RNCP34545RNCPNiveau 7InactiveCadre européen · Niv. 7· Publiée

Data scientist

Suivre ce titre

Fiche & référentiel officiels

Niveau: Niveau 7
Date d'effet: —
Fin d'enregistrement: 30/03/2023
Délivrable jusqu'au: —
Certificateurs: 2 +9 part.

Financement

Éligible CPF

Non (titre inactif)

Une certification active au RNCP / RS est mobilisable au Compte Personnel de Formation.

Prise en charge apprentissage (NPEC)

Donnée non disponible

Aucun niveau de prise en charge publié pour ce code dans le référentiel NPEC.

Insertion professionnelle · promotion 2019

Certifiés

100 %

Insertion globale 6 mois

—

Dans le métier 2 ans

Promotion	Certifiés	dont VAE	Insertion 6 mois	Métier 2 ans
2019	29	0	100 %	—
2018	19	0	93 %	—

Voies d'accès

Après un parcours de formation sous statut d'élève ou d'étudiant
En contrat d'apprentissage
Après un parcours de formation continue
En contrat de professionnalisation
Par expérience (VAE)

Certificateurs (2)

Organisme	SIRET
OPENCLASSROOMS	49386136300080
OPENCLASSROOMSHabilitation inactive	49386136300072

+ 9 organismes partenaires habilités à préparer / délivrer.

Télécharger la liste complète (Excel)

Blocs de compétences (6)

RNCP34545BC01Prétraiter et analyser des données structurées pour répondre à un problème métier.

- Déterminer les objectifs d'une analyse de données à partir d’un problème métier. - Effectuer des opérations de nettoyage sur des données structurées. - Effectuer une analyse statistique univariée à partir de données structurées et nettoyées. - Effectuer une analyse statistique multivariée à partir de données structurées et nettoyées. - Représenter des données grâce à des graphiques clairs et pertinents. - Formuler des préconisations pour un traitement automatisé des données.

Modalités d'évaluation : Chaque bloc de compétences est évalué sous la forme de projet, accompagné et validé par un mentor, puis présenté au jury du titre.

RNCP34545BC02Entraîner un modèle d’apprentissage automatique supervisé pour réaliser une analyse prédictive.

- Sélectionner et mettre en place un modèle d’apprentissage supervisé adapté à une problématique métier. - Évaluer les performances d’un modèle d’apprentissage supervisé. - Adapter les paramètres d’un modèle d’apprentissage supervisé afin de l’améliorer.

Modalités d'évaluation : Chaque bloc de compétences est évalué sous la forme de projet, accompagné et validé par un mentor, puis présenté au jury du titre.

RNCP34545BC03

Nomenclatures

NSF

326 · Informatique, traitement de l'information, réseaux de transmission

ROME

M1403 · Études et prospectives socio-économiques

Formacode

31026 · Data science

Objectifs et contexte

L’accroissement des données disponibles et la multiplication des technologies permettant de les produire font de la valorisation des données un enjeu économique majeur et croissant. La valorisation de ces données constitue, tant pour le secteur marchand que pour le secteur non marchand, un enjeu économique important, ouvrant pour les entreprises des perspectives de développement, de qualité et de compétitivité accrues. Les Big Data constituent un enjeu particulièrement stratégique dans les secteurs du numérique, de l’industrie ou de la santé. L’essor des Big data entraîne des besoins en compétences expertes et fait émerger des nouveaux métiers. Autour des data, et plus particulièrement des Big data, de nouveaux métiers émergent et se structurent. A l’appui de nos partenaires, nous avons identifié les contours des emplois les plus recherchés autour des data et fait le choix de les structurer autour de 4 certifications : data analyst, data architect, data scientist et ingénieur machine learning. Cette certification vise à qualifier des Data scientists disposant des compétences expertes et transverses nécessaires à leur insertion immédiate sur le marché du travail.

