Mastère avancé MBA en Intelligence Artificielle dans la Conception

Le domaine de la Conception Graphique connaît une véritable révolution grâce aux progrès de l'Intelligence Artificielle. Ses outils peuvent être utilisés pour une variété d'applications, allant de la génération automatique de contenu à la personnalisation des produits en fonction des besoins individuels des utilisateurs. Compte tenu de ses multiples avantages, de plus en plus de professionnels décident de mettre à jour leurs connaissances dans ce domaine afin d'intégrer dans leur pratique quotidienne les techniques les plus innovantes dans des domaines tels que les Réseaux Neuronaux Profonds, le Deep Learning ou l'Informatique Bio-inspirée. Pour les aider dans cette tâche, TECH a développé un diplôme universitaire qui leur permettra d'obtenir les stratégies les plus efficaces pour mettre en œuvre l'Intelligence Artificielle dans leurs processus de conception. En outre, il est enseigné dans un format pratique 100 % en ligne.

Diplôme universitaire

durée

2 ans

Modalité

Enligne

Horaire

À ton rythme

Examens

Enligne

date de début

Credits

120 ECTS

financement jusqu'à

24 mois

Prix

La plus grande école de commerce du monde”

Présentation

Profitez de l'occasion pour vous informer sur les derniers développements dans ce domaine afin de les appliquer à votre pratique quotidienne"

Pourquoi étudier à TECH?

TECH est la plus grande École de Commerce 100% en ligne au monde. Nous sommes une École de Commerce d'élite, fondée sur un modèle de normes académiques très exigeantes. Un centre de formation hautement performant, de renommée internationale concernant la préparation aux techniques de management.  

TECH est une université à la pointe de la technologie, qui met toutes ses ressources à la disposition de l'étudiant pour l'aider à réussir dans son entreprise”

À TECH Université Technologique

Innovation

L'université offre un modèle d'apprentissage en ligne qui combine les dernières technologies éducatives avec la plus grande rigueur pédagogique. Une méthode unique, mondialement reconnue, qui vous procurera les clés afin d'être en mesure d'évoluer dans un monde en constante mutation, où l'innovation doit être le principale défi de tout entrepreneur.

"Microsoft Europe Success Story" pour avoir intégré dans nos programmes l'innovant système de multi-vidéos interactives.

Les plus hautes exigences

Les critères d'admission pour TECH ne sont pas économiques. Il ne faut pas faire un grand investissement pour étudier dans cette université. Cependant, pour obtenir un diplôme de TECH, les limites de l'intelligence et des capacités de l'étudiant seront testées. Les normes académiques de cette institution sont très élevées... 

95% des étudiants de TECH finalisent leurs études avec succès.

Networking

Des professionnels de tous les pays collaborent avec TECH, ce qui vous permettra de créer un vaste réseau de contacts qui vous sera particulièrement utile pour votre avenir. 

+100.000 dirigeants formés chaque année +200 nationalités différentes.

Empowerment

L'étudiant évoluera aux côtés des meilleures entreprises et des professionnels de grand prestige et de grande influence. TECH a développé des alliances stratégiques et un précieux réseau de contacts avec les principaux acteurs économiques des 7 continents.

+500 accords de collaboration avec les meilleures entreprises.

Talents

Ce programme est une proposition unique visant à faire ressortir le talent de l'étudiant dans le domaine des affaires. C'est l'occasion de faire connaître leurs préoccupations et leur vision de l'entreprise.

TECH aide les étudiants à montrer leur talent au monde entier à la fin de ce programme.

Contexte Multiculturel

Les étudiants qui étudient à TECH bénéficieront d'une expérience unique. Vous étudierez dans un contexte multiculturel. Grâce à un programme à vision globale, vous découvrirez différentes manières de travailler dans différentes parties du monde. Vous serez ainsi en mesure de sélectionner ce qui convient le mieux à votre idée d'entreprise.

Nous comptons plus de 200 nationalités différentes parmi nos étudiants. 

Apprenez auprès des meilleurs

L'équipe d'enseignants de TECH explique en classe ce qui les a conduits au succès dans leurs entreprises, en travaillant dans un contexte réel, vivant et dynamique. Des enseignants qui s'engagent pleinement à offrir une spécialisation de qualité permettant aux étudiants de progresser dans leur carrière et de se distinguer dans le monde des affaires.

Des professeurs de 20 nationalités différentes.

TECH recherche l'excellence et, à cette fin, elle possède une série de caractéristiques qui en font une université unique:  

Analyse

TECH explore le côté critique de l'apprenant, sa capacité à remettre les choses en question, ses aptitudes à résoudre les problèmes et ses compétences interpersonnelles. 

Excellence académique

TECH offre aux étudiants la meilleure méthodologie d’apprentissage en ligne. L’université combine la méthode Relearning (la méthode d’apprentissage de troisième cycle la plus reconnue au niveau international) avec l’Étude de cas. Un équilibre difficile entre tradition et avant-garde, dans le cadre d’un itinéraire académique des plus exigeants.

Économie d’échelle

TECH est la plus grande université en ligne du monde. Elle possède un portefeuille de plus de 10.000 diplômes de troisième cycle. Et dans la nouvelle économie, volume + technologie = prix de rupture. Ainsi, les études ne sont pas aussi coûteuses que dans une autre université.    

À TECH, vous aurez accès aux études de cas les plus rigoureuses et les plus récentes du monde académique’’

Programme

À travers 30 modules, les diplômés acquerront les compétences nécessaires pour intégrer efficacement l'Intelligence Artificielle à toutes les étapes du processus de conception. Le programme d'études examinera des questions allant de la Science des Données ou de l'Algorithmique à l'Apprentissage Automatique. Le programme se penchera également sur la construction de Réseaux Neuronaux, qui aideront les diplômés à résoudre des problèmes complexes en matière d'analyse de données ou de traitement d'images. En outre, le matériel pédagogique abordera l'Informatique Bio-inspirée, offrant aux étudiants des techniques innovantes telles que les Algorithmes Génériques ou les Colonies de Fourmis.

Un programme de haut niveau qui couvre les derniers postulats scientifiques en matière d'Entraînement des Réseaux Neuronaux Profonds"

Plan d’études

Le Mastère avancé en MBA en Intelligence Artificielle dans la Conception de TECH Université Technologique est un programme intensif qui prépare les étudiants à relever des défis et à prendre des décisions commerciales au niveau international. Son contenu est conçu dans le but de favoriser le développement de compétences managériales permettant une prise de décision plus pertinente dans des environnements incertains.

Au cours des 3.600 heures d'étude, vous analyserez une multitude de cas pratiques par le biais de travaux individuels, obtenant ainsi un apprentissage approfondi que vous pourrez mettre en pratique dans votre travail quotidien. Il s'agit donc d'une véritable immersion dans des situations professionnelles réelles.

Ce programme traite en profondeur les principaux domaines de l'Intelligence Artificielle et est conçu pour que les concepteurs comprennent ses applications d'un point de vue stratégique, international et innovant.

Un plan conçu pour les étudiants, axé sur leur perfectionnement professionnel et qui les prépare à atteindre l'excellence dans le domaine de la Conception. Un programme qui comprend vos besoins et ceux de votre entreprise grâce à un contenu innovant basé sur les dernières tendances, et soutenu par la meilleure méthodologie éducative et un cloître exceptionnel, qui vous donnera des compétences pour résoudre des situations critiques de manière créative et efficace.

Module 1. Leadership, Éthique et Responsabilité Sociale des Entreprises
Module 2. Gestion stratégique et Management Directif
Module 3. Gestion des personnes et des talents
Module 4. Gestion économique et financière
Module 5. Gestion des opérations et de la logistique
Module 6. Gestion des systèmes d’information
Module 7. Gestion Commerciale, Marketing Stratégique et Communication d’Entreprise
Module 8. Rechercher du marché, publicité et gestion commerciale
Module 9. Innovation et Gestion de Projets
Module 10. Management Directif
Module 11. Principes fondamentaux de l'Intelligence Artificielle
Module 12. Types et cycle de vie des données
Module 13. Les données de l’Intelligence Artificielle
Module 14. Extraction de données. Sélection, prétraitement et transformation
Module 15. Algorithme et complexité en Intelligence Artificielle
Module 16. Systèmes Intelligents
Module 17. Apprentissage automatique et exploration des données
Module 18. Les Réseaux Neuronaux, la base du Deep Learning
Module 19. Entraînement de réseaux neuronaux profonds
Module 20. Personnaliser les Modèles et l’entraînement avec TensorFlow
Module 21. Deep Computer Vision avec les Réseaux Neuronaux Convolutifs
Module 22. Traitement du langage naturel (TNL) avec les Réseaux Récurrents Naturels (RRN) et l'Attention
Module 23. Autoencodeurs, GANs et modèles de diffusion
Module 24. Informatique Bio-inspirée
Module 25. Intelligence Artificielle: stratégies et applications
Module 26. Applications Pratique en Intelligence Artificielle en Conception
Module 27. Interaction Conception-Utilisateur et IA
Module 28. Innovation dans les processus de Conception et l'IA
Module 29. Technologies appliquées à la Conception et IA
Module 30. Éthique et environnement dans la Conception et IA

Où, quand et comment cela se déroule?

TECH offre la possibilité de développer ce Mastère avancé en MBA en Intelligence Artificielle dans la Conception entièrement en ligne. Pendant les 24 mois de la spécialisation, les étudiants pourront accéder à tous les contenus de ce programme à tout moment, ce qui leur permettra d'auto gérer leur temps d'étude.

Module 1. Leadership, Éthique et Responsabilité Sociale des Entreprises

1.1. Mondialisation et Gouvernance

1.1.1. Gouvernance et Gouvernance d'Entreprise
1.1.2. Principes fondamentaux de la Gouvernance d'Entreprise dans les entreprises
1.1.3. Le Rôle du Conseil d'Administration dans le cadre de la Gouvernance d'Entreprise

1.2. Leadership

1.2.1. Leadership Une approche conceptuelle
1.2.2. Leadership dans les entreprises
1.2.3. L’importance du leader dans la gestion des entreprises

1.3. Cross Cultural Management

1.3.1. Concept de Cross Cultural Management
1.3.2. Contributions à la Connaissance des Cultures Nationales
1.3.3. Gestion de la Diversité

1.4. Développement de la gestion et le leadership

1.4.1. Concept de Développement de la Gestion
1.4.2. Le concept de Leadership
1.4.3. Théories du Leadership
1.4.4. Styles de Leadership
1.4.5. L'intelligence dans le Leadership
1.4.6. Les défis du leadership aujourd'hui

1.5. Éthique de l’entreprise

1.5.1. Éthique et Moralité
1.5.2. Éthique des Affaires
1.5.3. Leadership et éthique dans les entreprises

1.6. Durabilité

1.6.1. Durabilité et développement durable
1.6.2. Agenda 2030
1.6.3. Les entreprises durables

1.7. Responsabilité Sociale des Entreprises

1.7.1. La dimension internationale de la Responsabilité Sociale des Entreprises
1.7.2. La mise en œuvre de la Responsabilité Sociale des Entreprises
1.7.3. L'impact et la mesure de la Responsabilité Sociale des Entreprises

1.8. Systèmes et outils de Gestion responsable

1.8.1. RSE: Responsabilité sociale des entreprises
1.8.2. Questions clés pour la mise en œuvre d'une stratégie de gestion responsable
1.8.3. Étapes de la mise en œuvre d'un système de gestion de la responsabilité sociale des entreprises
1.8.4. Outils et normes en matière de la RSE

1.9. Multinationales et droits de l'homme

1.9.1. Mondialisation, entreprises multinationales et droits de l'homme
1.9.2. Entreprises multinationales et droit international
1.9.3. Instruments juridiques pour les multinationales dans le domaine des droits de l'homme

1.10. Environnement juridique et Corporate Governance

1.10.1. Règlementation internationale des importations et exportations
1.10.2. Propriété intellectuelle et industrielle
1.10.3. Droit International du Travail

Module 2. Gestion stratégique et Management Directif

2.1. Analyse et conception organisationnelle

2.1.1. Cadre Conceptuel
2.1.2. Facteurs clés de la conception organisationnelle
2.1.3. Modèles de base des organisations
2.1.4. Conception des organisations: typologies

