Un programme universitaire qui fera de vous le Chercheur Clinique le plus remarquable de votre environnement. Vous mènerez des projets qui contribueront à l'avancement de la Médecine!" 

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.   

Nous sommes une université à la pointe de la technologie et nous mettons toutes nos ressources à votre disposition pour vous aider à réussir"

À TECH Université Technologique

Innovation

Nous mettons à votre disposition un rigoureux modèle d’apprentissage en ligne qui associe les dernières technologies éducatives à 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.

“Les Success Stories de Microsoft Europe” pour avoir intégré dans nos programmes l’innovant système de multi-vidéos interactives. 

Exigence maximale

Notre critère d'admission n'est pas économique. Pour étudier chez nous, il n’est pas nécessaire de faire un investissement démesuré. Cela dit, pour être diplômé(e) TECH, nous pousserons votre intelligence et vos capacités de résolution de problèmes à leur limite. Nos critères académiques sont très élevés...  

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 main dans la main avec les 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 l'environnement des affaires. Une opportunité de mettre en valeur vos aspirations et votre vision de l'entreprise.  

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

Contexte Multiculturel

En étudiant à TECH, les étudiants bénéficieront d'une expérience unique. Vous étudierez dans un contexte multiculturel. Dans un programme à vision globale, grâce auquel vous pourrez vous familiariser avec la façon de travailler dans différentes parties du monde, en recueillant les dernières informations qui conviennent le mieux à votre idée d'entreprise. 

Les étudiants de TECH sont issus de plus de 200 nationalités.    

Apprenez avec les meilleurs

Pendant les cours, notre équipe d'enseignants explique 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. 

À TECH nous visons l’excellence et pour cela, nous possédons des caractéristiques qui nous rendent uniques:   

Analyse

Nous explorons votre sens critique, votre capacité à remettre les choses en question, votre aptitude à résoudre les problèmes ainsi que vos compétences interpersonnelles.  

Nous mettons à votre disposition la meilleure méthodologie d’apprentissage en ligne. L'université combine la méthode Relearning 100% (la méthode d'apprentissage de troisième cycle la plus reconnue au niveau international) avec les“ case studies ” de Harvard Business School. Entre tradition et innovation dans un équilibre subtil et dans le cadre d'un parcours académique des plus exigeants.   

Économie d’échelle

TECH est la plus grande université en ligne du monde.TECH dispose de plus de 10000 certificats universitaires en français. Et dans la nouvelle économie, volume + technologie = prix de rupture. De cette façon, nous veillons à ce que les études ne soient pas aussi coûteuses que dans une autre université.   

Chez TECH, vous aurez accès aux études de cas les plus rigoureuses et les plus récentes du monde universitaire" 

Grâce à cette formation universitaire, les étudiants auront une solide compréhension des principes de l'Intelligence Artificielle et seront capables d'intégrer efficacement ses outils dans leurs projets de Recherche Clinique. Pour ce faire, le cursus comprendra des sujets tels que les systèmes intelligents, l'algorithmique et l'Apprentissage Automatique. Cela permettra aux diplômés d'analyser de grandes quantités de données médicales, qui seront utilisées pour prendre des décisions hautement informées. En outre, le programme comprendra des modules disruptifs qui approfondiront les Réseaux Neuraux, la Personnalisation des Modèles ou le Traitement du Langage Naturel. 

Ce diplôme universitaire vous permettra de vous exercer dans des environnements simulés, qui offrent un apprentissage immersif programmé pour s'entraîner dans des situations réelles" 

Plan d'études

Le MBA en Intelligence Artificielle en Recherche Clinique de TECH Université Technologique est un programme intense qui vous prépare 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 les cadres afin de comprendre de son application en Recherche Clinique d'un point de vue stratégique, international et innovant.   

Un plan conçu pour les étudiants, axé sur leur amélioration professionnelle et qui les prépare à atteindre l'excellence dans le domaine de l'Intelligence Artificielle en Recherche Clinique. Un programme qui comprend vos besoins et ceux de votre entreprise grâce à un contenu innovant basé sur les dernières avancées et soutenu par la meilleure méthodologie éducative ainsi que par un corps professoral exceptionnel. Cette formation vous permettra ainsi d'acquérir les compétences nécessaires pour être en mesure de résoudre des situations critiques de manière créative et efficace. 

Ce programme se déroule sur 2 ans et comporte 30 modules: 

Module 1. Leadership Éthique et Responsabilité Sociale des Entreprises
Module 2. Direction Stratégique et Management Exécutif 
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. Gestions des systèmes d'information  
Module 7. Gestion Commerciale, Marketing Stratégique et Communication d’Entreprise
Module 8. Études de Marché, Publicité et Gestion du Marketing
Module 9. Innovation et Gestion de Projet
Module 10. Management Directif
Module 11. Les principes fondamentaux de l'Intelligence Artificielle
Module 12. Types et cycle de vie des données
Module 13. Les données en 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 (NLP) avec les Réseaux Récurrents Naturels (NNN) et l'Attention 
Module 23. Autoencodeurs, GAN et Modèles de Diffusion 
Module 24. Informatique Bio-inspirée
Module 25. Intelligence Artificielle: stratégies et applications
Module 26. Méthodes et outils d'IA pour la Recherche Clinique
Module 27. Recherche Biomédicale avec l'IA
Module 28. Application pratique de l'IA en Recherche Clinique
Module 29. Analyse des big data et apprentissage automatique en Recherche Clinique
Module 30. Aspects éthiques, juridiques et futurs de l'IA en Recherche Clinique

Où, quand et comment se déroule la formation?

TECH offre la possibilité de développer ce MBA en Intelligence Artificielle en Recherche Clinique entièrement en ligne. Pendant les 2 années que dure la spécialisation, l'étudiant pourra accéder à tout moment à l'ensemble des contenus de ce programme, ce qui lui permettra d'autogérer son temps d'étude. 

