Investir https://validator.w3.org/feed/docs/rss2.html Data Analysis & Data Science : SQL, Python, Power BI, Machine Learning et Deep Learning Maîtrise IA : Intelligence artificielle, agents IA et automatisation Accueil Formations Data Analysis & Data Science : SQL, Python, Power BI, Machine Learning et Deep Learning Maîtrise IA : Intelligence artificielle, agents IA et automatisation 64) Dashboard, interprétation, documentation et présentation 62) Cadrage du projet final et choix du cas 63) Réalisation : de la collecte au modèle 61) Biais, éthique, confidentialité et RGPD 59) Versionnement, reproductibilité et déploiement 60) Monitoring, dérive et maintenance des modèles 58) Orchestration et introduction au cloud 56) APIs, JSON et ingestion de données externes 57) Data warehouse, data lake et architecture analytique 55) ETL, ELT et zones de préparation 54) Transformers, LLM et articulation avec la formation IA 53) NLP : du sac de mots aux embeddings 51) Neurones, réseaux, fonctions d’activation et rétropropagation 52) TensorFlow ou PyTorch : premiers pas 49) Réduction de dimension et détection d’anomalies 50) Séries temporelles : tendance, saisonnalité et prévision 48) Clustering et K-means 47) Mini-projet 4 — Modèle prédictif évalué de bout en bout 46) Feature engineering et pipelines scikit-learn 44) Train/test, validation croisée, sur-apprentissage et sous-apprentissage 45) Métriques de classification et de régression 43) KNN, SVM et sélection d’algorithme avec scikit-learn 41) Régression linéaire et régression logistique 42) Arbres, forêts aléatoires et gradient boosting 40) Principes du machine learning supervisé 39) Mini-projet 3 — Tableau de bord décisionnel complet 37) DAX intermédiaire : contexte de filtre, CALCULATE et analyse temporelle 38) Dashboards, KPI et reporting de direction 35) Import, Power Query et modèle relationnel dans Power BI 36) Colonnes calculées, mesures et introduction à DAX 34) Visualisation : choix du graphique et storytelling 32) Encodage, typage et transformation de variables 33) Analyse exploratoire : méthode et lecture 31) Valeurs manquantes, doublons et valeurs aberrantes 29) pandas : DataFrames, sélection, agrégation et jointures 30) Mini-projet 2 — Pipeline de préparation de données en Python 28) NumPy et calcul vectorisé 26) Syntaxe Python et structures de données 27) Fonctions, modules et gestion des fichiers 24) Modèle dimensionnel, schéma en étoile, faits et dimensions 25) Historisation et dimensions à évolution lente 23) Clés, intégrité et normalisation 22) Entités, attributs, associations et cardinalités 20) Sous-requêtes, CTE, vues et fonctions de fenêtre