2.2. Stratégie d’Entreprise

2.2.1. Stratégie d’entreprise concurrentielle
2.2.2. Stratégies de Croissance: typologies
2.2.3. Cadre conceptuel

2.3. Planification et Formulation Stratégique

2.3.1. Cadre Conceptuel
2.3.2. Éléments de la Planification Stratégique
2.3.3. Formulation Stratégique: Processus de la Planification Stratégique

2.4. Réflexion stratégique

2.4.1. L’entreprise comme système
2.4.2. Concept d’organisation

2.5. Diagnostic Financier

2.5.1. Concept de Diagnostic Financier
2.5.2. Étapes du Diagnostic Financier
2.5.3. Méthodes d’Évaluation du Diagnostic Financier

2.6. Planification et Stratégie

2.6.1. Le Plan d’une Stratégie
2.6.2. Positionnement Stratégique
2.6.3. La stratégie dans l'entreprise

2.7. Modèles et Motifs Stratégiques

2.7.1. Cadre Conceptuel
2.7.2. Modèles Stratégiques
2.7.3. Modèles Stratégiques: Les Cinq P’s de la Stratégie

2.8. Stratégie Concurrentielle

2.8.1. L’Avantage Concurrentiel
2.8.2. Choix d’une Strategia Concurentielle
2.8.3. Stratégies selon le Modèle de l'Horloge Stratégique
2.8.4. Types de Stratégies en fonction du cycle de vie du secteur industriel

2.9. Gestion Stratégique

2.9.1. Le concept de Stratégie
2.9.2. Le processus de la direction stratégique
2.9.3. Approches de la gestion stratégique

2.10. Mise en œuvre de la Stratégie

2.10.1. Systèmes d’Indicateurs et Approche par Processus
2.10.2. Carte Stratégique
2.10.3. Alignement Stratégique

2.11. Direction Générale

2.11.1. Cadre conceptuel du Management Directif
2.11.2. Management Directif. Le Rôle du Conseil d'Administratio et les outils de gestion d'entreprise

2.12. Communication Stratégique

2.12.1. Communication interpersonnelle
2.12.2. Compétences communicatives et l’influence
2.12.3. Communication interne
2.12.4. Obstacles à la communication dans l’entreprise

Module 3. Gestion des personnes et des talents

3.1. Comportement Organisationnel

3.1.1. Comportement Organisationnel. Cadre Conceptuel
3.1.2. Principaux facteurs du comportement organisationnel

3.2. Les personnes dans les organisations

3.2.1. Qualité de la vie professionnelle et bienêtre psychologique
3.2.2. Travail en équipe et conduite de réunions
3.2.3. Coaching et gestion d’équipes
3.2.4. Gestion de l’égalité et de la diversité

3.3. Gestion Stratégique des personnes

3.3.1. Direction Stratégique et ressources humaines
3.3.2. La direction stratégique des personnes

3.4. Évolution des Ressources. Une vision intégrée

3.4.1. L’importance des Ressources Humaines
3.4.2. Un nouvel environnement pour la gestion des ressources humaines et le leadership
3.4.3. Gestion stratégique des RH

3.5. Sélection, dynamique de groupe et recrutement des RH

3.5.1. Approche en matière de recrutement et de sélection
3.5.2. Le recrutement
3.5.3. Le processus de sélection

3.6. Gestion des ressources humaines basée sur les compétences

3.6.1. Analyse du potentiel
3.6.2. Politique de rémunération
3.6.3. Plans de carrière/succession

3.7. Évaluation et gestion des performances

3.7.1. Gestion des performances
3.7.2. La gestion des performances: objectifs et processus

3.8. Gestion de la formation

3.8.1. Théories de l'apprentissage
3.8.2. Détection et rétention des talents
3.8.3. Gamification et gestion des talents
3.8.4. Formation et obsolescence professionnelle

3.9. Gestion des talents

3.9.1. Les clés d'un management positif
3.9.2. Origine conceptuelle du talent et son implication dans l'entreprise
3.9.3. Carte des talents dans l'organisation
3.9.4. Coût et valeur ajoutée

3.10. Innovation dans la gestion des talents et des personnes

3.10.1. Modèles de gestion stratégique des talents
3.10.2. Identification, formation et développement des talents
3.10.3. Fidélisation et rétention
3.10.4. Proactivité et innovation

3.11. Motivation

3.11.1. La nature de la motivation
3.11.2. La théorie de l'espérance
3.11.3. Théories des besoins
3.11.4. Motivation et compensation économique

3.12. Employer Branding

3.12.1. Employer Branding en RH
3.12.2. Personal Branding pour les professionnels en RH

3.13. Développer des équipes performantes

3.13.1. Les équipes performantes: les équipes autogérées
3.13.2. Méthodologies de gestion des équipes autogérées très performantes

3.14. Développement des compétences managériales

3.14.1. Que sont les compétences de gestion?
3.14.2. Éléments des compétences
3.14.3. Connaissances
3.14.4. Compétences de gestion
3.14.5. Attitudes et valeurs des managers
3.14.6. Compétences en matière de gestion

3.15. Gestion du temps

3.15.1. Bénéfices
3.15.2. Quelles peuvent être les causes d'une mauvaise gestion du temps?
3.15.3. Temps
3.15.4. Les illusions du temps
3.15.5. Attention et mémoire
3.15.6. État mental
3.15.7. Gestion du temps
3.15.8. Proactivité
3.15.9. Avoir un objectif clair
3.15.10. Ordre
3.15.11. Planification

3.16. Gestion du changement

3.16.1. Gestion du changement
3.16.2. Type de processus de gestion du changement
3.16.3. Étapes ou phases de la gestion du changement

3.17. Négociation et gestion des conflits

3.17.1. Négociation
3.17.2. Gestion des Conflits
3.17.3. Gestion des Crises

3.18. La communication managériale

3.18.1. Communication interne et externe dans l'environnement des entreprises
3.18.2. Département de Communication
3.18.3. Le responsable de communication de l'entreprise. Le profil du Dircom

3.19. Gestion des Ressources Humaines et Gestion d’Équipe

3.19.1. Gestion des ressources humaines et des équipes
3.19.2. Prévention des risques professionnels

3.20. Productivité, attraction, rétention et activation des talents

3.20.1. Productivité
3.20.2. Leviers d'attraction et rétention des talents

3.21. Compensation monétaire vs. Non-monétaire

3.21.1. Compensation monétaire vs. non-monétaire
3.21.2. Modèles d'échelons salariaux
3.21.3. Modèles de compensation non monétaires
3.21.4. Modèle de travail
3.21.5. Communauté d'entreprises
3.21.6. Image de l'entreprise
3.21.7. Rémunération émotionnelle

3.22. Innovation dans la gestion des talents et des personnes II

3.22.1. Innovation dans les Organisations
3.22.2. Nouveaux défis du département des Ressources Humaines
3.22.3. Gestion de l'Innovation
3.22.4. Outils pour l’Innovation

3.23. Gestion des connaissances et des talents

3.23.1. Gestion des connaissances et du talent
3.23.2. Mise en œuvre de la gestion des connaissances

3.24. Transformer les ressources humaines à l'ère du numérique

3.24.1. Le contexte socio-économique
3.24.2. Les nouvelles formes d'organisation des entreprises
3.24.3. Nouvelles méthodes

Module 4. Gestion économique et financière

4.1. Environnement Économique

4.1.1. Environnement macroéconomique et système financier
4.1.2. Institutions financières
4.1.3. Marchés financiers
4.1.4. Actifs financiers
4.1.5. Autres entités du secteur financier

4.2. Le financement de l'entreprise

4.2.1. Sources de financement
4.2.2. Types de coûts de financement

4.3. Comptabilité de Gestion

4.3.1. Concepts de base
4.3.2. Actif de l'entreprise
4.3.3. Passif de l'entreprise
4.3.4. Le Patrimoine Net de l'entreprise
4.3.5. Le Compte de Profits et Pertes

4.4. De la comptabilité générale à la comptabilité analytique

4.4.1. Éléments du calcul des coûts
4.4.2. Dépenses en comptabilité générale et analytique
4.4.3. Classification des coûts

4.5. Systèmes d’information et Business Intelligence

4.5.1. Principes fondamentaux et classification
4.5.2. Phases et méthodes de répartition des coûts
4.5.3. Choix du centre de coûts et de l'effet

4.6. Budget et Contrôle de Gestion

4.6.1. Le modèle budgétaire
4.6.2. Le Budget d'Investissement
4.6.3. Le Budget de Fonctionnement
4.6.5. Le Budget de Trésorerie
4.6.6. Le Suivi Budgétaire

4.7. Gestion de la trésorerie

4.7.1. Fonds de Roulement Comptable et Besoins en Fonds de Roulement
4.7.2. Calcul des Besoins de Trésorerie d'Exploitation
4.7.3. Gestion du crédit

4.8. Responsabilité fiscale des entreprises

4.8.1. Concepts fiscaux de base
4.8.2. Impôt sur les sociétés
4.8.3. Taxe sur la valeur ajoutée
4.8.4. Autres taxes liées à l'activité commerciale
4.8.5. L'entreprise en tant que facilitateur du travail de l'État

4.9. Systèmes de contrôle des entreprises

4.9.1. Analyse des états financiers
4.9.2. Le Bilan de l'entreprise
4.9.3. Le Compte de Profits et Pertes
4.9.4. Le Tableau des Flux de Trésorerie
4.9.5. L'Analyse des Ratios

4.10. Gestion Financière

4.10.1. Les décisions financières de l'entreprise
4.10.2. Le service financier
4.10.3. Excédents de trésorerie
4.10.4. Risques liés à la gestion financière
4.10.5. Gestion des risques liés à la gestion financière

4.11. Planification Financière

4.11.1. Définition de la planification financière
4.11.2. Actions à entreprendre dans le cadre de la planification financière
4.11.3. Création et mise en place de la stratégie d'entreprise
4.11.4. Le tableau des Cash Flow
4.11.5. Le tableau du fonds de roulement

4.12. Stratégie Financière de l'Entreprise

4.12.1. Stratégie de l'entreprise et sources de financement
4.12.2. Produits financiers de l'entreprise

4.13. Contexte Macroéconomique

4.13.1. Contexte macroéconomique
4.13.2. Indicateurs économiques
4.13.3. Mécanismes de contrôle des amplitudes macroéconomiques
4.13.4. Les cycles économiques

4.14. Financement Stratégique

4.14.1. Autofinancement
4.14.2. Augmentation des fonds propres
4.14.3. Ressources Hybrides
4.14.4. Financement par des intermédiaires

4.15. Marchés monétaires et des capitaux

4.15.1. Le Marché Monétaire
4.15.2. Le Marché des titres à Revenu Fixe
4.15.3. Le Marché des Actions
4.15.4. Le Marché des Changes
4.15.5. Le Marché des Dérivés

4.16. Analyse et planification financières

4.16.1. Analyse du Bilan de la Situation
4.16.2. Analyse du Compte des Résultats
4.16.3. Analyse de la Rentabilité

4.17. Analyses et résolution de cas/problèmes

4.17.1. Informations financières d’Industrie de Design et Textile, S.A. (INDITEX)

Module 5. Gestion des opérations et de la logistique

5.1. Direction et Gestion des Opérations

5.1.1. Le rôle des opérations
5.1.2. L'impact des opérations sur la gestion de l'entreprise
5.1.3. Introduction à la stratégie Opérationnelle
5.1.4. La gestion des Opérations

5.2. Organisation industrielle et logistique

5.2.1. Département de l’Organisation Industrielle
5.2.2. Département Logistique

5.3. Structure et types de production (MTS, MTO, ATO, ETO, etc.)

5.3.1. Système de production
5.3.2. Stratégie de production
5.3.3. Système de gestion des stocks
5.3.4. Indicateurs de production

5.4. Structure et types d’approvisionnement

5.4.1. Fonction de l’approvisionnement
5.4.2. Gestion de l’approvisionnement
5.4.3. Types d'achats
5.4.4. Gestion des achats d’une entreprise de manière efficace
5.4.5. Étapes du processus de la décision d’achat