Module 1. Leadership Éthique et Responsabilité Sociale des Entreprises

1.1. Mondialisation et Gouvernance 

1.1.1. Gouvernance et Gouvernement d'entreprise 
1.1.2. Principes fondamentaux de la Gouvernance d'entreprise dans les sociétés 
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. Le Leadership dans l'entreprise 
1.2.3. L'importance du dirigeant dans la gestion de l'entreprise 

1.3. Cross Cultural Management 

1.3.1. Concept de Cross Cultural Management
1.3.2. Contributions à la Connaissance des Cultures 
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 des affaires 

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. Entreprises durables 

1.7. Responsabilité Sociale des entreprises 

1.7.1. La dimension internationale de la Responsabilité Sociale des Entreprises 
1.7.2. Implémentation de la Responsabilité Sociale des Entreprises 
1.7.3. Impact et 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 du RSC 

1.9. Multinationales et Droits de l'homme 

1.9.1. Mondialisation, entreprises multinationales et droits de l'homme 
1.9.2. Entreprises multinationales face au droit international 
1.9.3. Instruments juridiques pour les multinationales dans la législation sur les droits de l'homme 

1.10. Environnement juridique et Corporate Governance 

1.10.1. Importation et exportation 
1.10.2. Propriété intellectuelle et industrielle 
1.10.3. Droit international du travail

Module 2. Direction Stratégique et Management Exécutif 

2.1. Analyse et design organisationnelles 

2.1.1. Cadre conceptuel
2.1.2. Facteurs clés du design organisationnel
2.1.3. Modèles de base de l’organisation
2.1.4. Design organisationnel: typologies 

2.2. Stratégie d’entreprise 

2.2.1. Stratégie analytique concurrentielle
2.2.2. Stratégies de croissance: Typologie
2.2.3. Cadre conceptuel 

2.3. Planification et formulation stratégiques 

2.3.1. Cadre conceptuel
2.3.2. Éléments de la planification stratégique
2.3.3. Formulation stratégique: Processus de 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 dans 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 de la stratégie 

2.8. Stratégie concurrentielle 

2.8.1. L’Avantage Concurrentiel
2.8.2. Choix d'une stratégie concurrentielle
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. Direction 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 Sratégie 

2.10.1. Systèmes d'indicateurs et approche par les processus
2.10.2. Carte stratégique
2.10.3. Alignement stratégique 

2.11. Management Exécutif 

2.11.1. Cadre conceptuel du Management Exécutif
2.11.2. Management Exécutif. Le rôle du Conseil d'Administration et 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 bien-être 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. La direction 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. La Importance de RH
3.4.2. Un nouvel environnement pour la gestion des personnes et le leadership
3.4.3. Gestion stratégique des RH

3.5. Sélection, dynamique de groupe et recrutement 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. Équipes performantes: équipes autogérées 
3.13.2. Méthodes de gestion des équipes autogérées haute performance 

3.14. Développement des compétences managériales 

3.14.1. Que sont les compétences de Directive? 
3.14.2. Éléments des compétences 
3.14.3. Connaissances 
3.14.4. Compétences en 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. Être clair sur l'objectif
3.15.10. Ordre 
3.15.11. Planification 

3.16. Gestion du changement 

3.16.1. Gestion du changement
3.16.2. Les étapes du processus de gestion du changement
3.16.3. Les composantes de l'analyse dans 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 de Crise 

3.18. La communication managériale 

3.18.1. Communication internes et externes dans l'environnement des entreprises 
3.18.2. Département de communication 
3.18.3. Le Responsables de Communication dans l'Entreprise. Le profil du Dircom 

3.19. Gestion des Ressources Humaines et équipes de santé et sécurité au travail 

3.19.1. Gestion des ressources humaines et Équipement
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. Recrutement et département des Ressources Humaines 
3.22.3. Gestion de l'innovation
3.22.4. Outils de Innovation

3.23. Gestion des connaissances et du talent 

3.23.1. Gestion des connaissances et du talent
3.23.2. Mise en œuvre de 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 Capitaux propres de l'entreprise 
4.3.5. Compte de résultat 

4.4. De la comptabilité générale à la comptabilité analytique 

4.4.1. Éléments de la comptabilité analytique 
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. Balance de l'entreprise 
4.9.3. Le compte de Profits et Pertes 
4.9.4. Tableau des flux de trésorerie 
4.9.5. Analyse des ratios 

4.10. Direction Financière 

4.10.1. Les Décision financiers de l'entreprise 
4.10.2. Département financier 
4.10.3. Les excédents de trésorerie 
4.10.4. Les risques liés à la gestion financière 
4.10.5. Gestion des risques liés à la gestion financière 

4.11. Planification Financière 

4.11.1. Planification financière 
4.11.2. Actions à entreprendre dans le cadre de la planification financière 
4.11.3. Créer et établir la stratégie de l'entreprise 
4.11.4. Le tableau des Cash Flow 
4.11.5. Le tableau des fonds de roulementLe tableau des 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 de financement des entreprises 

4.13. Contexte Macroéconomique 

4.13.1. Contexte Macroéconomique 
4.13.2. Indicateurs économiques pertinents 
4.13.3. Mécanismes de suivi des grandeurs macroéconomiques 
4.13.4. 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. Marché des titres à Revenu fixe 
4.15.3. Marché des Actions 
4.15.4. Le marché des Changes 
4.15.5. Le marché des Produits dérivés 

