Vous avez devant vous un Mastère hybride MBA qui vous amènera à progresser professionnellement dans le domaine de la Data Science et à faire partie des grandes entreprises du secteur”

De nos jours, dans un monde globalisé et plongé dans le commerce en ligne, les informations et les données circulent à grande vitesse et en grandes quantités. C'est pourquoi la collecte de données et leur application à la stratégie commerciale ont donné un élan important à la science des données. C'est pourquoi les entreprises misent sur son utilisation pour pouvoir élaborer de meilleures stratégies commerciales, accroître leur connaissance du consommateur, détecter les risques de pertes ou mettre en place des campagnes de marketing plus efficaces.

Ainsi, la Data Science comprend une combinaison de méthodes mathématiques, d'informatique, de compétences d'analyse et de communication optimale des résultats obtenus. Une spécialité qui requiert, par conséquent, des professionnels qualifiés ayant des compétences en gestion d'équipe. Dans ce scénario, TECHpropose ce Mastère hybride MBA, qui offre aux étudiants une formation de qualité, avec un cadre théorique 100% en ligne, qui est complété par un séjour pratique dans une entreprise leader dans ce domaine.

Un programme qui conduira sur 12 mois, à approfondir les principaux systèmes de gestion de l'information, le cycle de vie des données, l'apprentissage automatique et l'analyse web. Tout cela grâce à des ressources didactiques multimédias auxquelles il est possible d'accéder à tout moment, à partir de n'importe quel appareil électronique doté d'une connexion à internet. 

De même, le diplômé sera en mesure d'appliquer tous les concepts acquis pendant les 3 semaines du séjour sur place. Une période pendant laquelle les étudiants seront encadrés par des professionnels d'un excellent niveau et d'une grande expérience dans le domaine de la Data Science. Ce scénario leur permettra non seulement d'acquérir une connaissance de première main des techniques et méthodologies actuelles utilisées dans ce domaine, mais les amènera également à réaliser un apprentissage plus complet dans un domaine en constante innovation.

Cette institution offre donc une excellente opportunité aux étudiants qui souhaitent progresser professionnellement dans un secteur en plein essor. Tout cela, à travers une approche théorique et pratique, qui le rapproche de la réalité la plus actuelle de la Data Science, à travers une qualification unique dans le panorama éducatif actuel. 

Ce diplôme universitaire vous permettra d'acquérir une connaissance approfondie de l'analyse web et de contribuer au développement réussi des entreprises en ligne”

Ce Mastère hybride en MBA en Direction Technique de Data Science dans l'Entreprise contient le programme le plus complet et le plus actualisé du marché. Ses caractéristiques sont les suivantes:

• Développement de plus de 100 cas présentés par des professionnels de Data Science
• Son contenu graphique, schématique et éminemment pratique, qui vise à fournir des informations scientifiques et d'assistance sur les disciplines médicales indispensables à la pratique professionnelle
• Développement des activités et des étapes du processus d'évaluation de l'impact de la protection des données
• Avec un accent particulier sur les réglementations en matière de gestion des données
• Connaissance des outils les plus utiles pour la mise en œuvre des modèles IaaS et PaaS
• Tout cela sera complété par des cours théoriques, des questions à l'expert, des forums de discussion sur des sujets controversés et un travail de réflexion individuel
• Disponibilité des contenus à partir de tout appareil fixe ou portable doté d'une connexion internet
• En outre, vous pourrez effectuer un stage dans l'un des meilleurs centres de Data Science

Effectuez un stage intensif de trois semaines dans un centre prestigieux et acquérez les compétences dont vous avez besoin pour progresser professionnellement au sein d'une excellente équipe d'experts”

Dans cette proposition de Mastère, de nature professionnalisante et de modalité d'apprentissage hybride, le programme vise à mettre à jour les professionnels de l'informatique qui développent leurs entreprises technologiques et qui nécessitent un haut niveau de qualification. Les contenus sont basés sur les dernières preuves scientifiques, et orientés de manière didactique pour intégrer les connaissances théoriques dans la pratique de la gestion technique de Data Science, et les éléments théoriques et pratiques faciliteront l'acquisition des connaissances et permettront la prise de décision appropriée dans le domaine technologique.