5.5. Contrôle économique des achats

5.5.1. Influence économique des achats
5.5.2. Centres de coûts
5.5.3. La budgétisation
5.5.4. Budgétisation et dépenses réelles
5.5.5. Outils de contrôle budgétaire

5.6. Contrôle des opérations de stockage

5.6.1. Contrôle de l’inventaire
5.6.2. Système de localisation
5.6.3. Techniques de gestion des stocks
5.6.4. Systèmes de stockage

5.7. Gestion stratégique des achats

5.7.1. Stratégie d'entreprise
5.7.2. Planification stratégique
5.7.3. Stratégie d'achat

5.8. Typologie de la Chaîne d'Approvisionnement (SCM)

5.8.1. Chaîne d'approvisionnement
5.8.2. Avantages de la gestion de la chaîne approvisionnement
5.8.3. Gestion logistique de la chaîne d'approvisionnement

5.9. Supply Chain management

5.9.1. Concept de Gestion de la Chaîne d'Approvisionnement (SCM)
5.9.2. Coûts et efficacité de la chaîne d'opérations
5.9.3. Modèles de Demande
5.9.4. La stratégie opérationnelle et le changement

5.10. Interactions de la SCM avec tous les secteurs

5.10.1. Interaction de la chaîne d'approvisionnement
5.10.2. Interaction de la chaîne d'approvisionnement. Intégration par parties
5.10.3. Problèmes d'intégration de la chaîne d'approvisionnement
5.10.4. Chaîne d'approvisionnement 4.0

5.11. Coûts logistiques

5.11.1. Coûts logistiques
5.11.2. Problèmes de coûts logistiques
5.11.3. Optimisation des coûts logistiques

5.12. Rentabilité et efficacité des chaînes logistiques: KPIs

5.12.1. Chaîne logistique
5.12.2. Rentabilité et efficacité de la chaîne logistique
5.12.3. Indicateurs de rentabilité et efficacité des chaînes logistiques

5.13. Gestion des processus

5.13.1. Gestion du processus
5.13.2. Approche basée sur les processus: carte des processus
5.13.3. Amélioration de la gestion des processus

5.14. Distribution et logistique des transports

5.14.1. Distribution de la chaîne d'approvisionnement
5.14.2. Logistique des Transports
5.14.3. Systèmes d'Information Géographique au service de la Logistique

5.15. Logistique et clients

5.15.1. Analyse de la Demande
5.15.2. Prévision de la Demande et Ventes
5.15.3. Planification des Ventes et des Opérations
5.15.4. Planification, prévision et réapprovisionnement participatifs (CPFR)

5.16. Logistique internationale

5.16.1. Processus d'exportation et d'importation
5.16.2. Douanes
5.16.3. Formes et Moyens de Paiement Internationaux
5.16.4. Plateformes logistiques internationales

5.17. Outsourcing des opérations

5.17.1. Gestion des Opération et Outsourcing
5.17.2. Mise en œuvre de l'outsourcing dans les environnements logistiques

5.18. Compétitivité des opérations

5.18.1. Gestion des Opérations
5.18.2. Compétitivité opérationnelle
5.18.3. Stratégie Opérationnelle et avantages concurrentiels

5.19. Gestion de la qualité

5.19.1. Clients internes et externes
5.19.2. coûts de la qualité
5.19.3. L'amélioration continue et la philosophie de Deming

Module 6. Gestion des systèmes d’information

6.1. Environnements technologiques

6.1.1. Technologie et mondialisation
6.1.2. Environnement économique et technologie
6.1.3. L'environnement technologique et son impact sur les entreprises

6.2. Systèmes et technologies de l'information dans l'entreprise

6.2.1. Évolution du modèle informatique
6.2.2. Organisation et département IT
6.2.3. Technologies de l'information et environnement économique

6.3. Stratégie d'entreprise et stratégie technologique

6.3.1. Création de valeur pour les clients et les actionnaires
6.3.2. Décisions stratégiques en matière de SI/TI
6.3.3. Stratégie d'entreprise vs. Technologie et stratégie numérique

6.4. Gestion des Systèmes d’Information

6.4.1. Gouvernance d'Entreprise en matière de technologies et de systèmes d'information
6.4.2. Gestion des systèmes d'information dans les entreprises
6.4.3. Responsables des systèmes d'information: rôles et fonctions

6.5. Planification Stratégique des Systèmes d'Information

6.5.1. Systèmes d'information et stratégie d’entreprise
6.5.2. Planification stratégique des systèmes d'information
6.5.3. Phases de la planification stratégique des systèmes d'information

6.6. Systèmes d'information pour la prise de décision

6.6.1. Business intelligence
6.6.2. Data Warehouse
6.6.3. BSC ou Tableau de Bord Prospectif

6.7. Explorer l'information

6.7.1. SQL: bases de données relationnelles. Concepts de base
6.7.2. Réseaux et communication
6.7.3. Système opérationnel: modèles de données standardisés
6.7.4. Système stratégique: OLAP, modèle multidimensionnel et dashboards graphiques
6.7.5. Analyse stratégique du BBDD et composition des rapports

6.8. L'intelligence économique dans l’entreprise

6.8.1. Le monde des données
6.8.2. Concepts pertinents
6.8.3. Caractéristiques principales
6.8.4. Solutions actuelles du marché
6.8.5. Architecture globale d'une solution BI
6.8.6. Cybersécurité dans la BI et Data Science

6.9. Nouveau concept commercial

6.9.1. Pourquoi la BI?
6.9.2. Obtenir l'information
6.9.3. BI dans les différents départements de l'entreprise
6.9.4. Raisons d'investir dans la BI

6.10. Outils et solutions de BI

6.10.1. Comment choisir le meilleur outil?
6.10.2. Microsoft Power BI, MicroStrategy et Tableau
6.10.3. SAP BI, SAS BI et Qlikview
6.10.4. Prometeus

6.11. Planification et gestion Projet BI

6.11.1. Premières étapes pour définir un projet de BI
6.11.2. Solution BI pour l'entreprise
6.11.3. Exigences et objectifs

6.12. Applications de gestion d'entreprise

6.12.1. Systèmes d'information et gestion d’entreprise
6.12.2. Applications pour la gestion d’entreprise
6.12.3. Systèmes Enterpise Resource Planning ou ERP

6.13. Transformation Numérique

6.13.1. Cadre conceptuel de la transformation numérique
6.13.2. Transformation numérique; éléments clés, bénéfices et inconvénients
6.13.3. La transformation numérique dans les entreprises

6.14. Technologies et tendances

6.14.1. Principales tendances dans le domaine de la technologie qui changent les modèles commerciaux
6.14.2. Analyse des principales technologies émergentes

6.15. Outsourcing de TI

6.15.1. Cadre conceptuel du outsourcing
6.15.2. Outsourcing de TI et son impact dans les affaires
6.15.3. Clés pour la mise en place de projets d’entreprise de outsourcing de TI

Module 7. Gestion Commerciale, Marketing Stratégique et Communication d’Entreprise

7.1. Gestion commerciale

7.1.1. Cadre conceptuel de la gestion commerciale
7.1.2. Stratégie et planification commerciale
7.1.3. Le rôle des directeurs commerciaux

7.2. Marketing

7.2.1. Concept de Marketing
7.2.2. Éléments de base du marketing
7.2.3. Activités de marketing de l’entreprise

7.3. Gestion Stratégique du Marketing

7.3.1. Concept de Marketing stratégique
7.3.2. Concept de planification stratégique du marketing
7.3.3. Les étapes du processus de planification stratégique du marketing

7.4. Marketing numérique et e-commerce

7.4.1. Objectifs du Marketing Numérique et e-commerce
7.4.2. Marketing Numérique et moyen qu’il utilise
7.4.3. Commerce électronique. Contexte général
7.4.4. Catégories du commerce électronique
7.4.5. Avantages et inconvénients du Ecommerce face au commerce traditionnel

7.5. Managing digital business

7.5.1. Stratégie concurrentielle face à la numérisation croissante des médias
7.5.2. Conception et création d’un plan de Marketing Numérique
7.5.3. Analyse du ROI dans un plan de Marketing Numérique

7.6. Marketing numérique pour renforcer la marque

7.6.1. Stratégies en ligne pour améliorer la réputation de la marque
7.6.2. Branded Content & Storytelling

7.7. Stratégie de Marketing Numérique

7.7.1. Définir la stratégie de Marketing Numérique
7.7.2. Outil de stratégie du Marketing Numérique

7.8. Marketing numérique pour attirer et fidéliser les clients

7.8.1. Stratégies de fidélisation et de liaison par Internet
7.8.2. Visitor Relationship Management
7.8.3. Hyper-segmentation

7.9. Gestion des campagnes numériques

7.9.1. Qu'est-ce qu'une campagne de publicité numérique?
7.9.2. Étapes du lancement d'une campagne de marketing en ligne
7.9.3. Erreurs dans les campagnes de publicité numérique

7.10. Plan de marketing en ligne

7.10.1. Qu'est-ce qu'un plan de Marketing en Ligne?
7.10.2. Étapes pour créer un plan de Marketing en Ligne
7.10.3. Avantages de disposer d’un plan de Marketing en Ligne

7.11. Blended marketing

7.11.1. Qu'est-ce que le Blended Marketing?
7.11.2. Différence entre le Marketing en Ligne et Offline
7.11.3. Aspects à prendre en compte dans la stratégie de Blended Marketing
7.11.4. Caractéristiques d'une stratégie de Blended Marketing
7.11.5. Recommandatrions en Blended Marketing
7.11.6. Bénéfices du Blended Marketing

7.12. Stratégie de vente

7.12.1. Stratégie de vente
7.12.2. Méthodes de vente

7.13. Communication d’Entreprise

7.13.1. Concept
7.13.2. Importance de la communication dans l’organisation
7.13.3. Type de la communication dans l’organisation
7.13.4. Fonctions de la communication dans l'organisation
7.13.5. Éléments de communication
7.13.6. Problèmes de communication
7.13.7. Scénario de la communication

7.14. Stratégie de Communication d’Entreprise

7.14.1. Programmes de motivation, d’action sociale, de participation et de formation avec les RH
7.14.2. Instruments et supports de communication interne
7.14.3. Le plan de communication interne

7.15. Communication et réputation numérique

7.15.1. Réputation en ligne
7.15.2. Comment mesurer la réputation numérique?
7.15.3. Outils de réputation en ligne
7.15.4. Rapport sur la réputation en ligne
7.15.5. Branding en ligne

Module 8. Rechercher du marché, publicité et gestion commerciale

8.1. Étude de Marchés

8.1.1. Étude de marchés: origine historique
8.1.2. Analyse du cadre conceptuel des études de marchés
8.1.3. Éléments clés et contribution de valeur de l’étude de marchés

8.2. Méthodes et techniques de recherche quantitative

8.2.1. Taille de l'échantillon
8.2.2. Échantillonnage
8.2.3. Types de Techniques Quantitatives

8.3. Méthodes et techniques de recherche qualitative

8.3.1. Types de Recherche Qualitative
8.3.2. Techniques de Recherche Qualitative

8.4. Segmentation du marché

8.4.1. Concept de la segmentation du marché
8.4.2. Utilité et exigences de la segmentation
8.4.3. Segmentation des marchés de consommation
8.4.4. Segmentation des marchés industriels
8.4.5. Stratégies de segmentation
8.4.6. Segmentation sur la base des critères du marketing - mix
8.4.7. Méthodologie de la segmentation du marché

8.5. Gestion de projets de recherche

8.5.1. Les études de Marché comme un processus
8.5.2. Étapes de la Planification d'une Étude de Marchés
8.5.3. Les étapes de l'Exécution d'une Étude de Marchés
8.5.4. Gestion d'un Projet de Recherche

8.6. L’investigation des marchés internationaux

8.6.1. Étude des Marchés Internationaux
8.6.2. Processus d’Étude des Marchés Internationaux
8.6.3. L'importance des sources secondaires dans les études de Marchés Internationaux

8.7. Études de faisabilité

8.7.1. Concept et utilité
8.7.2. Schéma d'études de faisabilité
8.7.3. Développement d’une étude de faisabilité

8.8. Publicité

8.8.1. Antécédents historiques de la Publicité
8.8.2. Cadre conceptuel de la Publicité ; principes, concept de briefing et de positionnement
8.8.3. Agences de publicité, agences de médias et professionnels de la publicité
8.8.4. Importance de la publicité pour les entreprises
8.8.5. Tendances et défis en matière de publicité

