Un excellent Mastère avancé 100% en ligne qui fera de vous un véritable leader pour les compagnies d'assurance, capable de relever avec succès tous les défis du secteur"

Pourquoi étudier à TECH?

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

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

À TECH Université Technologique

Innovation

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

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

Les plus hautes exigences

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

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

Networking

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

+100.000 dirigeants formés chaque année +200 nationalités différentes.

Empowerment

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

+500 accords de collaboration avec les meilleures entreprises. 

Talents

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

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

Contexte Multiculturel

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

Nous comptons plus de 200 nationalités différentes parmi nos étudiants.  

Apprenez  auprès des meilleurs

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

Des professeurs de 20 nationalités différentes.

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

Analyse

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

Excellence académique

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

Économie d’échelle

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

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

À travers 25 modules complets, ce Mastère avancé en Intelligence Artificielle fournira aux étudiants une approche complète de ce domaine technologique en plein essor. Pour ce faire, le programme se penchera sur le cycle de vie des données, en prêtant attention à leur nettoyage et à leur stockage. De même, le programme fournira aux étudiants les clés pour utiliser les langages de programmation et les logiciels pour la création d'ontologies. La formation abordera également la Personnalisation des Modèles et la Formation à l'aide de l'outil TensorFlow. Cela permettra aux développeurs d'obtenir de meilleures performances dans des tâches spécifiques.

Vous approfondirez les techniques les plus innovantes pour la Formation aux Réseaux Neuronaux Profonds, grâce à ce Mastère Avancé 100% en ligne"

Plan d’études

Le MBA en Intelligence Artificielle 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 des entreprises qui composent l'Intelligence Artificielle afin que les professionnels puissent mettre en œuvre ses outils technologiques dans leurs projets dans une perspective stratégique, internationale et innovante.

Un plan conçu pour les étudiants, axé sur leur amélioration professionnelle et qui les prépare à assumer des rôles de leadership dans les organisations qui cherchent à tirer parti du potentiel de l'Intelligence Artificielle pour améliorer leurs opérations. 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 25 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. Gestion 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

Où, quand et comment cela se déroule?

TECH offre la possibilité de développer ce MBA en Intelligence Artificielle 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 P 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 Interpersonnel
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. Le site équipes performantes: Équipes agiles
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 changement3.17. Négociation et gestion des conflits

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'État4.9. 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. stratégie technologique et 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 de la communication dans l'organisation
7.13.3. Type de la communication dans l'organisation
7.13.4. Fonctions de la communication dans l'organisation
7.13.5 Éléments de Communication
7.13.6 Problèmes de 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

9.10. 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 des connaissances: 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. Intégrations: 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. Créer une personnalité: langage, 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, inférences statistiques
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. Quantitatif: données continues et données discrètes
12.2.1.2. Qualitatif: 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

1.8. 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 E 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. Construction d'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. Autoencodeurs, GANs , et Modèles de Diffusion

23.1. Représentation des données efficaces

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

23.2. Réalisation de PCA avec un codeur automatique linéaire incomplet

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

23.3. Codeurs automatiques empilés

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

23.4. Auto-encodeurs convolutifs

23.4.1. 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. Informatique Bio-inspirée

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

Vous utiliserez l'Informatique Bio-inspirée pour résoudre efficacement des problèmes complexes, en utilisant des stratégies inspirées de la nature"