Machine Learning Engineer - Bootcamp

PROGRAMME DE LA FORMATION

Branche 1 - Basics "La Piscine" (100h)
Homogénéiser l’ensemble des compétences à travers une remise à niveau intensive en mathématiques, informatique et en programmation.

Linus & Bash
* Connaître l’origine des OS et en particulier de Linux
* Utiliser la ligne de commande et être autonome
* Maîtrise du langage Shell
* Travailler en remote

Git
* Théorie
* Connaissance et maîtrise des commandes usuelles
* Connaître les principales guidelines

Python Avancé
* Principe de la programmation orientée objet sous Python
* Apprendre à correctement architecturer son code (packaging)
* Les conventions python (PEP), Clean Code et bonnes pratiques de développement

Algèbres, Probabilités, Statistiques Bayésiennes
* Rappels d’algèbre linéaire, de statistiques et de probabilités
* Statistiques Bayésienne pour le Machine Learning
* Modélisation Bayésienne et apprentissage par représentation
* Méthodes d'échantillonnage Monte Carlo

SQL
* Fondamentaux Database Management
* Langage SQL : les fondamentaux
* SQL avancé

Introduction à l'architecture
* Les composants d’un ordinateur
* Data Storage & Memory
* Multi-threading vs. Multi-processing ü Sécurité & Réseau
* Concept de Solution Architect

Branche 2 - Data Science (215h)
Maitriser les fondamentaux théoriques de la data science, des algorithmes de Machine Learning classiques jusqu’à l’état de l’art en Deep Learning (Computer Vision et NLP) sans oublier comment rendre les modèles intelligibles.

Machine Learning
* Data Exploration, Data Cleaning & Feature Engineering
* Techniques de réduction de dimension
* Savoir mener un projet de machine learning de bout en bout, du cleaning à l’optimisation du modèle
* Maîtriser la mise en œuvre et les concepts théoriques des algorithmes en apprentissage supervisé et non supervisé
* Savoir mettre en œuvre des techniques d’intelligibilité des modèles de machine learning
* Adopter l’approche de développement façon Pipeline

Deep Learning
* Introduction au Deep Learning
* Comprendre les formats d’entrées/sorties des réseaux de neurones et savoir entraîner un réseau
* Réseaux de neurones à convolutions et récurrents
* Connaître les différents cas d’application des réseaux convolutionnels et réseaux récurrents
* Utilisation et comparaison des frameworks : TensorFlow vs. Pytorch

NLP & NLU
* Comprendre ce qu’est le NLP
* Être capable d’implémenter un pipeline de NLP, depuis le preprocessing jusqu’à la modélisation
* Être capable d’implémenter les méthodes de représentation vectorielle de texte
* Connaître et savoir manipuler les librairies utilisées en NLP, ainsi que les implémentations des différents algorithmes
* Être capable de faire le lien entre ces méthodes et les cas d’applications classiques du NLP : classification de texte, extraction d’information, Natural Language Understanding

+ 2 projets à réaliser

Branche 3 - Engineering (150h)
Maitriser l’ensemble des outils technologiques et des bonnes pratiques de développement logiciel afin d’adresser les problématiques d’industrialisation et de gestion de cycle de vie des modèles.

DevOps for Data Science
* Développer de manière collaborative dans un projet agile
* Ecrire des tests unitaires en Python
* Utiliser un orchestrateur (pratique: gitlab-ci) pour automatiser l’exécution des tests (CI) et le déploiement du code (CD)
* Construire et déployer une image docker
* Principe et utilisation de Airflow
* Programmer un traitement de données automatisé
* Principe et utilisation de Kubernetes

Cloud Computing & Big Data Processing
* Introduction, Compute & Storage
* Data Stores, Big Data & Analytics
* Machine Learning Engineering
* Principe du NoSQL et Big Data
* Spark et autres frameworks de calculs distribués (Dask)

MLOps & Gestion du cycle de vie des modèles
* Introduction au cycle de vie
* Outillage
* Focus sur le framework MLflow
* Mesure de la dérive des données

+ 1 projet à réaliser

Branche 4 - Soft Skills (35h)
Être sensibilisé·e aux enjeux et défis actuels de la data et de son écosystème. Comprendre le rôle du ML Engineer au sein des organisations en maitrisant les méthodologies de développement agile.

Data & Entreprises
* Ethique de l’IA
* RGPD
* Les organisations data
* Les grandes sources de données et cas d’usage data
* Méthodologie d’industrialisation d’un projet data

Formation Agile
* Comprendre la vision agile et les fondamentaux
* Comprendre la logique de la démarche Agile pour développer une culture Agile
* Appréhender les rôles au sein d’une équipe Agile, les notions d’intelligence collective et de travail en équipe
* Comprendre les conditions comportementales essentielles à une démarche agile
* Appréhender et comprendre les différentes méthodes associées à l’Agilité et choisir la plus adaptée à sa problématique