8.9. Développement du plan de Marketing

8.9.1. Concept du Plan de Marketing
8.9.2. Analyse et diagnostic de la situation
8.9.3. Décisions de Marketing Stratégique
8.9.4. Décisions de Marketing Opérationnel

8.10. Stratégies de promotion et Merchandising

8.10.1. Communication Marketing Intégrée
8.10.2. Plan de Communication Publicitaire
8.10.3. Le Merchandising comme technique de Communication

8.11. Planification des médias

8.11.1. Origine et évolution de la planification des médias
8.11.2. Moyens de communication
8.11.3. Plan de médias

8.12. Principes fondamentaux de la gestion des entreprises

8.12.1. Le rôle de la Gestion Commerciale
8.12.2. Systèmes d'analyse de la situation concurentielle commerciale entreprise/marché
8.12.3. Systèmes de planification commerciale de l’entreprise
8.12.4. Principales stratégies concurrentielles

8.13. Négociation commerciale

8.13.1. Négociation commerciale
8.13.2. Les enjeux psychologiques de la négociation
8.13.3. Principales méthodes de négociation
8.13.4. Le processus de négociation

8.14. La prise de décision dans la gestion commerciale

8.14.1. Stratégie commerciale et stratégie concurrentielle
8.14.2. Modèles de prise de décision
8.14.3. Outils décisionnels et analytiques
8.14.4. Comportement humain dans la prise de décision

8.15. Direction et gestion du réseau de vente

8.15.1. Sales Management. Gestion des ventes
8.15.2. Des réseaux au service de l'activité commerciale
8.15.3. Politiques de sélection et de formation des vendeurs
8.15.4. Systèmes de rémunération des réseaux commerciaux propres et externes
8.15.5. Gestion du processus commercial. Contrôle et assistance au travail des commerciaux en se basant sur l’information

8.16. Mise en œuvre de la fonction commerciale

8.16.1. Recrutement de ses propres représentants commerciaux et d'agents commerciaux
8.16.2. Contrôle de l'activité commerciale
8.16.3. Le code de déontologie du personnel commercial
8.16.4. Conformité:
8.16.5. Normes commerciales de consuite généralement acceptées

8.17. Gestion des comptes clés

8.17.1. Concept de Gestion de Comptes Clés
8.17.2. Le Key Account Manager
8.17.3. Stratégie de Gestion des Comptes Clés

8.18. Gestion financière et budgétaire

8.18.1. Seuil de rentabilité
8.18.2. Variations du budget des ventes. Contrôle de gestion et du plan de vente annuel
8.18.3. Impact financier des décisions stratégiques commerciales
8.18.4. Gestion du cycle, des rotations, de la rentabilité et des liquidités
8.18.5. Compte de résultat

Module 9. Innovation et Gestion de Projets

9.1. Innovation

9.1.1. Introduction à l'innovation
9.1.2. L'innovation dans l'écosystème entrepreneurial
9.1.3. Instruments et outils pour le processus d'innovation des entreprises

9.2. Stratégie de l’Innovation

9.2.1. Intelligence stratégique et innovation
9.2.2. Stratégies d’innovation

9.3. Project Management pour Startups

9.3.1. Concept de startup
9.3.2. Philosophie Lean Startup
9.3.3. Étapes du développement d’une startup
9.3.4. Le rôle d’un gestionnaire de projets dans une startup

9.4. Conception et validation du modèle d’entreprise

9.4.1. conceptuelle d'un un modèle d'entreprise
9.4.2. Conception validation de modèle économique

9.5. Direction et Gestion des Projets

9.5.1. Gestion de projet: identification des opportunités de développer des projets d'innovation au sein de l'entreprise
9.5.2. Principales étapes ou phases de la conduite et de la gestion des projets d'innovation

9.6. Gestion du changement dans les projets: gestion de la formation

9.6.1. Concept de Gestion du Changement
9.6.2. Le Processus de Gestion du Changement
9.6.3. La mise en œuvre du changement

9.7. Gestion de la communication de projets

9.7.1. Gestion de la communication des projets
9.7.2. Concepts clés pour la gestion des communications
9.7.3. Tendances émergentes
9.7.4. Adaptation à l'équipe
9.7.5. Planification de la gestion des communications
9.7.6. Gestion des communications
9.7.7. Surveiller les communications

9.8. Méthodologies traditionnelles et innovantes

9.8.1. Méthodologies d'innovation
9.8.2. Principes de base du Scrum
9.8.3. Différences entre les aspectsw principaux du Scrum et les méthodologies traditionnelles

9.9. Création d'une start-up

9.9.1. Création d'une start-up
9.9.2. Organisation et culture
9.9.3. Les dix principaux motifs pour lesquels échouent les start-ups

9.10. Planification de la gestion des risques dans les projets

9.10.1. Planification des risques
9.10.2. Éléments de création d’un plan de gestion des risques
9.10.3. Outils de création d’un plan de gestion des risques
9.10.4. Contenu du plan de gestion des risques

Module 10. Management Exécutif

10.1. General Management

10.1.1. Concept General Management
10.1.2. L'action du Manager Général
10.1.3. Le Directeur Général et ses fonctions
10.1.4. Transformation du travail de la direction

10.2. Le manager et ses fonctions. La culture organisationnelle et ses approches

10.2.1. Le manager et ses fonctions. La culture organisationnelle et ses approches

10.3. Direction des opérations

10.3.1. Importance de la gestion
10.3.2. La chaîne de valeur
10.3.3. Gestion de qualité

10.4. Discours et formation de porte-parole

10.4.1. Communication interpersonnelle
10.4.2. Compétences communicatives et l’influence
10.4.3. Obstacles à la communication

10.5. Outils de communication personnels et organisationnels

10.5.1. Communication interpersonnelle
10.5.2. Outils de la communication Interpersonnelle
10.5.3. La communication dans les organisations
10.5.4. Outils dans l'organisation

10.6. Communication en situation de crise

10.6.1. Crise
10.6.2. Phases de la crise
10.6.3. Messages: contenu et calendrier

10.7. Préparer un plan de crise

10.7.1. Analyse des problèmes potentiels
10.7.2. Planification
10.7.3. Adéquation du personnel

10.8. Intelligence émotionnelle

10.8.1. Intelligence émotionnelle et communication
10.8.2. Affirmation, empathie et écoute active
10.8.3. Estime de soi et communication émotionnelle

10.9. Branding Personnel

10.9.1. Stratégies pour développer la marque personnelle
10.9.2. Les lois de l'image de marque personnelle
10.9.3. Outils de construction de la marque personnelle

10.10. Leadership et gestion d’équipes

10.10.1. Leadership et styles de leadership
10.10.2. Capacités et défis du Leader
10.10.3. Gestion des Processus de Changement
10.10.4. Gestion d'Équipes Multiculturelles

Module 11. Principes fondamentaux de l'Intelligence Artificielle

11.1. Histoire de l'Intelligence artificielle

11.1.1. Quand avons-nous commencé à parler d'Intelligence Artificielle?
11.1.2. Références dans le cinéma
11.1.3. Importance de l'intelligence artificielle
11.1.4. Technologies habilitantes et de soutien pour l'Intelligence Artificielle

11.2. L'Intelligence Artificielle dans les jeux

11.2.1. La théorie des Jeux
11.2.2. Minimax et Alpha-Beta
11.2.3. Simulation: Monte Carlo

11.3. Réseaux neuronaux

11.3.1. Fondements biologiques
11.3.2. Modèle informatique
11.3.3. Réseaux neuronaux supervisés et non supervisés
11.3.4. Perceptron simple
11.3.5. Perceptron multicouche

11.4. Algorithmes génétiques

11.4.1. Histoire
11.4.2. Base biologique
11.4.3. Codification des problèmes
11.4.4. Génération de la population initiale
11.4.5. Algorithme principal et opérateurs génétiques
11.4.6. Évaluation des individus: Fitness

11.5. Thésaurus, vocabulaires, taxonomies

11.5.1. Vocabulaires
11.5.2. Taxonomies
11.5.3. Thésaurus
11.5.4. Ontologies
11.5.5. Représentation de la connaissance: Web sémantique

11.6. Web sémantique

11.6.1. Spécifications: RDF, RDFS et OWL
11.6.2. Inférence/raisonnement
11.6.3. Linked Data

11.7. Systèmes experts et DSS

11.7.1. Systèmes experts
11.7.2. Systèmes d'aide à la décision

11.8. Chatbots et assistants virtuels

11.8.1. Types d’assistants: Assistants vocaux et textuels
11.8.2. Éléments fondamentaux pour le développement d'un assistant: Intents, entités et flux de dialogue
11.8.3. Intégration: Web, Slack, Whatsapp, Facebook
11.8.4. Outils d'aide au développementd’un assiatant: Dialog Flow, Watson Assistant

11.9. Stratégie de mise en œuvre de l'IA
11.10. L'avenir de l'intelligence artificielle

11.10.1. Nous comprenons comment détecter les émotions grâce aux algorithmes
11.10.2. Création de la marque personnelle: Langue, expressions et contenu
11.10.3. Tendances en matière d'intelligence artificielle
11.10.4. Réflexion

Module 12. Types et cycle de vie des données

12.1. Statistiques

12.1.1. Statistiques: Statistiques descriptives, statistiques inférentielles
12.1.2. Population, échantillon, individu
12.1.3. Variables: Définition, échelles de mesure

12.2. Types de données statistiques

12.2.1. Selon le type

12.2.1.1. Quantitatifs: Données Continues Et données discrètes
12.2.1.2. Qualitatifs: Données binomiales, données nominales et données ordinales

12.2.2. Selon la forme

12.2.2.1. Numérique
12.2.2.2. Texte
12.2.2.3. Logique

12.2.3. Selon la source

12.2.3.1. Primaire
12.2.3.2. Secondaire

12.3. Cycle de vie des données

12.3.1. Étape de cycle
12.3.2. Les étapes du cycle
12.3.3. Les principes du FAIR

12.4. Les premières étapes du cycle

12.4.1. Définition des objectifs
12.4.2. Détermination des besoins en ressources
12.4.3. Diagramme de Gantt
12.4.4. Structure des données

12.5. Collecte des données

12.5.1. Méthodologie de collecte
12.5.2. Outils de collecte
12.5.3. Canaux de collecte

12.6. Nettoyage des données

12.6.1. Phases du nettoyage des données
12.6.2. Qualité des données
12.6.3. Manipulation des données (avec R)

12.7. Analyse des données, interprétation et évaluation des résultats

12.7.1. Mesures statistiques
12.7.2. Indices de ratios
12.7.3. Extraction de données

12.8. Entrepôt de données (Datawarehouse)

12.8.1. Les éléments qui le composent
12.8.2. Conception
12.8.3. Aspects à prendre en compte

12.9. Disponibilité des données

12.9.1. Accès
12.9.2. Utilité
12.9.3. Sécurité

12.10. Aspects Réglementaires

12.10.1. Loi de protection des données
12.10.2. Bonnes pratiques
12.10.3. Autres aspects réglementaires

Module 13. Les données de l’Intelligence Artificielle

13.1. Science des données

13.1.1. La science des données
13.1.2. Outils avancés pour le scientifique des données

13.2. Données, informations et connaissances

13.2.1. Données, informations et connaissances
13.2.2. Types de données
13.2.3. Sources des données

13.3. Des données aux informations

13.3.1. Analyse des données
13.3.2. Types d’analyse
13.3.3. Extraction d'informations d'un Dataset

13.4. Extraction d'informations par la visualisation

13.4.1. La visualisation comme outil d’analyse
13.4.2. Méthodes de visualisation
13.4.3. Visualisation d'un ensemble de données

13.5. Qualité des données

13.5.1. Données de qualités
13.5.2. Nettoyage des données
13.5.3. Prétraitement de base des données

13.6. Dataset

13.6.1. Enrichissement du Dataset
13.6.2. La malédiction de la dimensionnalité
13.6.3. Modification d'un ensemble de données