4.16. Analyse et planification financières 

4.16.1. Analyse du Bilan 
4.16.2. Analyse du Compte de Résultat 
4.16.3. Analyse de la Rentabilité 

4.17. Analyses et résolution de cas/problèmes 

4.17.1. Informations financières sur Industria de Diseño y Textil, S.A. (INDITEX)

Module 5. Gestion des Opérations et de la Logistique 

5.1. Direction et Gestion d’Opérations

5.1.1. La Fonction des opérations 
5.1.2. L'impact des opérations sur la gestion de l'entreprise 
5.1.3. Introduction à la Stratégie des opérations 
5.1.4. Le sens de la 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. Systèmes 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 efficace des achats d'une entreprise 
5.4.5. Étapes du processus de 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 vs. dépenses réelles
5.5.5. Outils de contrôle budgétaire

5.6. Contrôle des opérations d'entrepôt 

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 opérationnelle
5.9.3. Modèles de demande
5.9.4. Stratégie opérationnelle et 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 d'efficacité de la chaîne logistique

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 transport

5.14.1. Distribution dans la chaîne d'approvisionnement 
5.14.2. La logistique du transport 
5.14.3. Les systèmes d'information Géographique en tant que soutien à 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 opérations 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 des opérations 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 les entreprises 

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. Le gouvernement 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. Gestionnaires experts en 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 d'une 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: Base de données relationnelles Concepts de base
6.7.2. Réseaux et communications
6.7.3. Système opérationnel: modèles de données normalisés 
6.7.4. Système stratégique: OLAP, modèle multidimensionnel et Dashboards graphiques 
6.7.5. Analyse stratégique du BBDD et composition du rapport 

6.8. Business Intelligence 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. La cybersécurité dans la BI et Data Science

6.9. Nouveau concept commercial 

6.9.1. Pourquoi 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 de projets 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 Enterprise Resource Planning o ERP 

6.13. Transformation Numérique

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

6.14. Technologies et tendances

6.14.1. Les grandes tendances technologiques qui modifient les modèles d'entreprise 
6.14.2. Analyse des principales technologies émergentes 

6.15. Outsourcing de TI

6.15.1. Cadre conceptuel de l'Outsourcing 
6.15.2. L'Outsourcing informatique et son impact sur les entreprises 
6.15.3. Les clés de la mise en œuvre des projets d'Outsourcing informatique des entreprises

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

7.1. Gestion commerciale

7.1.1. Cadre conceptuel du Gestion commerciale
7.1.2. Stratégie et planification Commercial
7.1.3. Le rôle du Directeur Commerciale

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 Sratégique 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 commerce électronique

7.4.1. Objectifs du Marketing Numérique et e-commerce 
7.4.2. Marketing Numérique et médias utilisés 
7.4.3. Commerce électronique. Contexte général 
7.4.4. Catégories de commerce électronique 
7.4.5. Avantages et inconvénients du E-commerce par rapport au commerce traditionnel 

7.5. Managing digital business

7.5.1. Stratégie concurrentielle face à la numérisation croissante des médias 
7.5.2. Design et création d'un plan de Marketing Numérique 
7.5.3. Analyse du retour sur investissement 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 votre marque
7.6.2. Branded Content & Storytelling

7.7. Stratégie de Marketing Numérique

7.7.1. Définir la stratégie de Mrketing Numérique 
7.7.2. Outils d'une stratégie de 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 du créer un plan de marketing en ligne
7.10.3. Qu'est-ce qu'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 online 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. Recommandations 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 la communication dans l'Organisation
7.13.3. Type de la communication dans les organisations
7.13.4. Fonction la communication dans l'Organisation
7.13.5. Éléments de communication
7.13.6. Problèmes de la communication
7.13.7. Scénario de la communication

7.14. Stratégie de la 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 online

Module 8. Études de marché, publicité et gestion du marketing

8.1. Étude de Marché 

8.1.1. Études de marché: origine historique 
8.1.2. Analyse et évolution du cadre conceptuel de l'étude de marché 
8.1.3. Éléments clés et contribution à la valeur de l'étude de marché 

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. Les étapes de la planification d'une Étude de Marché 
8.5.3. Les étapes de l'Exécution d'une Étude de Marché 
8.5.4. Gestion d'un Projet de Recherche 

8.6. L’investigation des marché internationales 

8.6.1. investigation des Marché Internationaux 
8.6.2. Processus d’étude de Marché International 
8.6.3. L'importance des sources secondaires dans la recherche Marché internationale 

8.7. Études de faisabilité  

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

8.8. Publicité 

8.8.1. Historique 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 média 

8.12. Principes fondamentaux de la gestion commerciale 

8.12.1. Le rôle de la Gestion Commerciale 
8.12.2. Systèmes d'analyse de la situation concurrentielle commerciale de l'entreprise/du 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 du personnel commercial sur la base de l'information 

8.16. Mise en œuvre de la fonction commerciale 

8.16.1. Recrutement de personnel commercial propre et d'agents commerciaux 
8.16.2. Contrôle de l'activité commerciale 
8.16.3. Le code de déontologie des agents commerciaux 
8.16.4. Conformité: 
8.16.5. Normes de conduite des affaires généralement acceptées 

8.17. Gestion des comptes clés 

8.17.1. Concept de gestion de comptes clés  
8.17.2. Key Account Manager 
8.17.3. Stratégies de la 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 des entreprises 
8.18.4. Gestion des cycles, rotations, rentabilité et liquidité
8.18.5. Compte de résultat

Module 9. Innovation et Gestion de Projet

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 entrepreneuriale 

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 start up
9.3.2. Philosophie du Lean Startup
9.3.3. Étapes du développement d'une startup
9.3.4. Le rôle d'un chef de projet dans une startup