Grâce à son contenu multimédia développé avec les dernières technologies éducatives, il permettra au professionnel de l'informatique un apprentissage situé et contextuel, c'est-à-dire un environnement simulé qui fournira un apprentissage immersif programmé pour s'entraîner dans des situations réelles. La conception de ce programme est basée sur l'Apprentissage par les Problèmes, grâce auquel le médecin devra essayer de résoudre les différentes situations de pratique professionnelle qui se présentent tout au long du programme. Pour ce faire, l’étudiant sera assisté d'un innovant système de vidéos interactives, créé par des experts reconnus.

Grâce à ce diplôme universitaire, vous maîtriserez les principaux outils pour la mise en œuvre des modèles IaaS et PaaS en entreprise"

Avec ce programme, vous serez en mesure d'établir les protocoles de communication et les technologies utilisées dans l'Internet of Things"

Le programme de ce Mastère hybride MBA a été élaboré par une équipe pédagogique pluridisciplinaire, qui a versé dans ce cursus ses connaissances approfondies en Data Science. Ainsi, les étudiants pourront se plonger dans les systèmes de gestion de l'information, les types de données et les principaux programmes informatiques permettant de les développer et de les analyser. Pour ce faire, les étudiants auront accès à des ressources pédagogiques multimédias de grande qualité, disponibles 24 heures sur 24. Un séjour pratique dans une prestigieuse entreprise technologique complète ce parcours académique, où les étudiants pourront déployer leurs compétences techniques et analytiques en Data Science.

Résumés vidéo, vidéos détaillées, études de cas... accessibles à tout moment, à partir d'un appareil électronique doté d'une connexion internet”

Module 1. Principaux systèmes de gestion de l'information

1.1. ERP et CRM

1.1.1. ERP
1.1.2. Le CRM
1.1.3. Différence entre ERP, CRM Point de vente
1.1.4. Succès commercial

1.2. ERP

1.2.1. ERP
1.2.2. Types de ERP
1.2.3. Développement de un projet d'implantation d’un ERP
1.2.4. ERP. Optimisation des ressources
1.2.5. Architecture d'un système ERP

1.3. Informations fournies par l'ERP

1.3.1. Informations fournies par l'ERP
1.3.2. Avantages et inconvénients
1.3.3. L’information

1.4. Systèmes ERP

1.4.1. Systèmes et outils actuels ERP
1.4.2. Prise de décision
1.4.3. Le quotidien d'un ERP

1.5. CRM: le projet d’implantation

1.5.1. CRM Projet d’implantation
1.5.2. Le CRM comme outils commercial
1.5.3. Stratégies pour le système d’information

1.6. CRM: Fidélisations des clients

1.6.1. Point de départ
1.6.2. Vendre ou fidéliser
1.6.3. Facteurs de succès dans notre système de fidélisation
1.6.4. Stratégies multi canaux
1.6.5. Conception d'actions de fidélisation
1.6.6. E-Fidélisation

1.7. CRM: campagnes de communication

1.7.1. Actions et plan de communication
1.7.2. Importance du client informé
1.7.3. L'écoute du client

1.8. CRM: prévention des mécontents

1.8.1. Perte de clientèle
1.8.2. Détection précoce des erreurs
1.8.3. Processus d'amélioration
1.8.4. Récupération du client mécontent

1.9. CRM: actions spécialiste de communication

1.9.1. Objectifs et planification d'un événement d'entreprise
1.9.2. Conception et réalisation de l'événement
1.9.3. Actions du département
1.9.4. Analyse des résultats

1.10. Marketing Relationnel

1.10.1. Implantation. Erreurs
1.10.2. Méthodologie, segmentation et processus
1.10.3. Performance, selon le département
1.10.4. Outils CRM

