personnel de formation. 150 € restent à votre charge, sauf si votre employeur ou France Travail complète.
- Si vous cherchez un emploiFrance Travail peut financer tout ou partie de la formation avec l’aide individuelle à la formation (AIF), si elle vous aide à retrouver un poste.
- Si vous êtes salarié(e)Votre employeur peut la prendre en charge dans son plan de formation, souvent avec l’aide de son OPCO.

DataScientest
Liora, anciennement DataScientest, forme aux métiers de la tech pour les particuliers, les étudiants en alternance et les entreprises. Ses parcours, notamment dans la data, le machine learning et la cybersécurité, se suivent en bootcamp ou à distance avec des formateurs experts.
Découvrir le centreChez DataScientest, aussi

Éligible CPF
Formations similaires
Éligible CPF
Éligible CPF