9.4. Design et validation du modèle d'entreprise

9.4.1. Cadre conceptuel d'un modèle d'entreprise 
9.4.2. Design et validation du modèle d'entreprise 

9.5. Direction et Gestion des projets

9.5.1. Gestion de projet: identification des opportunités de développement de projets d'innovation d'entreprise 
9.5.2. Principales étapes ou phases de la direction 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. Processus de gestion du changement
9.6.3. 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. Adaptations des équipements
9.7.5. Planification de la gestion des communications
9.7.6. Gestion des communications
9.7.7. Suivi des communications

9.8. Méthodologies traditionnelles et innovantes

9.8.1. Méthodes d'innovation
9.8.2. Principes de base du Scrum
9.8.3. Différences entre les principaux aspects de 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 10 principales raisons de l'échec des start-ups 
9.9.4. Aspects juridiques

9.10. Planification de la gestion des risques dans les projets

9.10.1. Planification des risques
9.10.2. Éléments pour la création d'un plan de gestion des risques
9.10.3. Outils pour l'élaboration 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 General 
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 communication interpersonnelle 
10.5.3. La communication dans l'organisation 
10.5.4. Outils dans l'organisation 

10.6. La 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 émotionnel 

10.9. Branding Personnel 

10.9.1. Stratégies d'image de Branding Personal 
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. Processus de gestion du Changement 
10.10.4. Gestion d'Équipes Multiculturelles

Module 11. Les 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 computationnel 
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. Vocabulaire 
11.5.2. Taxonomie 
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 développement: 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 de l'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. Quantitatives: Données continues et données discrètes 
12.2.1.2. Qualitatives: 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 et l'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. Design 
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 sur la protection des données 
12.10.2. Bonnes pratiques 
12.10.3. Autres aspects réglementaires 

Module 13. Les données en 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 outils 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 supervisés 

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

13.9. Modèles supervisés 

13.9.1. Modèles supervisés 
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 vs. 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 Design 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 les graphes 

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 d’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, informations et connaissances 
16.3.2. Évaluation de la qualité des données 
16.3.3. Méthode de capture des données 
16.3.4. Méthodes d'acquisition des informations 
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 des connaissances à travers leurs rôles 
16.4.3. Caractéristiques de la 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 d'ontologie et logiciels de création d'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. Vocabulaire 
16.8.2. Vision globale 
16.8.3. Taxonomie 
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. Prolog: Programmation basée sur la logique du premier ordre 

16.10. Raisonneurs sémantiques, systèmes à base de connaissances 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 des connaissances et les concepts de base de l'apprentissage automatique 

17.1.1. Concepts clés du processus de découverte de connaissances 
17.1.2. Perspective historique du processus de découverte de connaissances 
17.1.3. Étapes du processus de découverte de connaissances 
17.1.4. Techniques utilisées dans les processus de découverte de connaissances 
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. Affichage 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. Design 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. Design 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 connaissances 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 par transfert d'apprentissage 
19.2.2. Extraction de caractéristiques 
19.2.3. Apprentissage profond 

19.3. Optimisateurs 

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

19.4. Programmation du taux de 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. Design 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 par transfert d'apprentissage 
19.7.2. Extraction de caractéristiques 
19.7.3. Apprentissage profond 

19.8. Data Augmentation 

19.8.1. Transformation 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 par 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 de calcul NumPy pour TensorFlow 
20.2.2. Utilisation des arrays NumPy avec TensorFlow 
20.2.3. Opérations NumPy pour les graphes TensorFlow 

20.3. Personnalisation des modèles et des algorithmes d'apprentissage 

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 TensorFlow 

20.4.1. Fonctions avec TensorFlow 
20.4.2. Utilisation des graphes pour l'apprentissage des modèles 
20.4.3. Optimisation des graphes avec les opérations 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 Keras 

20.8.1. Utilisation de l'API de prétraitement Keras 
20.8.2. Construire un prétraitement en pipeline avec Keras 
20.8.3. Utilisation de l'API de prétraitement 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 des modèles 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. Théorie de la vision computationnelle 
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 implémentation 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 Keras pré-entraînés 

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 en 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 (NLP) avec les Réseaux Récurrents Naturels (NNN) et l'Attention

22.1. Génération de texte à l'aide de RNN 

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

22.2. Création d'ensembles de données d'entraînement 

22.2.1. Préparation des données pour l'entraînement des RNN 
22.2.2. Stockage de l'ensemble de données de formation 
22.2.3. Nettoyage et transformation des données 
22.2.4. Analyse des Sentiments 

22.3. Classement des opinions avec RNN 

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. Formation d'un RNN 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 RNN 

22.5. Mécanismes de l’attention 

22.5.1. Application de mécanismes de l’attention avec les RNN 
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 d’un 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 bibliothèque de Transformers 

22.10. Développement d'une Application NLP avec RNN et l’Atention Application pratique 

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

Module 23. Autoencoders, 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. Design 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. Design 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 adversatifs 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. Implémentation 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 (NLP) avec les Réseaux Récurrents Naturels (NNN) 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. Calcul basé sur des colonies de fourmis bio-inspirées 
24.2.2. Variantes des algorithmes de colonies de fourmis 
24.2.3. Informatique en nuage 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 évolutionnaires dans les problèmes de sélection d'instances 

24.8. Problèmes multi-objectifs 

24.8.1. Concept de dominance 
24.8.2. Application des algorithmes évolutionnaires 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 en économie 
24.10.3. Cas d'utilisation des réseaux neuronaux en 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. Développements / utilisations futurs potentiels 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. Développements / utilisations futurs potentiels 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. Développements / utilisations futurs potentiels 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. Développements / utilisations futurs potentiels de l'IA 

25.7. Administration publique 

25.7.1. Implications de l' IA dans 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. Développements / utilisations futurs potentiels 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. Développements / utilisations futurs potentiels 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. Développements / utilisations futurs potentiels 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. Développements / utilisations futurs potentiels de l'IA 