Module 2. Types et cycle de vie des données

2.1. Statistiques

2.1.1. Statistiques: statistiques descriptives, inférences statistiques
2.1.2. Population, échantillon, individu
2.1.3. Variables: définition, échelles de mesure

2.2. Types de données statistiques

2.2.1. Selon le type

2.2.1.1. Quantitatif: données continues et données discrètes
2.2.1.2. Qualitatif: données binomiales, données nominales et données ordinales

2.2.2. Selon la forme

2.2.2.1. Numérique
2.2.2.2. Texte
2.2.2.3. Logique

2.2.3. Selon la source

2.2.3.1. Primaire
2.2.3.2. Secondaire

2.3. Cycle de vie des données

2.3.1. Étape de cycle
2.3.2. Les étapes du cycle
2.3.3. Les principes du FAIR

2.4. Les premières étapes du cycle

2.4.1. Définition des objectifs
2.4.2. Détermination des besoins en ressources
2.4.3. Diagramme de Gantt
2.4.4. Structure des données

2.5. Collecte des données

2.5.1. Méthodologie de collecte
2.5.2. Outils de collecte
2.5.3. Canaux de collecte

2.6. Nettoyage des données

2.6.1. Phases du nettoyage des données
2.6.2. Qualité des données
2.6.3. Manipulation des données (avec R)

2.7. Analyse des données, interprétations, évaluation des résultats

2.7.1. Mesures statistiques
2.7.2. Indices de ratios
2.7.3. Extraction de données

2.8. Entrepôt de données (Datawarehouse)

2.8.1. Les éléments qui le composent
2.8.2. Conception
2.8.3. Aspects à prendre en compte

2.9. Disponibilité des données

2.9.1. Accès
2.9.2. Utilité
2.9.3. Sécurité

Module 3. Numéro Machine Learning

3.1. Connaissance des bases de données

3.1.1. Prétraitement des données
3.1.2. Analyse
3.1.3. Interprétation et évaluation des résultats

3.2. Machine Learning

3.2.1. Apprentissage supervisé et non supervisé
3.2.2. Apprentissage par renforcement
3.2.3. Apprentissage semi-supervisé. Autres modèles d'apprentissage

3.3. Classification

3.3.1. Arbres de décision et apprentissage à base de règles
3.3.2. Algorithmes SVM (Support Vector Machines) et KNN (K-Nearest Neighbour)
3.3.3. Métriques pour les algorithmes de classification

3.4. Régression

3.4.1. Régression linéaire et régression logistique
3.4.2. Modèles de régression non linéaires
3.4.3. Analyse des séries chronologiques
3.4.4. Métriques pour les algorithmes de régression

3.5. Clustering

3.5.1. Regroupement hiérarchique
3.5.2. Regroupement partionnel
3.5.3. Métriques pour les algorithmes de clustering

3.6. Règles de l'association

3.6.1. Mesures d'intérêt
3.6.2. Méthodes d'extraction de règles
3.6.3. Métriques pour les algorithmes de règles d'association

3.7. Multiclassificateurs

3.7.1. “Bootstrap aggregating” ou “bagging”
3.7.2. Algorithmes de “Random Forests”
3.7.3. Algorithmes de “Boosting”

3.8. Modèles de raisonnement probabiliste

3.8.1. Raisonnement probabiliste
3.8.2. Réseaux bayésiens ou réseaux de croyance
3.8.3. “Hidden Markov Models”

3.9. Perceptron Multi couche

3.9.1. Réseau neuronal
3.9.2. Apprentissage automatique avec les réseaux neuronaux
3.9.3. Descente de gradient, “backpropagation” et fonctions d'activation
3.9.4. Mise en œuvre d'un réseau de neurones artificiels

3.10. Apprentissage profond

3.10.1. Réseaux neuronaux profonds. Introduction
3.10.2. Réseaux convolutifs
3.10.3. Sequence Modeling
3.10.4. Tensorflow et Pytorch

