1. Accueil
  2. Catalogue
  3. Technologies du numérique et Système d'Information
  4. IA
Possible en Intra-entreprise

IA - Science des données pour les décideurs

Code Formation: 7103

| Ajouter aux favoris
Face à l’explosion des données, les décideurs doivent comprendre l’IA et la science des données pour piloter des projets fiables, exploiter les informations stratégiques et anticiper les risques et impacts. Cette formation apporte les bases et méthodes pour valoriser et piloter efficacement ces projets.
Image
Apports théoriques, échanges techniques, exercices pratiques et études de cas, incluant construction et validation de modèles prédictifs, évaluation de la qualité des données et méthodologie complète pour piloter un projet IA.

Compétence principale visée

Comprendre les enjeux de la science des données et de l’IA pour piloter et valoriser efficacement des projets dans une organisation.

Objectifs pédagogiques

  • Appréhender les outils, méthodes et bonnes pratiques pour piloter un projet de science des données ou d'IA.
  • Identifier les risques, contraintes et limites liés aux projets IA et assurer leur gestion responsable.
  • Valoriser les données et résultats issus de la science des données pour soutenir la prise de décision stratégique.

Public

  • Décideurs / Dirigeants d'entreprises
  • Personnes en charge de la transition numérique, du management technologique
  • Personnes en charge de l'élaboration de la stratégie numérique d'une organisation

Prérequis

  • Aucun pré-requis

PARTIE 1 - INTRODUCTION A LA SCIENCE DES DONNEES

  • Historique de l'Intelligence Artificielle / Machine Learning / Science des données
  • Introduction au machine learning : apprentissage supervisé et non supervisé, données structurées et non-structurées,
  • Un modèle prédictif en détail : arbres de décision
  • Validation, comparaison et sélection de modèles prédictifs
  • Impact du big data sur les méthodes d'apprentissage

PARTIE 2 - RISQUES LIES A UN PROJET IA

  • Qualité des données
  • Éthique d'un projet
  • Qualité d'un modèle prédictif
  • Explicabilité d'un modèle
  • Impartialité d'un modèle
  • Effet sur le comportement utilisateur
  • Limitations actuelles de l'IA
  • Influence de l'IA sur l'emploi

PARTIE 3 - PROJET DE SCIENCE DES DONNEES

  • Cycle de vie d'un projet de science des données
  • Exemple détaillé de la construction d'un modèle prédictif
  • Indicateurs de qualité
  • Validation d'un modèle prédictif
  • Méthodologie de suivi d'un projet de science des données

PARTIE 4 - VALORISATION DES DONNEES : Levier pour plus de compétitivité

  • Impact de l'automatisation des prédictions sur la prise de décisions guidée par les données
  • Exemples concrets

PARTIE 5  - UTILISATION D'UN OUTIL D'EVALUATION D'UN PROJET IA

Alternance d'échanges techniques et d'illustrations - Exercices d'illustration et d'application Un support de cours sera remis à chacun des participants
Evaluation des acquis de formation
Evaluation des acquis des apprenants par auto-examen
Taux de réussite

94.3% des apprenants ont acquis la compétence principale visée

Résultat obtenu pour 177 participants évalués ayant suivi une formation dans la thématique sur les 5 dernières années

Évaluation de la satisfaction

Evaluation du ressenti des participants en fin de formation (Niveau 1 KIRKPATRICK)

Résultats de l’évaluation

Le niveau de satisfaction globale est évalué à 4.3/5 par les participants.

Evaluations réalisées auprès des 199 participants ayant suivi une formation dans la thématique sur les 5 dernières années

Actualisée le 18-09-2025