Module 26. Méthodes et outils d'IA pour la Recherche Clinique

26.1. Les technologies et outils de l'IA en Recherche Clinique 

26.1.1. Utiliser l'Apprentissage Automatique pour identifier des schémas dans les données cliniques 
26.1.2. Développement d'algorithmes prédictifs pour les essais cliniques 
26.1.3. Mise en œuvre de systèmes d'IA pour améliorer le recrutement des patients 
26.1.4. Outils d'IA pour l'analyse en temps réel des données de recherche avec Tableau 

26.2. Méthodes statistiques et algorithmes dans les études cliniques 

26.2.1. Application de techniques statistiques avancées pour l'analyse des données cliniques 
26.2.2. Utilisation d'algorithmes pour la validation et la vérification des résultats des essais 
26.2.3. Mise en œuvre de modèles de régression et de classification dans les études cliniques 
26.2.4. Analyse de grands ensembles de données à l'aide de méthodes statistiques informatiques 

26.3. Design d'expériences et analyse des résultats 

26.3.1. Stratégies pour une conception efficace des essais cliniques à l'aide de l'IA avec IBM Watson Health 
26.3.2. Techniques d'IA pour l'analyse et l'interprétation des données expérimentales 
26.3.3. Optimisation des protocoles de recherche à l'aide de simulations d'IA 
26.3.4. Évaluation de l'efficacité et de la sécurité des traitements à l'aide de modèles d'IA 

26.4. Interprétation d'images médicales par l'IA dans la recherche avec Aidoc 

26.4.1. Développement de systèmes d'IA pour la détection automatique de pathologies dans les images 
26.4.2. Utilisation de l'apprentissage profond pour la classification et la segmentation en imagerie médicale 
26.4.3. Des outils d'IA pour améliorer la précision des diagnostics par imagerie 
26.4.4. Analyse d'images radiologiques et de résonance magnétique à l'aide de l'IA 

26.5. Analyse des données cliniques et biomédicales 

26.5.1. L'IA dans le traitement et l'analyse des données génomiques et protéomiques DeepGenomics 
26.5.2. Outils pour l'analyse intégrée des données cliniques et biomédicales 
26.5.3. Utilisation de l'IA pour identifier les biomarqueurs dans la Recherche Clinique 
26.5.4. Analyse prédictive des résultats cliniques à partir de données biomédicales 

26.6. Visualisation avancée des données dans la Recherche Clinique 

26.6.1. Développement d'outils de visualisation interactifs pour les données cliniques 
26.6.2. Utilisation de l'IA dans la création de représentations graphiques de données Microsoft Power BI complexes 
26.6.3. Techniques de visualisation pour faciliter l'interprétation des résultats de la recherche 
26.6.4. Outils de réalité augmentée et virtuelle pour la visualisation de données biomédicales 

26.7. Traitement du langage naturel dans la documentation scientifique et clinique 

26.7.1. Application du traitement du langage naturel pour l'analyse de la littérature scientifique et des dossiers cliniques avec Linguamatics 
26.7.2. Outils d'IA pour l'extraction d'informations pertinentes à partir de textes médicaux 
26.7.3. Systèmes d'IA pour le résumé et la catégorisation des publications scientifiques 
26.7.4. Utilisation du NLP pour identifier les tendances et les modèles dans la documentation clinique 

26.8. Traitement de données hétérogènes en Recherche Clinique avec Google Cloud Healthcare API et IBM Watson Health 

26.8.1. Techniques d'IA pour l'intégration et l'analyse de données provenant de diverses sources cliniques 
26.8.2. Outils de gestion des données cliniques non structurées 
26.8.3. Systèmes d'IA pour la corrélation des données cliniques et démographiques 
26.8.4. Analyse des données multidimensionnelles pour obtenir des insights cliniques 

26.9. Applications des réseaux neuronaux dans la recherche biomédicale 

26.9.1. Utilisation de réseaux neuronaux pour la modélisation des maladies et la prédiction des traitements 
26.9.2. Mise en œuvre de réseaux neuronaux dans la classification des maladies génétiques 
26.9.3. Développement de systèmes de diagnostic basés sur des réseaux neuronaux 
26.9.4. Application des réseaux neuronaux à la personnalisation des traitements médicaux 

26.10. Modélisation prédictive et son impact sur la Recherche Clinique 

26.10.1. Développement de modèles prédictifs pour l'anticipation des résultats cliniques 
26.10.2. Utilisation de l'IA pour prédire les effets secondaires et les réactions indésirables 
26.10.3. Mise en œuvre de modèles prédictifs dans l'optimisation des essais cliniques 
26.10.4. Analyse des risques dans les traitements médicaux à l'aide de la modélisation prédictive 

Module 27. Recherche Biomédicale avec l'IA

27.1. Design et mise en œuvre d'études observationnelles sur l'IA 

27.1.1. Mise en œuvre de l'IA pour la sélection et la segmentation des populations étudiées 
27.1.2. Utilisation d'algorithmes pour le suivi en temps réel des données d'études observationnelles 
27.1.3. Outils d'IA pour l'identification de modèles et de corrélations dans les études d'observation avec Flatiron Health 
27.1.4. Automatisation du processus de collecte et d'analyse des données dans les études d'observation 

27.2. Validation et étalonnage des modèles de Recherche Clinique 

27.2.1. Techniques d'IA pour garantir la précision et la fiabilité des modèles cliniques 
27.2.2. Utilisation de l'IA dans la calibration des modèles prédictifs en Recherche Clinique 
27.2.3. Méthodes de validation croisée appliquées aux modèles cliniques utilisant l'IA avec KNIME Analytics Platform 
27.2.4. Outils d'IA pour l'évaluation de la de la généralisation des modèles cliniques 