13.7. Déséquilibre

13.7.1. Déséquilibre des classes
13.7.2. Techniques d'atténuation du déséquilibre
13.7.3. Équilibrer un Dataset

13.8. Modèles non supervisé

13.8.1. Modèles non supervisé
13.8.2. Méthodes
13.8.3. Classifications avec modèles non supervisé

13.9. Modèles supervisés

13.9.1. Modèles supervisé
13.9.2. Méthodes
13.9.3. Classifications avec modèles supervisés

13.10. Outils et bonnes pratiques

13.10.1. Bonnes pratiques pour un scientifique des données
13.10.2. Le meilleur modèle
13.10.3. Outils utiles

Module 14. Extraction de données. Sélection, prétraitement et transformation

14.1. Inférence statistique

14.1.1. Statistiques descriptives Inférence statistique
14.1.2. Procédures paramétriques
14.1.3. Procédures non paramétriques

14.2. Analyse exploratoire

14.2.1. Analyse descriptive
14.2.2. Visualisation
14.2.3. Préparations des données

14.3. Préparations des données

14.3.1. Intégration et nettoyage des données
14.3.2. Normalisation des données
14.3.3. Transformer les attributs

14.4. Valeurs manquantes

14.4.1. Traitement des valeurs manquantes
14.4.2. Méthodes d'imputation par maximum de vraisemblance
14.4.3. Imputation des valeurs manquantes à l'aide de l'apprentissage automatique

14.5. Bruit dans les données

14.5.1. Classes et attributs de bruit
14.5.2. Filtrage du bruit
14.5.3. L’effet du bruit

14.6. La malédiction de la dimensionnalité

14.6.1. Oversampling
14.6.2. Undersampling
14.6.3. Réduction des données multidimensionnelles

14.7. Des attributs continus aux attributs discrets

14.7.1. Données continues ou discrètes
14.7.2. Processus de discrétisation

14.8. Les données

14.8.1. Sélection des données
14.8.2. Perspectives et critères de sélections
14.8.3. Méthodes de sélection

14.9. Sélection des instances

14.9.1. Méthodes de sélection des instances
14.9.2. Sélection des prototypes
14.9.3. Méthodes avancées de sélection des instances

14.10. Prétraitement des données dans les environnements Big Data

Module 15. Algorithme et complexité en Intelligence Artificielle

15.1. Introduction aux stratégies de conception d'algorithmes

15.1.1. Récursion
15.1.2. Diviser pour mieux régner
15.1.3. Autres stratégies

15.2. Efficacité et analyse des algorithmes

15.2.1. Mesures d'efficacité
15.2.2. Taille de l'entrée de mesure
15.2.3. Mesure du temps d'exécution
15.2.4. Pire, meilleur et moyen cas
15.2.5. Notation asymptotique
15.2.6. Critères d'analyse mathématique des algorithmes non récursifs
15.2.7. Analyse mathématique des algorithmes récursifs
15.2.8. Analyse empirique des algorithmes

15.3. Algorithmes de tri

15.3.1. Concept de tri
15.3.2. Triage des bulles
15.3.3. Tri par sélection
15.3.4. Triage par insertion
15.3.5. Tri fusion (Merge_Sort)
15.3.6. Tri rapide (Quick_Sort)

15.4. Algorithmes avec arbres

15.4.1. Concept d'arbre
15.4.2. Arbres binaires
15.4.3. Allées d'arbres
15.4.4. Représentation des expressions
15.4.5. Arbres binaires ordonnés
15.4.6. Arbres binaires équilibrés

15.5. Algorithmes avec Heaps

15.5.1. Les Heaps
15.5.2. L'algorithme Heapsort
15.5.3. Files d'attente prioritaires

15.6. Algorithmes graphiques

15.6.1. Représentation
15.6.2. Voyage en largeur
15.6.3. Profondeur de déplacement
15.6.4. Disposition topologique

15.7. Algorithmes Greedy

15.7.1. La stratégie Greedy
15.7.2. Éléments de la stratégie Greedy
15.7.3. Change de devises
15.7.4. Le problème du voyageur
15.7.5. Problème de sac à dos

15.8. Recherche de chemins minimaux

15.8.1. Le problème du chemin minimal
15.8.2. Arcs et cycles négatifs
15.8.3. Algorithme de Dijkstra

15.9. Algorithmes Greedy sur graphiques

15.9.1. L'arbre à chevauchement minimal
15.9.2. L'algorithme de Prim
15.9.3. L'algorithme de Kruskal
15.9.4. Analyse de la complexité

15.10. Backtracking

15.10.1. Le Backtracking
15.10.2. Techniques alternatives

Module 16. Systèmes intelligents

16.1. Théorie des agents

16.1.1. Histoire du concept
16.1.2. Définition de l’agent
16.1.3. Les agents en Intelligence Artificielle
16.1.4. Les agents en génie de software

16.2. Architectures des agents

16.2.1. Le processus de raisonnement d'un agent
16.2.2. Agents réactifs
16.2.3. Agents déductifs
16.2.4. Agents hybrides
16.2.5. Comparaison

16.3. Information et connaissance

16.3.1. Distinction entre données, information et connaissance
16.3.2. Évaluation de la qualité des données
16.3.3. Méthodes de capture des données
16.3.4. Méthodes d'acquisition de l’information
16.3.5. Méthodes d'acquisition des connaissances

16.4. Représentation de la connaissance

16.4.1. L'importance de la représentation de la connaissance
16.4.2. Définition de la représentation de la connaissance à travers ses rôles
16.4.3. Caractéristiques d’une représentation de la connaissance

16.5. Ontologies

16.5.1. Introduction aux métadonnées
16.5.2. Concept philosophique d'ontologie
16.5.3. Concept informatique d'ontologie
16.5.4. Ontologies de domaine et ontologies de niveau supérieur
16.5.5. Comment construire une ontologie?

16.6. Langages des ontologies et software pour la création des ontologies

16.6.1. Triplés RDF, Turtle et N
16.6.2. RDF Schema
16.6.3. OWL
16.6.4. SPARQL
16.6.5. Introduction aux différents outils de création d'ontologies
16.6.6. Installation et utilisation du Protégé

16.7. Le web sémantique

16.7.1. L'état actuel et futur du web sémantique
16.7.2. Applications du web sémantique

16.8. Autres modèles de représentation de la connaissance

16.8.1. Vocabulaires
16.8.2. Vision globale
16.8.3. Taxonomies
16.8.4. Thésaurus
16.8.5. Folksonomies
16.8.6. Comparaison
16.8.7. Cartes mentales

16.9. Évaluation et intégration des représentations de la connaissance

16.9.1. Logique d'ordre zéro
16.9.2. Logique de premier ordre
16.9.3. Logique descriptive
16.9.4. Relations entre les différents types de logique
16.9.5. Prologue: Programmation basée sur la logique de premier ordre

16.10. Raisonneurs sémantiques, systèmes basés sur la connaissance et Systèmes Experts

16.10.1. Concept de raisonneur
16.10.2. Application d’un raisonneur
16.10.3. Systèmes basés sur la connaissance
16.10.4. MYCIN, histoire des Systèmes Experts
16.10.5. Éléments et Architecture des Systèmes Experts
16.10.6. Création de Systèmes Experts

Module 17. Apprentissage automatique et exploration des données

17.1. Introduction aux processus de découverte de la connaissance et concepts de base de l'apprentissage automatique

17.1.1. Concepts clés des processus de découverte de la connaissance
17.1.2. Perspective historique des processus de découverte de la connaissance
17.1.3. Étapes du processus de découverte de connaissances
17.1.4. Techniques utilisées dans les processus de découverte de la connaissance
17.1.5. Caractéristiques des bons modèles d'apprentissage automatique
17.1.6. Types d'informations sur l'apprentissage automatique
17.1.7. Concepts de base de l'apprentissage
17.1.8. Concepts de base de l'apprentissage non supervisé

17.2. Exploration et prétraitement des données

17.2.1. Traitement des données
17.2.2. Traitement des données dans le flux d'analyse des données
17.2.3. Types de données
17.2.4. Transformations de données
17.2.5. Affichage et exploration des variables continues
17.2.6. Visualisation et exploration des variables catégorielles
17.2.7. Mesures de corrélation
17.2.8. Représentations graphiques les plus courantes
17.2.9. Introduction à l'analyse multivariée et à la réduction des dimensions

17.3. Arbres de décision

17.3.1. Algorithme ID
17.3.2. Algorithme C
17.3.3. Surentraînement et taillage
17.3.4. Analyse des résultats

17.4. Évaluation des classificateurs

17.4.1. Matrices de confusion
17.4.2. Matrices d'évaluation numérique
17.4.3. Statistique de Kappa
17.4.4. La courbe ROC

17.5. Règles de classification

17.5.1. Mesures d'évaluation des règles
17.5.2. Introduction à la représentation graphique
17.5.3. Algorithme de superposition séquentielle

17.6. Réseaux neuronaux

17.6.1. Concepts de base
17.6.2. Réseaux neuronaux simples
17.6.3. Algorithme de Backpropagation
17.6.4. Introduction aux réseaux neuronaux récurrents

17.7. Méthodes bayésiennes

17.7.1. Concepts de base des probabilités
17.7.2. Théorème de Bayes
17.7.3. Naive Bayes
17.7.4. Introduction aux réseaux bayésiens

17.8. Modèles de régression et de réponse continue

17.8.1. Régression linéaire simple
17.8.2. Régression linéaire multiple
17.8.3. Régression logistique
17.8.4. Arbres de régression
17.8.5. Introduction aux machines à vecteurs de support (SVM)
17.8.6. Mesures de qualité de l'ajustement

17.9. Clustering

17.9.1. Concepts de base
17.9.2. Clustering hiérarché
17.9.3. Méthodes probabilistes
17.9.4. Algorithme EM
17.9.5. Méthode B-Cubed
17.9.6. Méthodes implicites

17.10. Exploration de textes et traitement du langage naturel (NLP)

17.10.1. Concepts de base
17.10.2. Création du corpus
17.10.3. Analyse descriptive
17.10.4. Introduction à l'analyse des sentiments

Module 18. Les Réseaux Neuronaux, la base du Deep Learning

18.1. Apprentissage profond

18.1.1. Types d'apprentissage profond
18.1.2. Applications de l'apprentissage profond
18.1.3. Avantages et Inconvénients de l'apprentissage profond

18.2. Opérations

18.2.1. Somme
18.2.2. Produit
18.2.3. Transfert

18.3. Couches

18.3.1. Couche d'entrée
18.3.2. Couche cachée
18.3.3. Couche de sortie

18.4. Liaison des couches et opérations

18.4.1. Conception des architectures
18.4.2. Connexion entre les couches
18.4.3. Propagation vers l'avant

18.5. Construction du premier réseau neuronal

18.5.1. Conception du réseau
18.5.2. Établissement des poids
18.5.3. Entraînement du réseau

18.6. Entraîneur et optimiseur

18.6.1. Sélection de l'optimiseur
18.6.2. Établissement d'une fonction de perte
18.6.3. Établissement d'une métrique

18.7. Application des Principes des Réseaux Neuronaux

18.7.1. Fonctions d'Activation
18.7.2. Propagation à rebours
18.7.3. Paramétrage

18.8. Des neurones biologiques aux neurones artificiels

18.8.1. Fonctionnement d'un neurone biologique
18.8.2. Transfert de la connaissance aux neurones artificiels
18.8.3. Établissement de relations entre les deux

18.9. Mise en œuvre du MLP (Perceptron Multicouche) avec Keras

18.9.1. Définition de la structure du réseau
18.9.2. Compilation du modèle
18.9.3. Formation au modèle

18.10. Hyperparamètres de Fine tuning des Réseaux Neuronaux

18.10.1. Sélection de la fonction d'activation
18.10.2. Réglage du Learning rate
18.10.3. Réglage des poids

Module 19. Entraînement de réseaux neuronaux profonds

19.1. Problèmes de gradient

19.1.1. Techniques d'optimisation du gradient
19.1.2. Gradients Stochastiques
19.1.3. Techniques d'initialisation des poids

