Nos formations pour vos projets

Réviser les fondements mathématiques indispensables : probabilités, statistiques, algèbre linéaire.

Panorama des métiers, technologies et organisations de l'informatique.

Enjeux environnementaux et sociaux du numérique, cadre réglementaire (REEN, CSRD), gouvernance et feuille de route avec indicateurs de suivi.

Techniques de recueil des besoins et rédaction d'un cahier des charges exploitable.

Construire et interpréter des modèles statistiques : régression, tests, intervalles de confiance.

Panorama des valeurs, principes et méthodes agiles (Scrum, Kanban, SAFe).

Fondamentaux de la gestion de projet SI : cadrage, planification, budget, risques et pilotage.

Prise en main de Jira : projets, tickets, tableaux et workflows.

Mener des analyses statistiques avancées avec R : modèles linéaires généralisés, ANOVA, multivarié.

Adoption d'une culture agile au sein d'une équipe : posture, rituels et collaboration.

Méthodes de mesure (ACV, bilan carbone du SI), leviers sur les infrastructures, le cloud et le poste de travail, allongement de la durée de vie des équipements.

Méthodes d'identification, d'évaluation et de traitement des risques et opportunités.

Panorama des approches et algorithmes du machine learning et de leurs cas d'usage.

Techniques d'élicitation, formalisation, priorisation et traçabilité des exigences ; gestion des changements et matrice de couverture jusqu'à la recette.

Rôle et posture du manager dans une organisation agile : leadership et responsabilisation.

Cartographie et urbanisation du système d'information : couches, zones et trajectoire.

Mettre en œuvre les algorithmes supervisés et non supervisés avec Python.

Principes de gouvernance IT par la direction selon la norme ISO/IEC 38500.

Configuration et administration de Jira : schémas, droits, automatisations.

Mesure et réduction de l'empreinte environnementale des workloads cloud ; démarche RSE.

Construire des pipelines prédictifs complets avec scikit-learn : préparation, entraînement, évaluation.

Posture et outils du coach agile pour accompagner équipes et organisations.

Priorisation, arbitrage et pilotage d'un portefeuille de projets alignés sur la stratégie.

Déployer le référentiel général d'écoconception de services numériques : critères, preuves, gouvernance projet et articulation avec les équipes de développement.

Extraire de la connaissance des données : exploration, sélection de variables, modèles.

Fonctionnement d'une équipe Scrum : rôles, événements et artefacts.

Organiser la recette : stratégie, cahier de recette, jeux d'essai, pilotage des anomalies et prononcé de la validation. Articulation avec les tests techniques.

Planification, suivi et pilotage d'un projet avec Microsoft Project.

Choisir, valider et comparer ses modèles : validation croisée, métriques, sur-apprentissage.

Documentation et collaboration d'équipe avec Confluence.

Introduction aux cadres de mise à l'échelle de l'agilité (SAFe, LeSS, Nexus).

Articuler la gouvernance de l'IA avec ITIL, COBIT et la gestion des risques : comité IA, catalogue des usages, contrôles, indicateurs et rôles.

Segmenter les données (k-means, DBSCAN, CAH) et réduire la dimension (ACP, t-SNE, UMAP).

Identifier les données extra-financières issues du SI, organiser leur collecte et leur fiabilisation, préparer l'auditabilité du reporting de durabilité.

Définition et pilotage d'objectifs par les OKR ; alignement stratégie/exécution.

Création, positionnement et animation d'un Project Management Office.

S'initier à l'apprentissage par renforcement : agents, récompenses, Q-learning.

Cartographier et modéliser les processus avec la notation BPMN : événements, passerelles, sous-processus. Du processus existant au processus cible.

Construction d'un business case et calcul du retour sur investissement d'un projet SI.

Modèles, macros, espaces et administration avancée de Confluence.

Comprendre les réseaux de neurones : architecture, entraînement, fonctions d'activation.

De la découverte produit à la mise sur le marché : Design Thinking, discovery et delivery.

Intégrer des critères environnementaux et sociaux dans les achats IT, dialoguer avec les fournisseurs et suivre les engagements dans la durée.

Usage des copilots et de l'IA pour la planification, le reporting et l'automatisation des tâches projet.

Approfondir la théorie : rétropropagation, optimisation, régularisation, architectures.

Cartographie et optimisation des chaînes de valeur pour accélérer la livraison.

Concevoir, entraîner et déployer des réseaux profonds avec TensorFlow et Keras.

Développer des modèles profonds avec PyTorch : tenseurs, autograd, entraînement et transfert learning.

Cadrer et piloter un projet data science : cycle de vie, rôles, industrialisation.

Déployer et superviser des modèles en production : CI/CD, monitoring, drift.

Acquérir les bases de Python pour la data : syntaxe, structures, NumPy, pandas.

Approfondir Python pour la data science : pandas avancé, visualisation, bonnes pratiques.

Explorer, nettoyer et visualiser un jeu de données pour préparer la modélisation.

Prendre en main R pour l'analyse statistique : import, manipulation, tests, graphiques.

Aller plus loin avec R : tidyverse, programmation fonctionnelle, rapports reproductibles.

Modéliser et prévoir des séries temporelles : décomposition, ARIMA, Prophet, évaluation.

Expliquer les prédictions de ses modèles et répondre aux exigences de transparence (AI Act).

Concevoir et entraîner des CNN pour l'analyse d'images.

Mettre en œuvre détection, classification et segmentation d'images.

Techniques NLP : tokenisation, embeddings, classification, extraction d'information.