Data Science : analyse et gestion de grandes masses de données
L'essentiel
Code(s) NSF
326t : Programmation, mise en place de logiciels
326n : Analyse informatique, conception d'architecture de réseaux
326m : Informatique, traitement de l'information
Formacode(s)
31026 : Data science
Date d’échéance
de l’enregistrement
01-06-2025
| Nom légal | Siret | Nom commercial | Site internet |
|---|---|---|---|
| INSTITUT MINES TELECOM - TELECOM PARIS | 18009202500162 | Télécom Paris Executive Education | https://executive-education.telecom-paris.fr/fr |
Objectifs et contexte de la certification :
Les compétences en Data Science peuvent être mises en œuvre dans de nombreux domaines d’application spécifiques et transverses, qui revêtent des enjeux économiques de taille. Leur valeur ajoutée n’est pas circonscrite à l’industrie informatique mais imprègne tous les secteurs économiques et l’ensemble des fonctions de l’entreprise, en particulier, les technologies et usages liés au Big data (industrie, santé, énergie, transport, assurances, marketing, prédiction de modèles économiques, avantages concurrentiels liés à l’amélioration des systèmes d’information etc.).
Ces compétences sont devenues indispensables pour la transformation digitale et la compétitivité des organisations et des entreprises.
La certification en data science vise à vérifier l’acquisition des compétences nécessaires à l’exploitation de grandes masses de données et la réalisation d’analyses prédictives de systèmes.
Compétences attestées :
- Proposer des axes de gestion et d’analyse de grandes masses de données
- Prendre en compte les contraintes techniques pour proposer une solution d’analyse de grandes masses de données de types pouvant être variés
- Définir une architecture de traitement et une modélisation en déterminant les types de données, les outils statistiques et les méthodes de machine Learning appropriées
- Proposer une architecture de gestion et d’analyse appropriée aux besoins et aux contraintes d’un système cible.
- Combiner des outils et des méthodes adaptés et tenant compte des évolutions récentes des techniques.
- Sourcer, rassembler et nettoyer l’ensemble des sources de données en utilisant les technologies adéquates afin de répondre aux besoins du système cible
- Utiliser des outils d'analyse et de gestion de bases de données de types variés dans de grands volumes en faisant preuve de réactivité et d'adaptation afin de surmonter les obstacles rencontrés
- Utiliser et adapter des outils statistiques, de calcul distribué ainsi que des techniques de passage à l’échelle afin de procéder à l’analyse ou à la gestion des grandes masses de données
- Identifier les obstacles lors de l’implémentation d’un modèle d’analyse et de gestion des grandes masses de données afin d’établir des préconisations d’amélioration
- Synthétiser les résultats d'une analyse sous une ou des formes adaptées au besoin (rapport, graphique, tableau de bord, indicateur...) afin de permettre leur exploitation par les utilisateurs, clients et/ou partenaires du système cible
Modalités d'évaluation :
L'évaluation se base sur plusieurs modalités (à l'écrit ou à l'oral) mises en œuvre en continu tout au long de la formation, et sur une évaluation finale qui se déroule sur 1 journée. L'évaluation continue est constituée, pour chaque module, d'un projet réalisé sur données réelles, et de la rédaction et présentation d'un rapport sur une problématique donnée, le tout en phase avec le module, ainsi que d'un QCM. L'évaluation finale consiste en la réalisation d'un projet tutoré donnant lieu à la rédaction et à la soutenance d'un mémoire devant un jury de formateurs et de professionnels.
Actions pré-formatives
La formation est précédée d’une action pré-formative constituée :
- d’une session de formation / évaluation type MOOC
- d’un entretien de motivation et de positionnement
Ces actions pré-formatives peuvent donner lieu à des ajustements du contenu de la formation, notamment dans le cadre d'un dispositif de formation intra-entreprise.
Références juridiques des règlementations d’activité :
Le cas échant, prérequis à l’entrée en formation :
Cible : ingénieurs et chefs de projet souhaitant développer leurs compétences dans le domaine de la gestion et l'analyse statistique des données massives pour évoluer vers un poste de Data Scientist, Data Analyst ou Ingénieur Big Data.
Prérequis : de bonnes connaissances en mathématiques (optimisation, probabilités/statistique, algèbre linéaire) et une bonne expérience de la programmation sont indispensables pour suivre avec profit cette formation, qui sera précédée d’une mise à niveau le cas échéant
Le cas échant, prérequis à la validation de la certification :
Validité des composantes acquises :
| Voie d’accès à la certification | Oui | Non | Composition des jurys | Date de dernière modification |
|---|---|---|---|---|
| Après un parcours de formation sous statut d’élève ou d’étudiant | X | - | - | |
| En contrat d’apprentissage | X | - | - | |
| Après un parcours de formation continue | X |
Le jury est composé de 4 personnes : un responsable pédagogique de l'organisme délivrant la certification et deux responsables d'entreprise extérieurs à l'organisme délivrant la certification. Le président du jury est un professionnel extérieur à l'organisme certificateur ; il est désigné par les responsables pédagogiques. |
- | |
| En contrat de professionnalisation | X | - | - | |
| Par candidature individuelle | X |
Le jury est composé de 4 personnes : un responsable pédagogique de l'organisme délivrant la certification et deux responsables d'entreprise extérieurs à l'organisme délivrant la certification. Le président du jury est un professionnel extérieur à l'organisme certificateur ; il est désigné par les responsables pédagogiques. |
- | |
| Par expérience | X | - | - |
Lien avec d’autres certifications professionnelles, certifications ou habilitations :
Oui
Certifications professionnelles, certifications ou habilitations en correspondance au niveau européen ou international :
Certifications professionnelles enregistrées au RNCP en correspondance :
| Code de la fiche | Intitulé de la certification professionnelle reconnue en correspondance | Nature de la correspondance (totale, partielle) |
|---|
Liens avec des certifications et habilitations enregistrées au Répertoire spécifique :
équivalence de 2 blocs de compétences dans une certification enregistrée :
- RS5602 Data Science : savoir collecter, décrypter, analyser et prédire à partir de mégadonnées
Mettre en œuvre un modèle de Machine Learning pour obtenir des prévisions
Produire des synthèses visuelles afin de rendre accessibles aux décideurs des informations complexes issues de jeux de données
| Date de décision | 01-06-2022 |
|---|---|
| Durée de l'enregistrement en années | 3 |
| Date d'échéance de l'enregistrement | 01-06-2025 |
Statistiques :
| Année d'obtention de la certification | Nombre de certifiés | Nombre de certifiés par reconnaissance de l'expérience professionnelle |
|---|---|---|
| 2022 | 8 | - |
| 2021 | 18 | - |
| 2020 | 21 | - |
| 2019 | 18 | - |
| 2018 | 34 | - |
| 2017 | 14 | - |
| 2016 | 17 | - |
| 2015 | 7 | - |
Lien internet vers le descriptif de la certification :
https://executive-education.telecom-paris.fr/fr/formations-certifiantes/certification-data-scientist-data-science
Le certificateur n'habilite aucun organisme préparant à la certification
Certification(s) antérieure(s) :
| Code de la fiche | Intitulé de la certification remplacée |
|---|---|
| RS1918 | Data Science : analyse et gestion de grandes masses de données |
Référentiel d'activité, de compétences et d'évaluation :