Module 4. Analyse web

4.1. Analyse web

4.1.1. Introduction
4.1.2. Évolution de l’analyse web
4.1.3. Processus d'analyse

4.2. Google Analytics

4.2.1. Google Analytics
4.2.2. Utilisation
4.2.3. Objectif

4.3. Hits. Interactions avec le site web

4.3.1. Métriques de base
4.3.2. KPI (Key Performance Indicators)
4.3.3. Des taux de conversion adéquats

4.4. Dimensions fréquentes

4.4.1. Source
4.4.2. Moyenne
4.4.3. Keyword
4.4.4. Campagne
4.4.5. Étiquetage personnalisé

4.5. Paramètres de Google Analytics

4.5.1. Installation. Création du compte
4.5.2. Versions des outils: UA/GA4
4.5.3. Étiquette de suivi
4.5.4. Objectifs de conversion

4.6. Organisation de Google Analytics

4.6.1. Compte
4.6.2. Propriété
4.6.3. Vue

4.7. Rapports de Google Analytics

4.7.1. En temps réel
4.7.2. Audience
4.7.3. Acquisition
4.7.4. Comportement
4.7.5. Conversions
4.7.6. Commerce électronique

4.8. Rapports avancés de Google Analytics

4.8.1. Rapports personnalisés
4.8.2. Panels
4.8.3. APIs

4.9. Filtres et segments

4.9.1. Filtre
4.9.2. Segment
4.9.3. Types de segments: prédéfinis/personnalises
4.9.4. Listes de Remarketing

4.10. Plan analytique digital

4.10.1. Mesure
4.10.2. Mise en œuvre dans l'environnement technologique
4.10.3. Conclusions

Module 5. Systèmes évolutifs et fiables d'utilisation des données de masse

5.1. Évolutivité, fiabilité et facilité de maintenance

5.1.1. Évolutivité
5.1.2. Fiabilité
5.1.3. Maintenance

5.2. Modèles de données

5.2.1. Évolution des modèles de données
5.2.2. Comparaison du modèle relationnel et du modèle NoSQL basé sur les documents
5.2.3. Modèle de réseau

5.3. Moteurs de stockage et d'extraction de données

5.3.1. Stockage structuré en log
5.3.2. Stockage des tables de segmentation
5.3.3. Arbres B

5.4. Services, passage de messages et formats de codage de données

5.4.1. Flux de données dans les services REST
5.4.2. Flux de données dans le passage de messages
5.4.3. Formats d'envoi des messages

5.5. Réplication

5.5.1. Théorème de la PAC
5.5.2. Modèles de cohérence
5.5.3. Modèles de réplication basés sur les concepts de leader et de suiveur

5.6. Transactions distribuées

5.6.1. Transactions atomiques
5.6.2. Transactions distribuées selon différentes approches Calvin, Spanner
5.6.3. Sérialité

5.7. Cloisonnement

5.7.1. Types de cloisonnement
5.7.2. Partitionnement des index
5.7.3. Rééquilibrage des partitions

5.8. Traitement par lots

5.8.1. Traitement par lots
5.8.2. MapReduce
5.8.3. Approches post MapReduce

5.8. Cas d'utilisation Twitter, Facebook, Uber

5.8.1. Twitter: l'utilisation des caches
5.8.2. Facebook: modèles non relationnels
5.8.3. Uber: différents modèles pour différents usages

Module 6. Administration du système pour les déploiements distribués

6.1. Administration classique. Le modèle monolithique

6.1.1. Applications classiques Modèle monolithique
6.1.2. Configuration requise pour les applications monolithiques
6.1.3. Administration de systèmes monolithiques
6.1.4. Automatisation

6.2. Applications distribuées. Le micro service

6.2.1. Paradigme de l'informatique distribuée
6.2.2. Modèles basés sur les micro services
6.2.3. Exigences du système pour les modèles distribués
6.2.4. Applications monolithiques vs. Applications distribuées