19.2. Réutilisation des couches pré-entraînées

19.2.1. Entraînement de transfert d'apprentissage
19.2.2. Extraction de caractéristiques
19.2.3. Apprentissage profond

19.3. Optimiseurs

19.3.1. Optimiseurs à descente de gradient stochastique
19.3.2. Optimiseurs Adam et RMSprop
19.3.3. Optimiseurs de moment

19.4. Programmation du taux d'apprentissage

19.4.1. Contrôle automatique du taux d'apprentissage
19.4.2. Cycles d'apprentissage
19.4.3. Termes de lissage

19.5. Surajustement

19.5.1. Validation croisée
19.5.2. Régularisation
19.5.3. Mesures d'évaluation

19.6. Lignes directrices pratiques

19.6.1. Conception de modèles
19.6.2. Sélection des métriques et des paramètres d'évaluation
19.6.3. Tests d'hypothèses

19.7. Transfer Learning

19.7.1. Entraînement de transfert d'apprentissage
19.7.2. Extraction de caractéristiques
19.7.3. Apprentissage profond

19.8. Data Augmentation

19.8.1. Transformations d’image
19.8.2. Génération de données synthétiques
19.8.3. Transformation de texte

19.9. Application Pratique du Transfer Learning

19.9.1. Entraînement de transfert d'apprentissage
19.9.2. Extraction de caractéristiques
19.9.3. Apprentissage profond

19.10. Régularisation

19.10.1. L et L
19.10.2. Régularisation par entropie maximale
19.10.3. Dropout

Module 20. Personnaliser les modèles et l’entraînement avec TensorFlow

20.1. TensorFlow

20.1.1. Utilisation de la bibliothèque TensorFlow
20.1.2. Entraînement des modèles avec TensorFlow
20.1.3. Opérations avec les graphes dans TensorFlow

20.2. TensorFlow et NumPy

20.2.1. Environnement informatique NumPy pour TensorFlow
20.2.2. Utilisation des tableaux NumPy avec TensorFlow
20.2.3. Opérations NumPy pour les graphiques de TensorFlow

20.3. Personnalisation des modèles et des algorithmes d'entraînement

20.3.1. Construire des modèles personnalisés avec TensorFlow
20.3.2. Gestion des paramètres d'entraînement
20.3.3. Utilisation de techniques d'optimisation pour l'entraînement

20.4. Fonctions et graphiques de TensorFlow

20.4.1. Fonctions avec TensorFlow
20.4.2. Utilisation des graphiques pour l'entraînement des modèles
20.4.3. Optimisation des graphiques avec les opérations de TensorFlow

20.5. Chargement des données et prétraitement avec TensorFlow

20.5.1. Chargement des données d'ensembles avec TensorFlow
20.5.2. Prétraitement des données avec TensorFlow
20.5.3. Utilisation des outils TensorFlow pour la manipulation des données

20.6. L'API tfdata

20.6.1. Utilisation de l'API tfdata pour le traitement des données
20.6.2. Construction des flux de données avec tfdata
20.6.3. Utilisation de l'API tfdata pour l’entrainement des modèles

20.7. Le format TFRecord

20.7.1. Utilisation de l'API TFRecord pour la sérialisation des données
20.7.2. Chargement de fichiers TFRecord avec TensorFlow
20.7.3. Utilisation des fichiers TFRecord pour l'entraînement des modèles

20.8. Couches de prétraitement de Keras

20.8.1. Utilisation de l'API de prétraitement de Keras
20.8.2. Construire des pipelined de prétraitement avec Keras
20.8.3. Utilisation de l'API de prétraitement de Keras pour l’entrainement des modèles

20.9. Le projet TensorFlow Datasets

20.9.1. Utilisation de TensorFlow Datasets pour le chargement des données
20.9.2. Prétraitement des données avec TensorFlow Datasets
20.9.3. Utilisation de TensorFlow Datasets pour l’entrainement des modèles

20.10. Construire une Application de Deep Learning avec TensorFlow

20.10.1. Application pratique
20.10.2. Construire une application de Deep Learning avec TensorFlow
20.10.3. Entraînement d’un modèle avec TensorFlow
20.10.4. Utilisation de l'application pour la prédiction des résultats

Module 21. Deep Computer Vision avec les Réseaux Neuronaux Convolutifs

21.1. L’Architecture Visual Cortex

21.1.1. Fonctions du cortex visuel
21.1.2. Théories de la vision informatique
21.1.3. Modèles de traitement des images

21.2. Couches convolutives

21.2.1 Réutilisation des poids dans la convolution
21.2.2. Convolution D
21.2.3. Fonctions d'Activation

21.3. Couches de regroupement et mise en œuvre des couches de regroupement avec Keras

21.3.1. Pooling et Striding
21.3.2. Flattening
21.3.3. Types de Pooling

21.4. Architecture du CNN

21.4.1. Architecture du VGG
21.4.2. Architecture AlexNet
21.4.3. Architecture ResNet

21.5. Mise en œuvre d'un CNN ResNet à l'aide de Keras

21.5.1. Initialisation des poids
21.5.2. Définition de la couche d'entrée
21.5.3. Définition de la sortie

21.6. Utilisation de modèles pré-entraînésde Keras

21.6.1. Caractéristiques des modèles pré-entraînés
21.6.2. Utilisations des modèles pré-entraînés
21.6.3. Avantages des modèles pré-entraînés

21.7. Modèles pré-entraînés pour l'apprentissage par transfert

21.7.1. Apprentissage par transfert
21.7.2. Processus d'apprentissage par transfert
21.7.3. Avantages de l'apprentissage par transfert

21.8. Classification et localisation dans Deep Computer Vision

21.8.1. Classification des images
21.8.2. Localisation d'objets dans les images
21.8.3. Détection d'objets

21.9. Détection et suivi d'objets

21.9.1. Méthodes de détection d'objets
21.9.2. Algorithmes de suivi d'objets
21.9.3. Techniques de suivi et de localisation

21.10. Segmentation sémantique

21.10.1. Apprentissage profond pour la segmentation sémantique
21.10.1. Détection des bords
21.10.1. Méthodes de segmentation basées sur des règles

Module 22. Traitement du langage naturel (TNL) avec les Réseaux Récurrents Naturels (RRN) et l'Attention

22.1. Génération de texte à l'aide de RRN

22.1.1. Formation d'un RRN pour la génération de texte
22.1.2. Génération de langage naturel avec RRN
22.1.3. Applications de génération de texte avec RRN

22.2. Création de l'ensemble de données d'entraînement

22.2.1. Préparation des données pour l'entraînement d’un RRN
22.2.2. Stockage de l'ensemble de données d’entraînement
22.2.3. Nettoyage et transformation des données
22.2.4. Analyse des Sentiments

22.3. Classement des opinions avec RRN

22.3.1. Détection des problèmes dans les commentaires
22.3.2. Analyse des sentiments à l'aide d'algorithmes d'apprentissage profond

22.4. Réseau encodeur-décodeur pour la traduction automatique neuronale

22.4.1. Entraînement d'un RRN pour la traduction automatique
22.4.2. Utilisation d'un réseau encoder-decoder pour la traduction automatique
22.4.3. Améliorer la précision de la traduction automatique avec les RRN

22.5. Mécanismes d’attention

22.5.1. Application de mécanismes d’attention dans les RRN
22.5.2. Utilisation de mécanismes d'attention pour améliorer la précision des modèles
22.5.3. Avantages des mécanismes d'attention dans les réseaux neuronaux

22.6. Modèles Transformers

22.6.1. Utilisation des modèles Transformers pour le traitement du langage naturel
22.6.2. Application des modèles Transformers pour la vision
22.6.3. Avantages des modèles Transformers

22.7. Transformers pour la vision

22.7.1. Utilisation des modèles Transformers pour la vision
22.7.2. Prétraitement des données d'imagerie
22.7.3. Entrainement de modèle Transformers pour la vision

22.8. Bibliothèque de Transformers de Hugging Face

22.8.1. Utilisation de la bibliothèque de Transformers de Hugging Face
22.8.2. Application de la bibliothèque de Transformers de Hugging Face
22.8.3. Avantages de la bibliothèque de Transformers de Hugging Face

22.9. Autres bibliothèques de Transformers. Comparaison

22.9.1. Comparaison entre les bibliothèques de Transformers
22.9.2. Utilisation de bibliothèques de Transformers
22.9.3. Avantages des autres bibliothèques de Transformers

22.10. Développement d'une Application NLP avec RRN et Atención Application pratique

22.10.1. Développer une application de traitement du langage naturel et d'attention à l'aide de RRN
22.10.2. Utilisation des RNN, des mécanismes d’attention et des modèles Transformers dans l'application
22.10.3. Évaluation de l'application pratique

Module 23. Autoencodeurs, GANs et modèles de diffusion

23.1. Représentation des données efficaces

23.1.1. Réduction de la dimensionnalité
23.1.2. Apprentissage profond
23.1.3. Représentations compactes

23.2. Réalisation de PCA avec un codeur automatique linéaire incomplet

23.2.1. Processus d'apprentissage
23.2.2. Implémentation Python
23.2.3. Utilisation des données de test

23.3. Codeurs automatiques empilés

23.3.1. Réseaux neuronaux profonds
23.3.2. Construction d'architectures de codage
23.3.3. Utilisation de la régularisation

23.4. Auto-encodeurs convolutifs

23.4.1. Conception du modèle convolutionnels
23.4.2. Entrainement de modèles convolutionnels
23.4.3. Évaluation des résultats

23.5. Suppression du bruit des codeurs automatiques

23.5.1. Application de filtres
23.5.2. Conception de modèles de codage
23.5.3. Utilisation de techniques de régularisation

23.6. Codeurs automatiques dispersés

23.6.1. Augmentation de l'efficacité du codage
23.6.2. Minimiser le nombre de paramètres
23.6.3. Utiliser des techniques de régularisation

23.7. Codeurs automatiques variationnels

23.7.1. Utilisation de l'optimisation variationnelle
23.7.2. Apprentissage profond non supervisé
23.7.3. Représentations latentes profondes

23.8. Génération d'images MNIST à la mode

23.8.1. Reconnaissance des formes
23.8.2. Génération d'images
23.8.3. Entraînement de réseaux neuronaux profonds

23.9. Réseaux adversaires génératifs et modèles de diffusion

23.9.1. Génération de contenu à partir d'images
23.9.2. Modélisation des distributions de données
23.9.3. Utilisation de réseaux contradictoires

23.10. Mise en œuvre des Modèles

23.10.1. Application Pratique
23.10.2. Implémentation des modèles
23.10.3. Utilisation de données réelles
23.10.4. Évaluation des résultats

Module 24. Traitement du langage naturel (TNL) avec les Réseaux Récurrents Naturels (RRN) et l'Attention

24.1. Introduction à l'informatique bio-inspirée

24.1.1. Introduction à l'informatique bio-inspirée

24.2. Algorithmes d'adaptation sociale

24.2.1. Informatique bio-inspirée basée sur des colonies de fourmis
24.2.2. Variantes des algorithmes des colonies de fourmis
24.2.3. Informatique basée sur des nuages de particules

24.3. Algorithmes génétiques

24.3.1. Structure générale
24.3.2. Implantations des principaux opérateurs

24.4. Stratégies d'exploration-exploitation de l'espace pour les algorithmes génétiques

24.4.1. Algorithme CHC
24.4.2. Problèmes multimodaux

24.5. Modèles de calcul évolutif (I)

24.5.1. Stratégies évolutives
24.5.2. Programmation évolutive
24.5.3. Algorithmes basés sur l'évolution différentielle

24.6. Modèles de calcul évolutif (II)

24.6.1. Modèles d'évolution basés sur l'estimation des distributions (EDA)
24.6.2. Programmation génétique

24.7. Programmation évolutive appliquée aux problèmes d'apprentissage

24.7.1. Apprentissage basé sur des règles
24.7.2. Méthodes évolutives dans les problèmes de sélection des instances

24.8. Problèmes multi-objectifs

24.8.1. Concept de dominance
24.8.2. Application des algorithmes évolutifs aux problèmes multi-objectifs

24.9. Réseaux neuronaux (I)

24.9.1. Introduction aux réseaux neuronaux
24.9.2. Exemple pratique avec les réseaux neuronaux

24.10. Réseaux neuronaux (II)

24.10.1. Cas d'utilisation des réseaux neuronaux dans la recherche médicale
24.10.2. Cas d'utilisation des réseaux neuronaux dans l’économie
24.10.3. Cas d'utilisation des réseaux neuronaux dans la vision artificielle

