PARIS SCHOOL OF ADVANCED MANAGEMENT AND ENTREPRENEURSHIP
A côté du Lycée Français Théodore Monod - LFTM Près de l'Ambassade de France
Nouakchott
- Email contact@same-paris.fr
- Téléphone +222 49 11 83 19
PARIS SCHOOL OF ADVANCED MANAGEMENT AND ENTREPRENEURSHIP
A côté du Lycée Français Théodore Monod - LFTM Près de l'Ambassade de France
Nouakchott
-> Présentation du langage R : philosophie, syntaxe, atouts, limites
-> Installation de R et RStudio
-> Découverte de l’interface RStudio : console, scripts, environnement, plots
-> Structure d’un script R : bonnes pratiques dès le début
-> Notion d’objet et d’attribution (<-)
-> Les types de données : numérique, texte, logique, factor
-> Les structures de données : vecteurs, matrices, data frames, listes
-> Lecture de fichiers CSV, TXT, Excel
-> Importer des données via RStudio
-> Exportation de fichiers
-> Introduction rapide au package readr
-> Comprendre les notations de base : $, [], names(), str()
-> Manipulations simples : renommer des colonnes, filtrer, trier, sélectionner des variables, créer de nouvelles colonnes
-> Pourquoi le tidyverse
-> Présentation rapide des packages : dplyr, tidyr, ggplot2
-> Comparaison avec les fonctions de base
-> Les fonctions essentielles :filter(), select(),mutate(),arrange(),summarise() + group_by()
-> Structure d’un graphique ggplot : données, aesthetics, géométries.
-> Graphiques de base : histogrammes, barplots, boxplots, nuages de points
-> Personnalisation simple : titres, couleurs, thèmes de base
-> Organisation d’un projet dans RStudio
-> Utilisation des commentaires
-> Sauvegarde de graphiques et de tables
-> Exportation de scripts
-Comprendre les fondamentaux du langage R
-Manipuler des données simples et principaux objets
-Réaliser des visualisations de base
-Réaliser des scripts élémentaires
-Personne souhaitons découvrir le langage R
-Personne reconversion professionnelle vers les métiers de la data
-Étudiants ou chercheurs universitaires
-Professionnels de la data
2 jours
-> Les bonnes pratiques d’organisation de projets
-> Notions clés : pipes (|> et %>%), tidyverse, tibble
-> Astuces d’efficacité et de vectorisation
-> Jointures complexes (left_join, right_join, full_join, semi-join…)
-> Manipulations multi-tables
-> across() et programmation sur colonnes
-> Gestion des données manquantes
-> Manipulations groupées complexes (nested data, group_modify)
-> Pivot longer / pivot wider (cas complexes)
-> Tables imbriquées (nest / unnest)
-> Reshaping pour analyses multivariées
-> Gestion des formats irréguliers
-> Syntaxe de base
-> Fusion rapide de tables (joins)
-> Pourquoi et quand l’utiliser
-> Fonctions avancées (arguments, return, dots)
-> Gestion des environnements et closures
-> Purrr : map(), map_df(), imap(), walk()
-> Automatisation d’analyses répétitives
-> Régression linéaire multiple : interprétation, diagnostics, colinéarité
-> Modèles généralisés (GLM) : logit, Poisson, binomial
-> Sélection de modèles (AIC, BIC, stepwise)
-> ANOVA et ANCOVA avancées
-> Tests statistiques multiples (false discovery rate)
-> tidy(), glance(), augment()
-> Intégration dans un pipeline d’analyse
-> Création de résumés statistiques propres et présentables
-> Grammaire graphique avancée
-> Facettes, thèmes personnalisés, annotations
-> Graphiques complexes : heatmaps, boxplots groupés, ridgelines, network plots (selon niveaux)
-> Gestion des couleurs, palettes, scales
-> Structure d’un document Rmd
-> Générer automatiquement : rapports PDF, HTML, tableaux dynamiques, graphiques intégrés
-> Paramétrage de documents (YAML header)
-> Automatisation d’un rapport périodique
Sur un jeu de données fourni, les participants devront :
-> Nettoyer et transformer les données
-> Construire plusieurs modèles statistiques pertinents
-> Réaliser des visualisations avancées
-> Produire un rapport automatisé R Markdown
-Maitriser dplyr et tidyr
-Manipuler des jeux de données complexes
-Développer des fonctions efficaces
-Réaliser des analyses statistiques avancées
-Utilisation de R Markdown pour les rapports dynamiques
-Business Analystes, Data Analytes, Ingénieur Data
-Personne en charge d’étude statistique
-Étudiants ou chercheurs universitaires
-Tout professionnel de la data
3 jours
-> Vectorisation, performance, benchmarks
-> Gestion efficace de la mémoire
-> Structures de données adaptées (tibble, matrix, dt)
-> Jointures multi-tables
-> Nested data
-> Opérations groupées avancées
-> Transformations conditionnelles
-> across() pour automatiser les transformations
-> Reshape complexe avec pivot longer/wider
-> nest() / unnest() pour analyses par groupes.
