IA_ADV - Science des données pour l'ingénieur: les méthodes d'apprentissage artificiel Présentiel
Dernière mise à jour : 24/03/2026
Langue de la formation : Français/French
Secteurs : Compagnie Aérienne/Airline, Exploitants aéroportuaires/Airport operator, Services de la navigation aérienne/Air Navigation Service Provider
Thèmes : Réglementation et navigabilité/Reglementation and airworthiness
Public : Cadres / Executives
Public visé
Personnels travaillant dans des équipes de Data Science (Data scientist, Machine Learning engineer,…) mais aussi personnels techniques diplômés d'un diplôme d'ingénieur ou de master of science en mathématiques ou informatiques amené à collaborer avec des équipes de Data Science (développeurs informatiques, responsable technique d'un projet informatique,…).
Responsable de stage
Nicolas COUELLAN / Ludovic D’ESTAMPES
Mail de contact
Durée pédagogique réelle
28 h
Résumé
Concevoir et utiliser les principaux algorithmes d’apprentissage supervisé et non supervisé, puis les mettre en œuvre en Python afin de contribuer à la digitalisation du transport aérien.
Objectifs de la formation
- Prétraiter et analyser des données massives pour répondre à une problématique métier relative au Transport Aérien
- Adapter des cas d'usage en lien avec les métiers du transport aérien et les traduire en problématique de machine learning
- Sélectionner et entraîner un modèle d'apprentissage automatique supervisé pour réaliser une analyse prédictive
- Sélectionner et entraîner un modèle d'apprentissage non supervisé adapté à une problématique de segmentation ou de réduction de données
- Présenter et déployer un modèle d'apprentissage automatique
Prérequis
Stage IA-BASE ou équivalent (+ lecture des vidéos de e-learning complémentaires mises en accès libre pour les stagiaires avant le stage)
Description
- Linear Regression Methods
- Réseaux de neurones
- CART- Random Forest
- Gradient Boosting
- Analyse multidimensionnelle
- Deep Learning
- NLP
- Support Vector Machine
- Real Life Data - How You Might Fool Yourself
Méthodes pédagogiques utilisées : Alternance d'apports théoriques et pratiques, exercices
Support remis : Support de cours, support de TP (notebook jupyter).
Points forts
- Multiples intervenants spécialisés en data science.
- Atelier de mise en pratique autour de cas concrets du Transport Aérien.