Module 25. Intelligence Artificielle: Stratégies et applications

25.1. Services financiers

25.1.1. Les implications de l'intelligence artificielle (IA) dans les services financiers.Opportunités et défis
25.1.2. Cas d'utilisation
25.1.3. Risques potentiels liés à l'utilisation de l'IA
25.1.4. Potentiels de développements / d’utilisations futurs de l'IA

25.2. Implications de l'intelligence artificielle dans les services de santé

25.2.1. Implications de l'IA dans le secteur de la santé. Opportunités et défis
25.2.2. Cas d'utilisation

25.3. Risques Liés à l'utilisation de l'IA dans les services de santé

25.3.1. Risques potentiels liés à l'utilisation de l'IA
25.3.2. Potentiels de développements / d’utilisations futurs de l'IA

25.4. Retail

25.4.1. Implications de l'IA dans le commerce de détail.. Opportunités et défis
25.4.2. Cas d'utilisation
25.4.3. Risques potentiels liés à l'utilisation de l'IA
25.4.4. Potentiels de développements / d’utilisations futurs de l'IA

25.5. Industrie

25.5.1. Implications de l'IA dans l'Industrie. Opportunités et défis
25.5.2. Cas d'utilisation

25.6. Risques potentiels liés à l'utilisation de l'IA dans l'Industrie

25.6.1. Cas d'utilisation
25.6.2. Risques potentiels liés à l'utilisation de l'IA
25.6.3. Potentiels de développements / d’utilisations futurs de l'IA

25.7. Administration publique

25.7.1. Implications de l'IA dans l'Administration Publique. Opportunités et défis
25.7.2. Cas d'utilisation
25.7.3. Risques potentiels liés à l'utilisation de l'IA
25.7.4. Potentiels de développements / d’utilisations futurs de l'IA

25.8. Éducation

25.8.1. Implications de l'IA dans l'éducation. Opportunités et défis
25.8.2. Cas d'utilisation
25.8.3. Risques potentiels liés à l'utilisation de l'IA
25.8.4. Potentiels de développements / d’utilisations futurs de l'IA

25.9. Sylviculture et agriculture

25.9.1. Implications de l'IA pour la foresterie et l'agriculture. Opportunités et défis
25.9.2. Cas d'utilisation
25.9.3. Risques potentiels liés à l'utilisation de l'IA
25.9.4. Potentiels de développements / d’utilisations futurs de l'IA

25.10. Ressources Humaines

25.10.1. Implications de l'IA pour les ressources humaines. Opportunités et défis
25.10.2. Cas d'utilisation
25.10.3. Risques potentiels liés à l'utilisation de l'IA
25.10.4. Potentiels de développements / d’utilisations futurs de l'IA

Module 26. Applications Pratique en Intelligence Artificielle en Conception

26.1. Génération automatique d'images dans la conception graphique avec Wall-e, Adobe Firefly et Stable Difussion

26.1.1. Concepts fondamentaux de la génération d'images
26.1.2. Outils et frameworks pour la génération de graphiques automatiques
26.1.3. Impact social et culturel de la conception générative
26.1.4. Tendances actuelles dans le domaine et développements et applications futurs

26.2. Personnalisation dynamique des interfaces utilisateur à l'aide de l'IA

26.2.1. Principes de personnalisation UI/UX
26.2.2. Algorithmes de recommandation dans la personnalisation de l'interface utilisateur
26.2.3. Expérience de l'utilisateur et retour d'information continu
26.2.4. Mise en œuvre pratique dans des applications réelles

26.3. Conception générative: Applications dans l'industrie et l'art

26.3.1. Principes fondamentaux de la conception générative
26.3.2. Conception générative dans l'industrie
26.3.3. Conception générative dans l'art contemporain
26.3.4. Défis et développements futurs en matière de conception générative

26.4. Création automatique de Layouts éditoriaux à l'aide d'algorithmes

26.4.1. Principes du Layout éditorial automatique
26.4.2. Algorithmes de distribution de contenu
26.4.3. Optimisation des espaces et des proportions dans la conception éditoriale
26.4.4. Automatisation du processus de révision et d'ajustement

26.5. Génération procédurale de contenu dans les jeux vidéo avec PCG

26.5.1. Introduction à la génération procédurale dans les jeux vidéo
26.5.2. Algorithmes de création automatique de niveaux et d'environnements
26.5.3. Narration procédurale et embranchements dans les jeux vidéo
26.5.4. Impact de la génération procédurale sur l'expérience du joueur

26.6. Reconnaissance de formes dans les logos avec Machine Learning à l'aide de Cogniac

26.6.1. Fondamentaux de la reconnaissance des formes dans la conception graphique
26.6.2. Mise en œuvre de modèles de Machine Learning pour l'identification de logos
26.6.3. Applications pratiques dans la conception graphique

26.6. Considérations juridiques et éthiques relatives à la reconnaissance des logos
26.7. Optimisation des couleurs et des compositions avec l'IA

26.7.1. Psychologie des couleurs et composition visuelle
26.7.2. Algorithmes d'optimisation des couleurs dans la conception graphique avec Adobe Color Wheel et Coolors
26.7.3. Composition automatique d'éléments visuels à l'aide de Framer, Canva et RunwayML
26.7.4. Évaluation de l'impact de l'optimisation automatique sur la perception de l'utilisateur

26.8. Analyse prédictive des tendances visuelles en matière de conception

26.8.1. Collecte de données et tendances actuelles
26.8.2. Modèles de Machine Learning pour la prédiction des tendances
26.8.3. Mise en œuvre de stratégies proactives dans la conception
26.8.4. Principes d'utilisation des données et des prévisions dans la conception

26.9. Collaboration assistée par l'IA dans les équipes de conception

26.9.1. Collaboration entre l'homme et l'IA dans les projets de conception
26.9.2. Plateformes et outils pour la collaboration assistée par l'IA (Adobe Creative Cloud et Sketch2React)
26.9.3. Meilleures pratiques en matière d'intégration des technologies assistées par l'IA
26.9.4. Perspectives d'avenir pour la collaboration entre l'homme et l'IA dans le domaine de la conception

26.10. Stratégies pour une intégration réussie de l'IA dans la conception

26.10.1. Identification des besoins de conception pouvant être résolus par l'IA
26.10.2. Évaluation des plateformes et outils disponibles
26.10.3. Intégration efficace dans les projets de conception
26.10.4. Optimisation et adaptabilité continues

Module 27. Interaction Conception-Utilisateur et IA

27.1. Suggestions de conception comportementale contextuelle

27.1.1. Comprendre le comportement de l'utilisateur dans la conception
27.1.2. Systèmes de suggestions contextuelles basés sur l'IA
27.1.3. Stratégies visant à garantir la transparence et le consentement de l'utilisateur
27.1.4. Tendances et améliorations possibles en matière de personnalisation comportementale

27.2. Analyse prédictive des interactions avec les utilisateurs

27.2.1. Importance de l'analyse prédictive dans les interactions entre l'utilisateur et le concepteur
27.2.2. Modèles de Machine Learning pour la prédiction des comportement de l'utilisateur
27.2.3. Intégrer l'analyse prédictive dans la conception de l'interface utilisateur
27.2.4. Défis et dilemmes de l'analyse prédictive

27.3. Conception adaptative à différents appareils grâce à l'IA

27.3.1. Principes de la conception adaptative des appareils
27.3.2. Algorithmes d'adaptation du contenu
27.3.3. Optimisation de l'interface pour les expériences mobiles et de bureau
27.3.4. Développements futurs de la conception adaptative avec les technologies émergentes

27.4. Génération automatique de personnages et d'ennemis dans les jeux vidéo

27.4.1. Nécessité de la génération automatique dans le développement des jeux vidéo
27.4.2. Algorithmes de génération de personnages et d'ennemis
27.4.3. Personnalisation et adaptabilité des personnages générés automatiquement
27.4.4. Expériences de développement: Défis et leçons apprises

27.5. Améliorer l'IA dans les personnages du jeu

27.5.1. Importance de l'intelligence artificielle dans les personnages de jeux vidéo
27.5.2. Algorithmes pour améliorer le comportement des personnages
27.5.3. Adaptation continue et apprentissage de l'IA dans les jeux
27.5.4. Défis techniques et créatifs liés à l'amélioration de l'IA des personnages

27.6. Conception personnalisée dans l'industrie: Défis et opportunités

27.6.1. Transformer la conception industrielle grâce à la personnalisation
27.6.2. Technologies habilitantes pour la conception personnalisée
27.6.3. Défis liés à la mise en œuvre de la conception personnalisée à grande échelle
27.6.4. Possibilités d'innovation et de différenciation concurrentielle

27.7. Conception durable grâce à l'IA

27.7.1. Analyse du cycle de vie et traçabilité grâce à l'intelligence artificielle
27.7.2. Optimisation des matériaux recyclables
27.7.3. Amélioration des processus durables
27.7.4. Développement de stratégies et de projets pratiques

27.8. Intégration d'assistants virtuels dans les interfaces de conception avec Adobe Sensei, Figma et AutoCAD

27.8.1. Rôle des assistants virtuels dans la conception interactive
27.8.2. Développement d'assistants virtuels spécialisés dans la conception
27.8.3. Interaction naturelle avec les assistants virtuels dans les projets de conception
27.8.4. Défis de la mise en œuvre et améliorations continues

27.9. Analyse continue de l'expérience utilisateur en vue d'une amélioration

27.9.1. Cycle d'amélioration continue dans la conception des interactions
27.9.2. Outils et mesures pour l'analyse continue
27.9.3. Itération et adaptation dans l'expérience utilisateur
27.9.4. Garantir le respect de la vie privée et la transparence dans le traitement des données sensibles

27.10. Application des techniques d'IA pour l'amélioration de l'utilisabilité

27.10.1. Croisement de l'IA et de la facilité d'utilisation
27.10.2. Analyse des sentiments et expérience utilisateur (UX)
27.10.3. Personnalisation dynamique de l'interface
27.10.4. Optimisation du flux de travail et de la navigation

Module 28. Innovation dans les processus de Conception et l'IA

28.1. Optimisation des processus de fabrication à l'aide de simulations d'IA

28.1.1. Introduction à l'optimisation des processus de fabrication
28.1.2. Simulations d'IA pour l'optimisation de la production
28.1.3. Défis techniques et opérationnels dans la mise en œuvre des simulations d'IA
28.1.4. Perspectives d'avenir: Progrès dans l'optimisation des processus avec l'IA

28.2. Création de prototypages virtuels: Défis et avantages

28.2.1. Importance du prototypage virtuel dans la conception
28.2.2. Outils et technologies pour le prototypage virtuel
28.2.3. Défis du prototypage virtuel et stratégies d'adaptation
28.2.4. Impact sur l'innovation et l'agilité en matière de conception

28.3. Conception générative: Applications dans l'industrie et la création artistique

28.3.1. Architecture et urbanisme
28.3.2. Design de mode et textile
28.3.3. Conception de matériaux et de textures
28.3.4. Automatisation dans la conception graphique

28.4. Analyse des matériaux et des performances à l'aide de l'intelligence artificielle

28.4.1. Importance de l'analyse des matériaux et des performances dans la conception
28.4.2. Algorithmes d'intelligence artificielle pour l'analyse des matériaux
28.4.3. Impact sur l'efficacité et la durabilité de la conception
28.4.4. Défis liés à la mise en œuvre et applications futures

28.5. Personnalisation de masse dans la production industrielle

28.5.1. Transformer la production par la personnalisation de masse
28.5.2. Technologies habilitantes pour la personnalisation de masse
28.5.3. Défis logistiques et d'échelle dans la personnalisation de masse
28.5.4. Impact économique et possibilités d'innovation

28.6. Outils de conception assistée par intelligence artificielle (Deep Dream Generator, Fotor et Snappa)

28.6.1. Conception assistée par génération gan (réseaux adversaires génératifs)
28.6.2. Génération collective d'idées
28.6.3. Génération tenant compte du contexte
28.6.4. Explorer des dimensions créatives non linéaires