-> Tidying de données mal structurées
-> Syntaxe rapide et puissante
-> Agrégations massives
-> Joins ultra rapides
-> Bonnes pratiques pour grands volumes
-> Fonctions avancées : pipes internes, dots, arguments dynamiques
-> purrr : automatiser des workflows complets.
-> List-columns & iteration fonctionnelle (cas réels)
-> Structuration de projets data : architecture, scripts, modularité
-> Régression linéaire multiple et diagnostics
-> GLM (logistique, Poisson) pour classification & prévisions
-> Sélection de variables : AIC/BIC, LASSO (via glmnet)
-> Métriques de performance : RMSE, MAE, accuracy, AUC, ROC
-> k-means, hierarchical clustering
-> PCA & réduction de dimension (avec factoextra / stats)
-> Exploration visuelle des clusters
-> Thèmes personnalisés pour la data science
-> Graphiques multivariés, facettes, ridgelines
-> Visualisations orientées modèle (effets, résidus)
-> Combiner plusieurs graphiques (patchwork / cowplot)
-> R Markdown : documents paramétrés, rapports dynamiques, intégration de modèles & graphiques
-> Tables professionnelles : gt, flextable
-> Export automatisé vers HTML / PDF / Word
Sur un dataset complet (e-commerce, grande distribution / retail, santé, finance ou autre), les participants doivent :
-> Nettoyer et structurer les données (wrangling)
-> Construire et comparer plusieurs modèles (classification & régression)
-> Sélectionner les meilleurs modèles via des métriques
-> Générer des visualisations avancées
-> Produire un rapport automatique clé en main
-Manipuler les données volumineuses et hétérogènes
-Vectoriser et utiliser les bonnes pratiques en data science
-Comprendre, utiliser et évaluer les modèles statistiques fondamentaux en data science
-Mettre en place des workflow automatisés
-Concevoir des fonctions robustes et réutilisables
-Structurer un projet en data science
-Data scientistes juniors ou confirmés
-Ingénieurs ou statisticiens
-Étudiants ou chercheurs universitaires
-Personne impliquée dans les pipelines analytiques
3 jours
-> Pourquoi apprendre Python ? Forces et usages (web, data, IA, automatisation…)
-> Installer Python (Anaconda ou installation officielle)
-> Découvrir un IDE : VS Code, Spyder ou Jupyter Notebook
-> Exécuter un premier script : Hello World
-> Variables et affectation
-> Types de données : chaînes, nombres, booléens
-> Fonction print() et commentaires
-> Conversion de types (casting)
-> Opérateurs logiques et de comparaison
-> Structure if / elif / else
-> Boucle for
-> Boucle while
-> Fonctions intégrées : range(), len(), enumerate()
-> Les listes : création, indexation, modification
-> Les tuples et sets
-> Les dictionnaires : clés/valeurs
-> Définir une fonction avec def
-> Paramètres et arguments
-> Valeurs de retour : return
-> Portée des variables (locale / globale)
-> Lire un fichier texte
-> Écrire dans un fichier
-> Modes d’ouverture : r, w, a
-> Importer un module (import, from … import…)
-> Découvrir les modules standards : math, random, datetime, os
-> Créer son propre module
-> Exceptions courantes
-> Utiliser try / except / finally
– Installer et configurer de l’environnement de développement Python
-Manipuler les données et types de données
-Ecrire des scripts
-Gérer des modules standard
-Déboguer et tester son code
-Personne souhaitons utiliser Python dans un cadre professionnel ou personnel
-Ingénieurs ou Data scientistes débutants
-Étudiants ou chercheurs universitaires
-Personnes en reconversion professionnelle
2 jours
-> Compréhension approfondie de l’interpréteur Python
-> Mutabilité / immutabilité
-> Passage par référence vs valeur
-> Scope des variables (local, global, nonlocal)
-> Fonctions lambda
-> Paramètres *args et **kwargs
-> Fonctions imbriquées
-> Closures
-> Fonctions comme objets
-> Principe des décorateurs
-> Décorateurs avec arguments
-> Cas d’usage réels (logs, contrôle d’accès, timing)
-> Rappels POO : classes, objets, méthodes
-> Méthodes spéciales (__init__, __str__, __repr__)
-> Attributs de classe vs instance
-> Encapsulation
-> Héritage simple et multiple
-> Surcharge de méthodes
-> super()
-> Composition vs héritage
-> Méthodes statiques et de classe
-> Propriétés (@property)
-> Classes abstraites (abc)
-> Dataclasses
-> Hiérarchie des exceptions
-> Création d’exceptions personnalisées
-> Bonnes pratiques try / except / finally
-> Introduction aux tests unitaires (unittest, pytest)
-> Assertions
-> Debug avec pdb
-> Bonnes pratiques de nommage et PEP 8
-> Organisation des fichiers et packages
-> Modules et imports
-> Environnements virtuels
-> Introduction à pip et requirements.txt
-Écrire, structurer et optimiser du code Python robuste
-Maîtriser les concepts avancés du langage Python
-Gérer les erreurs, les tests et le débogage
-Développeurs Python débutants à intermédiaires
-Data analysts / data scientists souhaitant renforcer leur niveau Python
-Ingénieurs, chercheurs, consultants techniques
-Étudiants en informatique ou data
-Professionnels souhaitant industrialiser leurs scripts Python
3 jours
-> Qu’est-ce que la Business Intelligence ?