6.3. Outils de exploitation des ressources

6.3.1. Gestion du “fer”
6.3.2. Virtualisation
6.3.3. Émulation
6.3.4. Paravirtualisation

6.4. Modèles IaaS, PaaS et SaaS

6.4.1. Modèle IaaS
6.4.2. Modèle PaaS
6.4.3. Modèle SaaS
6.4.4. Modèles de conception

6.5. Containerisation

6.5.1. Virtualisation avec cgroups
6.5.2. Conteneurs
6.5.3. De l'application au conteneur
6.5.4. Orchestration de conteneurs

6.6. Regroupement

6.6.1. Haute performance et haute disponibilité
6.6.2. Modèles de haute disponibilité
6.6.3. Cluster en tant que plateforme SaaS
6.6.4. Sécurisation du clusters

6.7. Cloud computing

6.7.1. Clusters vs. clouds
6.7.2. Types de clouds
6.7.3. Modèle de service en cloud
6.7.4. Souscription excessive

6.8. Suivi et testing

6.8.1. Types de suivi
6.8.2. Visualisation
6.8.3. Tests de l’infrastructure
6.8.4. Ingénierie du chaos

6.9. Étude de cas: Kubernetes

6.9.1. Administration
6.9.2. Déploiement des services
6.9.3. Développement de services pour la K8S

6.10. Étude de cas: OpenStack

6.10.1. Structure
6.10.2. Administration
6.10.3. Déploiements
6.10.4. Développement de services pour la OpenStack

Module 7. Internet of Things

7.1. Internet of Things (IoT)

7.1.1. Internet du futur
7.1.2. Internet of Things et Industrial Internet of Things
7.1.3. Le consortium industrial internet

7.2. Architecture de référence

7.2.1. L’architecture de référence
7.2.2. Couches et composants

7.3. Dispositifs IoT

7.3.1. Classification
7.3.2. Composants
7.3.3. Capteurs et actionneurs

7.4. Protocoles de communication

7.4.1. Classification
7.4.2. Modèle OSI
7.4.3. Technologies

7.5. Plateformes IoT et IIoT

7.5.1. La plateforme IoT
7.5.2. Plateformes de Cloud computing à usage général
7.5.3. Plateformes industrielles
7.5.4. Plateformes Open Source

7.6. Gestion des données dans les plateformes IoT

7.6.1. Mécanismes de gestion
7.6.2. Données ouvertes
7.6.3. Échange de données
7.6.4. Visualisation des données

7.7. Sécurité IoT

7.7.1. Exigences de sécurité
7.7.2. Zone de sécurité
7.7.3. Stratégies de sécurité
7.7.4. Sécurité IIoT

7.8. Domaines d'application des systèmes IoT

7.8.1. Villes intelligentes
7.8.2. Santé et conditions physiques
7.8.3. Maison intelligente
7.8.4. Autres applications

7.9. Application de l'IIoT à différents secteurs industriels

7.9.1. Fabrication
7.9.2. Transport
7.9.3. Énergie
7.9.4. Agriculture et élevage
7.9.5. Autres secteurs

7.10. Intégration de l'IIoT dans le modèle de l'industrie 4.0. 

7.10.1. IoRT (Internet of Robotics Things)
7.10.2. Fabrication additive 3D
7.10.3. Big Data Analytics

Module 8. Gestion de projet et méthodologies Agile

8.1. Direction et gestion des projets

8.1.1. Le projet
8.1.2. Phases d’un projet
8.1.3. Direction et gestion des projets

8.2. Méthodologie PMI pour la gestion de projet

8.2.1. PMI (Project Management Institute)
8.2.2. PMBOK
8.2.3. Différence entre projet, programme et portefeuille de projets
8.2.4. Évolution des organisations travaillant avec des projets
8.2.5. Les actifs de processus dans les organisations