Activités visées

Le Data scientist est en mesure d’exercer les missions suivantes : - agréger un ensemble de données pour ensuite les nettoyer et les structurer ; - explorer ces données afin d’en déterminer la valeur et y repérer des motifs récurrents ou des irrégularités significatives ; - produire de la valeur à partir des données par la création de modèles prédictifs ; - modéliser le phénomène à l’origine des données pour répondre à un problème de l’entreprise ; - évaluer et améliorer les performances d’un modèle d’apprentissage automatique (machine learning) ; - rendre les données visuelles pour communiquer ses résultats ; - établir des recommandations pour orienter les décisions stratégiques de l’entreprise.

Compétences attestées

La certification permet d'attester l'acquisition des compétences suivantes : BLOC 1 – Prétraiter et analyser des données structurées pour répondre à un problème métier. - Déterminer les objectifs d'une analyse de données à partir d’un problème métier. - Effectuer des opérations de nettoyage sur des données structurées. - Effectuer une analyse statistique univariée à partir de données structurées et nettoyées. - Effectuer une analyse statistique multivariée à partir de données structurées et nettoyées. - Représenter des données grâce à des graphiques clairs et pertinents. - Formuler des préconisations pour un traitement automatisé des données. BLOC 2 – Entraîner un modèle d’apprentissage automatique supervisé pour réaliser une analyse prédictive. - Sélectionner et/ ou transformer les variables pertinentes pour la modélisation (feature engineering). - Sélectionner et mettre en place un modèle d’apprentissage supervisé adapté à une problématique métier. - Évaluer les performances d’un modèle d’apprentissage supervisé. - Adapter les paramètres d’un modèle d’apprentissage supervisé afin de l’améliorer. BLOC 3 – Entraîner un modèle d’apprentissage non supervisé adapté à une problématique de segmentation ou de réduction de données. - Sélectionner, transformer et créer les variables pertinentes pour la modélisation (feature engineering). - Sélectionner et mettre en place un modèle d’apprentissage non supervisé adapté une problématique métier. - Évaluer les performances d’un modèle d’apprentissage non supervisé. - Adapter les paramètres d’un modèle d’apprentissage non supervisé afin de l’améliorer. BLOC 4 – Prétraiter et analyser des données non structurées (texte, images) pour obtenir un jeu de données exploitable. - Collecter des données répondant à des critères définis via une interface de programmation (API). - Prétraiter des données textuelles non structurées pour obtenir un jeu de données exploitable. - Prétraiter des données sous forme d'images non structurées pour obtenir un jeu de données exploitable. - Réduire la dimension de données de grande dimension afin d'optimiser les temps de calcul. - Représenter graphiquement des données à grandes dimensions afin d'en réaliser l'analyse exploratoire. BLOC 5 – Présenter et déployer un modèle d’apprentissage automatique auprès de ses utilisateurs finaux. - Déployer un modèle via une interface de programmation (API) dans le web. - Réaliser un tableau de bord (dashboard) pour présenter son travail de modélisation. - Réaliser la présentation orale d’une démarche de modélisation à un client interne/ externe. - Rédiger une note méthodologique afin de communiquer sa démarche de modélisation. - Assurer l’intégration du modèle auprès de collaborateurs en utilisant un logiciel de version de code. BLOC 6 – Déployer un modèle d’apprentissage automatique à l’échelle en utilisant les technologies du Big data. - Sélectionner les outils du Cloud permettant de disposer d'un environnement Big Data. - Prétraiter, analyser et modéliser des donnés dans un environnement Big data en utilisant les outils du Cloud. - Réaliser des calculs distribués sur des données massives en utilisant les outils adaptés.

Titres proches

Repérés par proximité sémantique. Utile pour situer votre offre, vos concurrents et d'éventuelles passerelles.

Source : répertoires nationaux France Compétences (open data data.gouv.fr), schéma v4.1. Adéqua restitue la donnée telle qu'enregistrée ; il n'est pas un service public et n'emporte aucun agrément.

Data scientist

Financement

Insertion professionnelle · promotion 2019

Voies d'accès

Certificateurs (2)

Blocs de compétences (6)

Nomenclatures

Objectifs et contexte

Activités visées

Compétences attestées

Titres proches

Data scientist

Insertion professionnelle · promotion 2019

Blocs de compétences (6)

Secteurs d'activité

Types d'emplois accessibles

Certificateur(s)

Nomenclatures