27.3. Méthodes d'intégration de données hétérogènes en Recherche Clinique 

27.3.1. Techniques d'IA pour la combinaison de données cliniques, génomiques et environnementales avec DeepGenomics 
27.3.2. Utilisation d'algorithmes pour traiter et analyser des données cliniques non structurées 
27.3.3. Outils d'IA pour la normalisation et la standardisation des données cliniques avec la solution Healthcare Data Management d'Informatica 
27.3.4. Systèmes d'IA pour la corrélation de différents types de données de recherche 

27.4. Intégration de données biomédicales multidisciplinaires à l'aide d'OncologyCloudy AutoML de Flatiron Health

27.4.1. Systèmes d'IA pour la combinaison de données de différentes disciplines biomédicales 
27.4.2. Algorithmes pour l'analyse intégrée des données cliniques et de laboratoire 
27.4.3. Outils d'IA pour la visualisation des données biomédicaux complexes 
27.4.4. Utilisation de l'IA dans la création de modèles de santé holistiques à partir de données multidisciplinaires 

27.5. Algorithmes d'apprentissage profond dans l'analyse des données biomédicales 

27.5.1. Mise en œuvre de réseaux neuronaux dans l'analyse de données génétiques et protéomiques 
27.5.2. Utilisation de l'apprentissage profond pour l'identification de modèles 
27.5.3. Développement de modèles prédictifs en médecine de précision grâce à l'apprentissage profond 
27.5.4. Application de l'IA à l'analyse avancée  d'images biomédicales à l'aide d'Aidoc 

27.6. Optimisation des processus de recherche grâce à l'automatisation 

27.6.1. Automatisation des routines de laboratoire à l'aide de systèmes d'IA avec Beckman Coulter 
27.6.2. Utilisation de l'IA pour une gestion efficace des ressources et du temps dans la recherche 
27.6.3. Outils d'IA pour l'optimisation des flux de travail en Recherche Clinique 
27.6.4. Systèmes automatisés pour le suivi des progrès de la recherche et l'établissement de rapports

27.7. Simulation et modélisation informatique en médecine IA 

27.7.1. Développement de modèles informatiques pour simuler des scénarios cliniques 
27.7.2. Utilisation de l'IA pour la simulation des interactions moléculaires et cellulaires avec Schrödinger 
27.7.3. Outils d'IA pour la création de modèles prédictifs de maladies avec GNS Healthcare 
27.7.4. Application de l'IA à la simulation des effets des médicaments et des traitements 

27.8. Utilisation de la réalité virtuelle et augmentée dans les études cliniques avec Surgical Theater 

27.8.1. Mise en œuvre de la réalité virtuelle pour la formation et la simulation en médecine 
27.8.2. Utilisation de la réalité augmentée dans les procédures chirurgicales et les diagnostics 
27.8.3. Outils de réalité virtuelle pour les études comportementales et psychologiques 
27.8.4. Application des technologies immersives à la réadaptation et à la thérapie 

27.9. Outils d'exploration de données appliqués à la recherche biomédicale 

27.9.1. Utilisation de techniques d'exploration de données pour extraire des connaissances des bases de données biomédicales 
27.9.2. Mise en œuvre d'algorithmes d'IA pour découvrir des modèles dans les données cliniques 
27.9.3. Outils d'IA pour l'identification de tendances dans de grands ensembles de données avec Tableau 
27.9.4. Application de l'exploration de données à la génération d'hypothèses de recherche 

27.10. Développement et validation de biomarqueurs avec l'intelligence artificielle 

27.10.1. Utilisation de l'IA pour l'identification et la caractérisation de nouveaux biomarqueurs 
27.10.2. Mise en œuvre de modèles d'IA pour la validation de biomarqueurs dans le cadre d'études cliniques 
27.10.3. Outils d'IA pour la corrélation des biomarqueurs avec les résultats cliniques avec Oncimmune 
27.10.4. Application de l'IA à l'analyse des biomarqueurs pour la médecine personnalisée 

Module 28. Application pratique de l'IA en Recherche Clinique

28.1. Technologies de séquençage génomique et analyse des données par l'IA avec DeepGenomics 

28.1.1. Utilisation de l'IA pour l'analyse rapide et précise des séquences génétiques 
28.1.2. Mise en œuvre d'algorithmes d'Apprentissage Automatique dans l'interprétation des données génomiques 
28.1.3. Outils d'IA pour l'identification des variantes génétiques et des mutations 
28.1.4. Application de l'IA à la corrélation génomique avec les maladies et les caractères 

28.2. L'IA dans l'analyse d'images biomédicales avec Aidoc 

28.2.1. Développement de systèmes d'IA pour la détection d'anomalies dans l'imagerie médicale 
28.2.2. Utilisation de l'apprentissage profond dans l'interprétation des radiographies, des IRM et des tomodensitogrammes 
28.2.3. Outils d'IA pour améliorer la précision de l'imagerie diagnostique 
28.2.4. Mise en œuvre de l'IA dans la classification et la segmentation des images biomédicales 

28.3. Robotique et automatisation dans les laboratoires cliniques 

28.3.1. Utilisation de robots pour l'automatisation  de tests et de processus dans les laboratoires 
28.3.2. Mise en place de systèmes automatisés de gestion des échantillons biologiques 
28.3.3. Développement de technologies robotiques pour améliorer l'efficacité et la précision dans l'analyse clinique 
28.3.4. Application de l'IA à l'optimisation des flux de travail des laboratoires avec Optum 

28.4. L'IA dans la personnalisation des thérapies et la médecine de précision 

28.4.1. Développement de modèles d'IA pour la personnalisation des traitements médicaux 
28.4.2. Utilisation d'algorithmes prédictifs dans la sélection des thérapies sur la base sur la base de profils génétiques 
28.4.3. Outils d'IA pour l'adaptation des doses et les combinaisons de médicaments avec PharmGKB 
28.4.4. Application de l'IA dans l'identification de traitements efficaces pour des groupes spécifiques 