8.3. Méthodologie PMI pour la gestion de projet: Processus

8.3.1. Groupes de processus
8.3.2. Domaines de connaissance
8.3.3. Matrice de processus

8.4. Méthodologies agiles pour la gestion de projets

8.4.1. Contexte VUCA (Volatilité, Incertitude, Complexité et Ambiguïté)
8.4.2. Valeurs Agile
8.4.3. Principes du manifeste Agile

8.5. Framework Agile SCRUM pour la gestion des projets

8.5.1. Scrum
8.5.2. Les piliers de la méthodologie Scrum
8.5.3. Les valeurs dans Scrum

8.6. Framework Agile SCRUM pour la gestion des projets. Processus

8.6.1. Processus de Scrum
8.6.2. Rôles typiques dans un processus Scrum
8.6.3. Les cérémonies en Scrum

8.7. Framework Agile SCRUM pour la gestion des projets. Artefacts

8.7.1. Artefacts dans un processus Scrum
8.7.2. L'équipe Scrum
8.7.3. Métriques pour évaluer les performances d'une équipe Scrum

8.8. Framework Agile KANBAN pour la gestion des projets. Méthode Kanban

8.8.1. Kanban
8.8.2. Bénéfices de Kanban
8.8.3. Méthode Kanban Éléments

8.9. Comparaison: PMI, SCRUM et KANBAN

8.9.1. PMI–SCRUM
8.9.2. PMI–KANBAN
8.9.3. SCRUM-KANBAN

Module 9. Communication, leadership et gestion d'équipe

9.1. Développement organisationnel dans l'entreprise

9.1.1. Climat organisationnel, culture et développement organisationnel dans l'entreprise
9.1.2. Gestion du capital humain

9.2. Modèle de direction. Prise de décision

9.2.1. Changement de paradigme dans les modèles de direction
9.2.2. Processus de gestion de l'entreprise technologique
9.2.3. La prise de décision. Instruments de planification

9.3. Leadership Délégation et Empowerment

9.3.1. Leadership
9.3.2. Délégation et Empowerment
9.3.3. Évaluation des performances

9.4. Leadership Gestion des talents et engagement

9.4.1. Gestion des talents dans l'entreprise
9.4.2. Gestion de l'engagement dans l'entreprise
9.4.3. Améliorer la communication dans l'entreprise

9.5. Coaching appliqué à l'entreprise

9.5.1. Coaching exécutif
9.5.2. Coaching d’équipes

9.6. Mentoring appliqué à l'entreprise

9.6.1. Profil du mentor
9.6.2. Les 4 processus d’un programme de mentoring
9.6.3. Outils et techniques dans un processus de Mentoring
9.6.4. Bénéfices de Mentoring dans l’environnement de l’entreprise

9.7. Gestion de l'équipe I. Relations interpersonnelles

9.7.1. Relations interpersonnelles

9.7.1.1. Styles relationnels: Approche
9.7.1.2. Réunions et accords efficaces dans des situations difficiles

9.8. Gestion des équipes II. Les Conflits

9.8.1. Les conflits
9.8.2. Prévenir, traiter et résoudre les conflits

9.8.2.1. Stratégies de prévention des conflits
9.8.2.2. La gestion de conflits. Principes de base
9.8.2.3. Stratégie pour résoudre les conflits

9.8.3. Stress et motivation au travail

9.9. Gestion des équipes III. La négociation

9.9.1. Négociation au niveau des cadres dans les entreprises technologiques
9.9.2. Styles de négociation
9.9.3. Les phases de la négociation

9.9.3.1. Obstacles à surmonter lors des négociations

9.10. Gestion des équipes IV. Techniques de négociation

9.10.1. Techniques et stratégies de négociation

9.10.1.1. Stratégies et principaux types de négociation
9.10.1.2. Techniques de négociation et questions pratiques

9.10.2. La figure du sujet de la négociation

Acquérez des connaissances sans limites géographiques ou un calendrier préétabli"