Nos formations pour vos projets

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

Manager avec exigence et bienveillance pour engager durablement son équipe.

Adapter sa communication à ses interlocuteurs pour gagner en impact.

Prioriser, planifier et se protéger des sollicitations pour gagner en efficacité.

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

Animer des démarches d'innovation collaborative avec le Design Thinking.

Développer des relations de travail constructives et coopératives.

Préparer et réussir ses entretiens de recrutement.

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

Développer confiance et coopération au sein de son équipe.

Rédiger des écrits professionnels clairs, structurés et efficaces.

Méthodes d'apprentissage continu, veille personnelle, identification de ses compétences transférables et construction d'un plan de développement.

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

Prévenir et résoudre les conflits interpersonnels au travail.

Mobiliser posture, gestuelle et voix au service de son message.

Reconnaître et réguler ses émotions pour mieux coopérer et décider.

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

Structurer un recadrage constructif avec la méthode DESC.

Pratiquer l'écoute active : reformulation, questionnement, empathie.

Identifier ses facteurs de stress et mettre en place des stratégies durables de prévention.

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

Comprendre ses réactions face au changement et développer son adaptabilité.

S'affirmer sans agressivité : dire non, formuler une demande, recadrer.

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

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

Piloter une démarche de conduite du changement : impacts, adhésion, ancrage.

Renforcer la confiance en soi et l'affirmation dans ses relations professionnelles.

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

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

Utiliser les mécaniques de jeu pour engager les équipes dans le changement.

Appliquer le processus OSBD pour des échanges apaisés et constructifs.

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

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

Mettre en place une démarche GPEC alignée sur la stratégie.

Utiliser les outils de la PNL pour mieux comprendre et se faire comprendre.

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

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

Animer, réguler et faire coopérer une équipe dispersée ou en télétravail.

Structurer et délivrer une intervention orale avec aisance.

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.

Apprivoiser son trac et transformer le stress en énergie positive.

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.

Communiquer efficacement dans un projet : instances, supports, parties prenantes.

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).

Découvrir son profil PCM et adapter sa communication aux types de personnalité.

Industrialiser le ML sur Databricks (MLflow, Feature Store) et préparer l'examen ML Associate.

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

Approfondir la PCM : gestion du stress et des mécommunications.

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

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

Faire du feedback un levier de progression : méthode, posture, cas difficiles.