28.5. Innovations en matière de diagnostics assistés par l'IA grâce à ChatGPT et Amazon Comprehend Medical 

28.5.1. Mise en œuvre de systèmes d'IA pour des diagnostics rapides et précis 
28.5.2. Utilisation de l'IA pour l'identification précoce des maladies grâce à l'analyse des données 
28.5.3. Développement d'outils d'IA pour l'interprétation des preuves cliniques 
28.5.4. Application de l'IA à la combinaison de données cliniques et biomédicales pour un diagnostic holistiqu 

28.6. Applications de l'IA dans les études de microbiomique et de microbiologie avec la métabiomique 

28.6.1. Utilisation de l'IA dans l'analyse et la cartographie du Microbiome humain 
28.6.2. Mise en œuvre d'algorithmes pour étudier la relation entre le microbiome et les maladies 
28.6.3. Outils d'IA pour l'identification de modèles dans les études microbiologiques 
28.6.4. Application de l'IA à la recherche thérapeutique basée sur le microbiome 

28.7. Appareils portatifs et surveillance à distance dans les études cliniques 

28.7.1. Développement de dispositifs portables dotés d'une IA pour la surveillance continue de la santé avec FitBit 
28.7.2. Utilisation de l'IA dans l'interprétation des données collectées par wearables 
28.7.3. Mise en œuvre de systèmes de télésurveillance dans les essais cliniques 
28.7.4. Application de l'IA dans la prédiction d'événements cliniques à l'aide de données wearables 

28.8. L'IA dans la gestion des essais cliniques avec Oracle Health Sciences 

28.8.1. Utilisation de systèmes d'IA pour l'optimisation de la gestion des essais cliniques 
28.8.2. Mise en œuvre de l'IA dans la sélection et le suivi des participants 
28.8.3. Outils d'IA pour l'analyse des données et des résultats des essais cliniques 
28.8.4. Application de l'IA pour améliorer l'efficacité et réduire les coûts des essais 

28.9. Développement de vaccins et de traitements assistés par l'IA avec l'IA bienveillante 

28.9.1. Utilisation de l'IA pour accélérer le développement de vaccins 
28.9.2. Mise en œuvre de la modélisation prédictive dans l'identification de traitements potentiels 
28.9.3. Outils d'IA pour simuler les réponses aux vaccins et aux médicaments 
28.9.4. Application de l'IA à la personnalisation des vaccins et des thérapies 

28.10. Applications de l'IA à l'immunologie et à l'étude des réactions immunitaires 

28.10.1. Développement de modèles d'IA pour comprendre les mécanismes immunologiques avec Immuneering 
28.10.2. Utilisation de l'IA pour l'identification de modèles dans les réponses immunitaires 
28.10.3. Mise en œuvre de l'IA dans l'étude des troubles auto-immuns 
28.10.4. Application de l'IA à la conception d'immunothérapies personnalisées 

Module 29. Analyse des Big Data et de l'Apprentissage Automatique en Recherche Clinique

29.1. Big Data dans la Recherche Clinique: Concepts et outilsConcepts et outils 

29.1.1. L'explosion des données dans le domaine de la Recherche Clinique 
29.1.2. Concept de Big Data et principaux outils 
29.1.3. Applications du big data en Recherche Clinique 

29.2. Exploration de données dans les registres cliniques et biomédicaux avec KNIME et Python 

29.2.1. Principales méthodologies pour l'exploration de données 
29.2.2. Intégration des données des dossiers cliniques et biomédicaux 
29.2.3. Détection de modèles et d'anomalies dans les dossiers cliniques et biomédicaux 

29.3. Algorithmes d'apprentissage automatique dans la recherche biomédicale avec KNIME et Python 

29.3.1. Techniques de classification dans la recherche biomédicale 
29.3.2. Techniques de régression dans la recherche biomédicale 
29.3.4. Techniques non supervisées en recherche biomédicale 

29.4. Techniques d'analyse prédictive en Recherche Clinique avec KNIME et Python 

29.4.1. Techniques de classification en Recherche Clinique 
29.4.2. Techniques de régression en Recherche Clinique 
29.4.3. Deep Learning en Recherche Clinique 

29.5. Modèles d'IA en épidémiologie et santé publique avec KNIME et Python 

29.5.1. Techniques de classification en épidémiologie et en santé publique 
29.5.2. Techniques de régression pour l'épidémiologie et la santé publique 
29.5.3. Techniques non supervisées pour l'Épidémiologie et la Santé Publique 

29.6. Analyse des réseaux biologiques et modèles de maladies avec KNIME et Python 

29.6.1. Exploration des interactions dans les réseaux biologiques pour l'identification de schémas pathologiques 
29.6.2. Intégration des données omics dans l'analyse des réseaux pour caractériser les complexités biologiques 
29.6.3. Application d'algorithmes de machine learning pour la découverte de schémas pathologiques 

29.7. Développement d'outils pour le pronostic clinique avec des plateformes de type workflow et Python 

29.7.1. Développer des outils innovants pour le pronostic clinique basé sur des données multidimensionnelles 
29.7.2. Intégration des variables cliniques et moléculaires dans le développement d'outils pronostiques 
29.7.3. Évaluation de l'efficacité des outils pronostiques dans différents contextes cliniques 

29.8. Visualisation avancée et la communication de données complexes à l'aide d'outils tels que PowerBI et Python 

29.8.1. Utilisation de techniques de visualisation avancées pour représenter des données biomédicales complexes 
29.8.2. Développer des stratégies de communication efficaces pour présenter des résultats analytiques complexes 
29.8.3. Mise en œuvre de l'interactivité outils d'interactivité dans les visualisations pour améliorer la compréhension 

