1 – Le déluge des données et comment en tirer parti

• L’émergence de nouvelles sources de données
• De nouvelles technologies pour maîtriser ce volume
• Le modèle des grands du web

2 – Définitions et cas d’usage métier

• Définitions
• La donnée comme avantage concurrentiel
• Exemples de cas d’usage industriels

3 – Méthodologie d’analyse de données

• Le processus CRISP-DM
• Une approche itérative expérimentale
• Des compétences clés à maîtriser

4 – Préparation de la donnée

• Collecte de la donnée
• Une qualité de données souvent insuffisante
• Stockage de la donnée (Data Warehouse et Data Lake)
• Gouvernance & RGPD

5 – Infrastructure et outils informatiques

• Boîte à outils data
• Une infrastructure orientée données et usages
• Les solutions cloud

6 – Rappels de statistiques et probabilités

• Notions de base
• Corrélation vs. Causalité

7 – Modélisation, algorithmes, évaluation

• Les différentes problématiques du Machine Learning
• Démarche Data Science dans un cadre supervisé
• Algorithmes classiques dans un cadre supervisé
• Apprentissage non supervisé

8 – Data Visualisation

• Pourquoi visualiser ?
• Comment visualiser ?
• Outils et technologies

9 – Démarche projet

• Démarche globale
• Proof-of-Concept
• Industrialisation
• Mettre un modèle en production

10 – Réussir sa transformation par la donnée

• Une organisation pour innover par la donnée
• Data Lab
• Recrutement
• Facteurs de succès