28.7. Conception collaborative homme-robot dans les projets innovants

28.7.1. Intégration des robots dans les projets de conception innovante
28.7.2. Outils et plateformes pour la collaboration homme-robot (ROS, OpenAI Gym et Azure Robotics)
28.7.3. Défis liés à l'intégration des robots dans les projets créatifs
28.7.4. Perspectives d'avenir dans la conception collaborative avec les technologies émergentes

28.8. Maintenance prédictive des produits: Approche IA

28.8.1. Importance de la maintenance prédictive pour prolonger la durée de vie des produits
28.8.2. Modèles de Machine Learning pour la maintenance prédictive
28.8.3. Mise en œuvre pratique dans diverses industries
28.8.4. Évaluation de la précision et de l'efficacité de ces modèles dans des environnements industriels

28.9. Génération automatique de caractères et de styles visuels

28.9.1. Principes fondamentaux de la génération automatique dans la conception de caractères
28.9.2. Applications pratiques dans la conception graphique et la communication visuelle
28.9.3. Conception collaborative assistée par l'IA dans la création de caractères typographiques
28.9.4. Exploration des styles et tendances automatiques

28.10. Intégration de l'IdO pour la surveillance des produits en temps réel

28.10.1. Transformation avec l'intégration de l'IdO dans la conception des produits
28.10.2. Capteurs et dispositifs IdO pour la surveillance en temps réel
28.10.3. Analyse des données et prise de décision basée sur l'IdO
28.10.4. Défis de la mise en œuvre et applications futures de l'IdO dans la conception

Module 29. Technologies appliquées à la Conception et IA

29.1. Intégration d'assistants virtuels dans les interfaces de conception avec Dialogflow, Microsoft Bot Framework y Rasa

29.1.1. Rôle des assistants virtuels dans la conception interactive
29.1.2. Développement d'assistants virtuels spécialisés dans la conception
29.1.3. Interaction naturelle avec les assistants virtuels dans les projets de conception
29.1.4. Défis de la mise en œuvre et amélioration continue

29.2. Détection et correction automatiques des erreurs visuelles avec l'IA

29.2.1. Importance de la détection et de la correction automatiques des erreurs visuelles
29.2.2. Algorithmes et modèles de détection des erreurs visuelles
29.2.3. Outils de correction automatique dans la conception visuelle
29.2.4. Défis en matière de détection et de correction automatiques et stratégies pour les surmonter

29.3. Outils d'IA pour l'évaluation de la convivialité des conceptions d'interface (EyeQuant, Lookback et Mouseflow)

29.3.1. Analyse des données d'interaction avec des modèles d'apprentissage automatique
29.3.2. Génération de rapports automatisés et recommandations
29.3.3. Simulations d'utilisateurs virtuels pour les tests d'utilisabilité via Bootpress, Botium et Rasa
29.3.4. Interface conversationnelle pour le retour d'information des utilisateurs

29.4. Optimisation des flux éditoriaux à l'aide d'algorithmes utilisant Chat GPT, Bing, WriteSonic et Jasper

29.4.1. Importance de l'optimisation des flux éditoriaux
29.4.2. Algorithmes pour l'automatisation et l'optimisation de la rédaction
29.4.3. Outils et technologies pour l'optimisation éditoriale
29.4.4. Défis liés à la mise en œuvre et à l'amélioration continue des flux de travail éditoriaux

29.5. Simulations réalistes dans la conception de jeux vidéo avec TextureLab et Leonardo

29.5.1. Importance des simulations réalistes dans l'industrie du jeu vidéo
29.5.2. Modélisation et simulation d'éléments réalistes dans les jeux vidéo
29.5.3. Technologies et outils pour les simulations réalistes dans les jeux vidéo
29.5.4. Défis techniques et créatifs des simulations réalistes dans les jeux vidéo

29.6. Génération automatique de contenu multimédia dans la conception éditoriale

29.6.1. Transformation avec génération automatique de contenu multimédia
29.6.2. Algorithmes et modèles pour la génération automatique de contenu multimédia
29.6.3. Applications pratiques dans les projets d'édition
29.6.4. Défis et tendances futures dans la génération automatique de contenu multimédia

29.7. Conception adaptative et prédictive basée sur les données de l'utilisateur

29.7.1. Importance de la conception adaptative et prédictive dans l'expérience de l'utilisateur
29.7.2. Collecte et analyse des données de l'utilisateur pour la conception adaptative
29.7.3. Algorithmes pour la conception adaptative et prédictive
29.7.4. Intégration de la conception adaptative dans les plateformes et les applications

29.8. Intégration d'algorithmes dans l'amélioration de la facilité d'utilisation

29.8.1. Segmentation et modèles de comportement
29.8.2. Détection des problèmes d'utilisabilité
29.8.3. Adaptabilité aux changements de préférences des utilisateurs
29.8.4. Tests a/b automatisés et analyse des résultats

29.9. Analyse continue de l'expérience utilisateur en vue d'améliorations itératives

29.9.1. Importance d'un retour d'information continu dans l'évolution des produits et services
29.9.2. Outils et mesures pour l'analyse continue
29.9.3. Études de cas démontrant les améliorations substantielles obtenues grâce à cette approche
29.9.4. Traitement des données sensibles

29.10. Collaboration assistée par l'IA dans les équipes éditoriales

29.10.1. Transformer la collaboration assistée par l'IA dans les équipes rédactionnelles
29.10.2. Outils et plateformes de collaboration assistée par l'IA (Grammarly, Yoast SEO et Quillionz)
29.10.3. Développement d'assistants virtuels spécialisés dans la rédaction
29.10.4. Défis liés à la mise en œuvre et aux applications futures de la collaboration assistée par l'IA

Module 30. Éthique et environnement dans la Conception et IA

30.1. L'impact environnemental dans la conception industrielle: Approche éthique

30.1.1. Sensibilisation à l'environnement dans la conception industrielle
30.1.2. Analyse du cycle de vie et conception durable
30.1.3. Défis éthiques dans les décisions de conception ayant un impact sur l'environnement
30.1.4. Innovations durables et tendances futures

30.2. Améliorer l'accessibilité visuelle dans la conception graphique réactive

30.2.1. L'accessibilité visuelle en tant que priorité éthique dans la conception graphique
30.2.2. Outils et pratiques pour améliorer l'accessibilité visuelle (Google LightHouse et Microsoft Accessibility Insights)
30.2.3. Défis éthiques dans la mise en œuvre de l'accessibilité visuelle
30.2.4. Responsabilité professionnelle et améliorations futures de l'accessibilité visuelle

30.3. Réduction des déchets dans le processus de conception: Défis durables

30.3.1. Importance de la réduction des déchets dans la conception
30.3.2. Stratégies de réduction des déchets aux différents stades de la conception
30.3.3. Défis éthiques dans la mise en œuvre des pratiques de réduction des déchets
30.3.4. Engagements des entreprises et certifications durables

30.4. Analyse des sentiments dans la création de contenu éditorial: Considérations éthiques

30.4.1. Analyse de sentiments et éthique dans le contenu éditorial
30.4.2. Algorithmes d'analyse des sentiments et décisions éthiques
30.4.3. Impact sur l'opinion publique
30.4.4. Défis en matière d'analyse des sentiments et implications futures

30.5. Intégration de la reconnaissance des émotions pour des expériences immersives

30.5.1. Éthique de l'Intégration de la Reconnaissance des Émotions dans les Expériences Immersives
30.5.2. Technologies de Reconnaissance des Émotions
30.5.3. Défis Éthiques dans la Création d'Expériences Immersives Conscientes des Émotions
30.5.4. Perspectives d'Avenir et Éthique dans le Développement d'Expériences Immersives

30.6. Éthique dans la Conception de jeux vidéo: Implications et décisions

30.6.1. Éthique et Responsabilité dans la Conception de Jeux Vidéo
30.6.2. Inclusion et Diversité dans les Jeux Vidéo: Décisions Éthiques
30.6.3. Microtransactions et Monétisation Éthique dans les Jeux Vidéo
30.6.4. Défis Éthiques dans le Développement des Narratives et des Personnages dans les Jeux Vidéo

30.7. Conception responsable: Considérations éthiques et environnementales dans l'industrie

30.7.1. Approche Éthique de la Conception Responsable
30.7.2. Outils et Méthodes pour la Conception Responsable
30.7.3. Défis Éthiques et Environnementaux dans l'Industrie de la Conception
30.7.4. Engagements des Entreprises et Certifications en matière de Conception Responsable

30.8. Éthique dans l'intégration de l'IA dans les interfaces utilisateurs

30.8.1. Explorer comment l'intelligence artificielle dans les interfaces utilisateurs soulève des défis éthiques
30.8.2. Transparence et Explicabilité des Systèmes d'IA dans les Interfaces Utilisateurs
30.8.3. Défis Éthiques liés à la Collecte et à l'Utilisation des Données de l'Interface Utilisateur
30.8.4. Perspectives d'Avenir sur l'Éthique de l'IA dans les Interfaces Utilisateur

30.9. Durabilité dans l'innovation du processus de Conception

30.9.1. Reconnaissance de l'importance de la durabilité dans l'innovation du processus de conception
30.9.2. Développement de Processus Durables et PPrise de Décision Éthique
30.9.3. Défis Éthiques dans l'Adoption de Technologies Innovantes
30.9.4. Engagements Commerciaux et Certifications de Durabilité dans les Processus de Conception

30.10. Aspects éthiques de l'application des technologies à la Conception

30.10.1. Décisions Éthiques dans la Sélection et l'Application des Technologies de Conception
30.10.2. Éthique dans la Conception d'Expériences d'Utilisateurs avec des Technologies Avancées
30.10.3. Intersections de l'éthique et des technologies dans la conception
30.10.4. Tendances émergentes et rôle de l'éthique dans l'orientation future de la conception avec des technologies avancées

Profitez de cette opportunité pour vous entourer de professionnels experts et apprendre de leur méthodologie de travail"

Mastère Avancé en MBA en Intelligence Artificielle dans la Conception

Au carrefour de la créativité et de la technologie, l'intelligence artificielle révolutionne le monde du design. Avec ce Mastère Avancé en MBA créé par TECH Global University, vous deviendrez un leader dans l'application des technologies avancées pour stimuler l'innovation, l'efficacité et l'excellence dans la conception. Grâce à un programme d'études innovant, dispensé en ligne, vous explorerez les principes fondamentaux du design et de l'IA et comprendrez comment ils se combinent pour transformer la façon dont nous créons et expérimentons le monde qui nous entoure. En outre, vous apprendrez à connaître les dernières tendances en matière de conception pilotée par l'intelligence artificielle et la manière dont elles ont un impact sur différentes industries. Vous découvrirez une variété d'applications pratiques de l'intelligence artificielle dans la conception. De la génération automatique à l'optimisation des processus de production, vous explorerez comment l'intelligence artificielle est utilisée pour améliorer l'efficacité, la créativité et la qualité dans des domaines tels que le graphisme, l'architecture et la mode.

Obtenez un Mastère Avancé en MBA en Intelligence Artificielle dans la Conception

Avec ce programme innovant, vous développerez des compétences spécialisées qui vous permettront de stimuler l'innovation, l'efficacité et l'excellence dans la conception en utilisant les dernières technologies d'intelligence artificielle. Au fur et à mesure de votre formation, vous maîtriserez les outils et les technologies utilisés dans la conception pilotée par l'IA. Vous apprendrez à utiliser des logiciels de conception assistée par l'IA, des plateformes de génération automatique de contenu et des outils de réalité virtuelle et augmentée pour faire passer vos compétences en matière de conception au niveau supérieur. Vous découvrirez également comment l'intelligence artificielle peut renforcer l'innovation et la créativité dans la conception. Vous apprendrez à utiliser les algorithmes de génération automatique d'idées, l'analyse prédictive des tendances et les systèmes de recommandation de conception pour inspirer de nouvelles idées et porter vos projets de conception vers de nouveaux sommets. Enfin, vous explorerez les implications éthiques et sociales de la conception pilotée par l'IA, en vous familiarisant avec l'équité en matière de conception, la confidentialité des données et l'impact sur l'environnement. Si vous voulez en savoir plus, rejoignez-nous et devenez un pionnier de l'avenir du design.