Programme de la formation
Développement Applications Machine Learning & IA pour Big Data

• Introduction au Big Data et à l'Intelligence Artificielle

  - Définition et enjeux du Big Data
  - Concepts fondamentaux du Machine Learning et de l'IA
  - Rôle de l'IA dans l'exploitation des données massives
  - Environnements et écosystèmes Big Data/IA

• Fondamentaux de la science des données pour le Big Data
• Technologies Big Data : Hadoop et Spark (Partie 1)
• Technologies Big Data : Hadoop et Spark (Partie 2)

  - Traitement de données en temps réel avec Spark Streaming
  - Optimisations des requêtes Spark
  - Intégration de Spark avec d'autres outils Big Data
  - Bonnes pratiques de programmation distribuée

• Machine Learning supervisé en environnement distribué
• Machine Learning non supervisé et réduction de dimension

  - Algorithmes de clustering (K-means, DBScan) sur Big Data
  - Détection d'anomalies distribuée
  - ACP et t-SNE pour la réduction de dimension
  - Cas d'usage pratiques

• Introduction au Deep Learning pour le Big Data

  - Concepts fondamentaux des réseaux de neurones
  - Architectures de DL : CNN, RNN, Transformers
  - Frameworks de DL (TensorFlow, PyTorch) sur Big Data
  - Calcul distribué pour l'entraînement de modèles DL

• Développement d'applications d'IA pour le traitement du langage naturel (NLP)

  - Prétraitement de texte sur Big Data
  - Modèles de plongement de mots (Word Embeddings)
  - Modèles de langage et transfer learning (BERT, GPT)
  - Application à l'analyse de sentiments et résumé de texte

• Développement d'applications d'IA pour la vision par ordinateur (CV)

  - Traitement d'images et vidéos sur Big Data
  - Détection et reconnaissance d'objets (YOLO, Faster R-CNN)
  - Segmentation sémantique et classification d'images
  - Cas d'usage industriels (inspection, surveillance)

• Déploiement et mise à l'échelle des modèles d'IA sur Big Data

  - Conteneurisation (Docker) et orchestration (Kubernetes)
  - Serveurs de modèles (TensorFlow Serving, MLflow)
  - API de Machine Learning pour l'inférence
  - Monitoring et maintenance des modèles en production

• Opérationnalisation de l'IA (MLOps) et gouvernance des données

  - Flux MLOps complet (CI/CD pour ML)
  - Versioning des modèles et des données
  - Légalité et éthique de l'IA sur Big Data
  - Sécurité et confidentialité des données massives

• Projet Pratique et Cas d'Étude Big Data/IA

  - Constitution d'un dataset Big Data
  - Conception d'une architecture d'application IA end-to-end
  - Développement, entraînement et déploiement d'un modèle
  - Présentation et évaluation des résultats du projet