Generative AI Professional
- Architecture LLM
- Prompt Engineering
- Fine-tuning & RAG
- Gouvernance IA
PROVA — organisme européen de certification des compétences individuelles. Vos compétences ont une signature.
PROVA — organisme européen de certification des compétences individuelles. Vos compétences ont une signature.
Certification européenne validant la maîtrise des techniques de data science : machine learning, analyse statistique, visualisation et déploiement de modèles prédictifs en environnement professionnel.
Connaissances en Python et statistiques de base requises, aucune condition de diplôme.
Voucher d'examen, parcours LMS, packs économiques — composez votre panier
Composez votre parcours — voucher d'examen, préparation LMS, packs entreprise.
Maîtrise des algorithmes supervisés, non supervisés et des techniques d'optimisation des hyperparamètres.
Application rigoureuse des tests statistiques, analyse exploratoire et validation d'hypothèses métier.
Mise en production de modèles via API REST, conteneurisation Docker et monitoring des performances.
Création de visualisations impactantes et communication des insights aux parties prenantes non techniques.
Statistiques descriptives (moyenne, médiane, variance, écart-type), distributions (normale, binomiale, Poisson), intervalles de confiance, tests d'hypothèses (t-test, chi2, ANOVA), p-value et significativité. Analyse exploratoire de données (EDA) : visualisations univariées et bivariées, matrices de corrélation, détection d'outliers (IQR, Z-score), traitement des valeurs manquantes (imputation, suppression). Feature engineering : création de variables, encodage (one-hot, label encoding), normalisation et standardisation, binning.
Apprentissage supervisé : régression linéaire simple et multiple, régression logistique, arbres de décision (CART), random forests, gradient boosting (XGBoost, LightGBM, CatBoost), Support Vector Machines (SVM), k-nearest neighbors (KNN). Apprentissage non supervisé : clustering (k-means, hierarchical clustering, DBSCAN), réduction de dimensionnalité (PCA, SVD, t-SNE, UMAP), détection d'anomalies. Concepts fondamentaux : biais-variance tradeoff, curse of dimensionality, distance metrics.
Techniques de validation : train/test split, k-fold cross-validation, stratified sampling, validation temporelle pour séries chronologiques. Métriques de performance : classification (accuracy, precision, recall, F1-score, AUC-ROC, matrice de confusion), régression (MSE, RMSE, MAE, R²). Diagnostic : overfitting, underfitting, learning curves. Optimisation : régularisation L1 (Lasso) et L2 (Ridge), ElasticNet, grid search, random search, Bayesian optimization. Feature selection : importance des variables, recursive feature elimination, analyse SHAP.
Pipelines scikit-learn : transformers, estimators, Pipeline et ColumnTransformer. Sérialisation de modèles : pickle, joblib, ONNX. Création d'API REST : Flask, FastAPI, endpoints de prédiction. Conteneurisation : Docker basics, Dockerfile pour applications ML. MLOps : versioning de modèles (MLflow basics), monitoring de performance en production, drift detection, A/B testing de modèles. Bonnes pratiques : reproductibilité, logging, gestion des dépendances.
3 solutions pour couvrir le coût de votre certification
Demandez à votre employeur une prise en charge via votre OPCO (plan de développement des compétences).
Paiement en ligne sécurisé par carte bancaire (Stripe).
Tarif entreprise : 585€ HT
Équipes, cohortes ou catalogue privé : un devis adapté à vos volumes et à vos objectifs.
L'examen se concentre principalement sur Python (pandas, numpy, scikit-learn, matplotlib). SQL est également évalué pour la manipulation de données. Les concepts sont indépendants du langage mais les exemples pratiques utilisent l'écosystème Python standard en data science.
Vous devrez lire, comprendre et identifier des erreurs dans du code, mais pas écrire de code complet from scratch. L'accent est mis sur la compréhension conceptuelle et méthodologique.
Cette certification niveau Standard couvre les fondamentaux du machine learning classique. Le deep learning (réseaux de neurones, CNN, RNN) est abordé conceptuellement mais n'est pas l'objectif principal. Pour une spécialisation deep learning, consultez nos certifications Master 801 en AI Engineering.
Non, l'examen est à livre fermé. Vous devez maîtriser les concepts, algorithmes et méthodologies sans aide extérieure. Cela garantit que la certification reflète vos compétences réelles mobilisables en situation professionnelle.
Avant, pendant, après — la progression logique recommandée
Les critères de décision et le barème sont documentés et accessibles avant l'examen.
Toute décision peut être contestée dans les 30 jours. Examen par un tiers indépendant.
Toute personne peut signaler un dysfonctionnement. Formulaire public accessible sans compte.
Bibliothèques de visualisation : Matplotlib (figures, axes, subplots), Seaborn (statistical plots, heatmaps), Plotly (interactivité). Types de visualisations : histogrammes, boxplots, scatter plots, line charts, heatmaps, pair plots. Dashboards : Streamlit ou Dash pour prototypage rapide. Storytelling data : structurer une présentation de résultats, adapter le discours à l'audience (technique vs business), documenter les hypothèses et limites, présenter l'incertitude et les intervalles de confiance.