29.9. Sécurité des données et défis dans la gestion des Big Data 

29.9.1. Relever les défis de la sécurité des données dans le contexte du Big Data biomédical 
29.9.1. Stratégies de protection de la vie privée dans la gestion des grands ensembles de données biomédicales 
29.9.3. Mise en œuvre de mesures de sécurité pour atténuer les risques liés au traitement des données sensibles

29.10. Applications pratiques et études de cas dans le domaine des Big Data biomédicales 

29.10.1. Exploration d'études de cas réussies dans la mise en œuvre du Big Data biomédical en Recherche Clinique 
29.10.2. Élaboration de stratégies pratiques pour l'application du Big Data dans la prise de décision clinique 
29.10.3. Évaluation de l'impact et enseignements tirés d'études de cas dans le domaine biomédical 

Module 30. Aspects Éthiques, Juridiques et Futurs de l'IA en Recherche Clinique

30.1. Éthique dans l'application de l'IA en Recherche Clinique 

30.1.1. Analyse éthique de la prise de décision assistée par l'IA dans les environnements de Recherche Clinique 
30.1.2. Éthique de l'utilisation d'algorithmes d'IA pour la sélection des participants aux essais cliniques 
30.1.3. Considérations éthiques dans l'interprétation des résultats générés par les systèmes d'IA en Recherche Clinique 

30.2. Considérations juridiques et réglementaires dans l'IA biomédicale 

30.2.1. Analyse des réglementations juridiques relatives au développement et à l'application des technologies d'IA dans le domaine biomédical 
30.2.2. Évaluation de la conformité aux réglementations spécifiques pour garantir la sécurité et l'efficacité des solutions basées sur l'IA 
30.2.3. Relever les nouveaux défis réglementaires liés à l'utilisation de l'IA dans la recherche biomédicale 

30.3. Consentement éclairé et aspects éthiques de l'utilisation des données cliniques 

30.3.1. Élaboration de stratégies visant à garantir un consentement éclairé efficace dans les projets d'IA 
30.3.2. Éthique de la collecte et de l'utilisation de données cliniques sensibles dans le contexte de la recherche pilotée par l'IA 
30.3.3. Aborder les questions éthiques liées à la propriété et à l'accès aux données cliniques dans les projets de recherche 

30.4. IA et responsabilité dans la Recherche Clinique 

30.4.1. Évaluation de la responsabilité éthique et juridique dans la mise en œuvre de systèmes d'IA dans les protocoles de Recherche Clinique 
30.4.2. Élaboration de stratégies pour faire face aux conséquences négatives potentielles de l'application de l'IA à la recherche biomédicale 
30.4.3. Considérations éthiques dans l'implication active de l'IA dans la prise de décision en Recherche Clinique 

30.5. Impact de l'IA sur l'équité et l'accès aux soins de santé 

30.5.1. Évaluer l'impact des solutions d'IA sur l'équité dans la participation aux essais cliniques 
30.5.2. Élaborer des stratégies pour améliorer l'accès aux technologies de l'IA dans divers contextes cliniques 
30.5.3. Éthique dans la distribution des bénéfices et des risques associés à l'application de l'IA dans les soins de santé 

30.6. Vie privée et protection des données dans les projets de recherche 

30.6.1. Garantir le respect de la vie privée des participants aux projets de recherche impliquant l'utilisation de l'IA 
30.6.2. Élaboration de politiques et de pratiques pour la protection des données dans la recherche biomédicale 
30.6.3. Relever les défis spécifiques en matière de protection de la vie privée et de sécurité lors du traitement de données sensibles dans l'environnement clinique 

30.7. IA et durabilité dans la recherche biomédicale 

30.7.1. Évaluation de l'impact environnemental et des ressources associées à la mise en œuvre de l'IA dans la recherche biomédicale 
30.7.2. Développement de pratiques durables dans l'intégration des technologies de l'IA dans les projets de Recherche Clinique 
30.7.3. Éthique de la gestion des ressources et durabilité dans l'adoption de l'IA dans la recherche biomédicale 

30.8. Vérification et explicabilité des modèles d'IA dans le contexte clinique 

30.8.1. Élaboration de protocoles d'audit pour évaluer la fiabilité et l'exactitude des modèles d'IA en Recherche Clinique 
30.8.2. Éthique dans l'explicabilité des algorithmes pour assurer la compréhension des décisions prises par les systèmes d'IA dans des contextes cliniques 
30.8.3. Relever les défis éthiques liés à l'interprétation des résultats des modèles d'IA dans la recherche biomédicale 

30.9. Innovation et esprit d'entreprise dans le domaine de l'IA clinique 

30.9.1. Éthique de l'innovation responsable lors du développement de solutions d'IA pour des applications cliniques 
30.9.2. Développement de stratégies commerciales éthiques dans le domaine de l'IA clinique 
30.9.3. Considérations éthiques dans la commercialisation et l'adoption de solutions d'IA dans le secteur clinique 

30.10. Considérations éthiques dans la collaboration internationale en matière de Recherche Clinique 

30.10.1. Élaboration d'accords éthiques et juridiques pour la collaboration internationale dans le cadre de projets de recherche pilotés par l'IA 
30.10.2. Éthique de la participation multi-institutionnelle et multi-pays à la Recherche Clinique utilisant les technologies de l'IA 
30.10.3. Relever les nouveaux défis éthiques liés à la collaboration mondiale en matière de recherche biomédicale 

Une équipe d'enseignants de premier plan vous présentera les dernières avancées dans le domaine de la Deep Computer Vision avec les Réseaux de Neurones Convolutifs"