-> Présentation de Power BI : Desktop, Service, Mobile, Server
-> Cas d’usage et exemples de tableaux de bord
-> Types de sources : Fichiers Excel / CSV, Bases de données, Web
-> Import vs DirectQuery
-> Bonnes pratiques de connexion
-> Nettoyage des données : Suppression des doublons, Gestion des valeurs manquantes, Modification des types de données
-> Ajout de colonnes calculées
-> Étapes appliquées
-> Fusion de tables
-> Jointure de tables
-> Types de graphiques : Histogrammes, Graphiques en courbes, Cartes, Tableaux
-> Bonnes pratiques de dataviz
-> Filtres et segments
-> Segments et filtres avancés
-> Interactions entre visuels
-> Thèmes et mise en page
-> Info-bulles (tooltips)
-Comprendre l’écosystème Power BI (Desktop, Service, Report Server)
-Se connecter à différentes sources de données
-Préparer et transformer des données avec Power Query
-Créer des visualisations pertinentes
-Concevoir un mini tableau de bord interactif
-Analystes métiers
-Contrôleurs de gestion
-Responsables marketing / commerciaux
-Chefs de projet
-Débutants en Business Intelligence
-Toute personne souhaitant analyser et visualiser des données
1 jour
-> Rôle de la BI dans la prise de décision
-> Architecture BI : de la collecte à la visualisation
-> Différences entre rapport, tableau de bord et dataset
-> Rappel des fondamentaux de Power BI : écosystème (Desktop, Service, Mobile), interface et licence
-> Sources multiples : Excel, CSV, bases de données
-> Import vs DirectQuery
-> Rafraîchissement des données
-> Nettoyage avancé
-> Colonnes conditionnelles
-> Fusion et ajout de requêtes
-> Jointures
-> Fonctions personnalisées
-> Modèle en étoile
-> Relations actives / inactives
-> Tables de dimensions
-> Table calendrier
-> Syntaxe et logique DAX
-> Colonnes calculées vs mesures
-> Contexte de ligne et de filtres
-> Fonctions essentielles (SUM, CALCULATE, FILTER,COUNTX)
-> Fonctions itératives (X)
-> FonctionsFILTER(), ALL(), ALLSELECTED(), ALLEXCEPT(), VALUES()
-> Classements (RANKX)
-> Top N dynamiques
-> Mesures cumulées et rolling
-> Logique conditionnelle (IF, SWITCH)
-> Tables virtuelles
-> Bonnes pratiques de filtrage
-> Table calendrier optimisée
-> Fonctions temporelles :TOTALYTD, SAMEPERIODLASTYEAR
,DATEADD, PARALLELPERIOD
-> Comparaisons N/N-1
-> Choix des visuels selon l’analyse
-> Mise en forme conditionnelle
-> Hiérarchies et drill-down
-> Segments avancés
-> Drill-through
-> Info-bulles personnalisées
-> Signets (bookmarks)
-> Insertion : boutons, textes, formes, autres visuels
-> Gestion des thèmes : import et personnalisation
-> Power BI Service
-> Mise en page mobile et application mobile
-> Espaces de travail
-> Sécurité au niveau des lignes (RLS)
-> Actualisation planifiée
-Construire un modèle de données optimisé pour le DAX
-Comprendre et maîtriser les contextes DAX
-Créer des mesures complexes et performantes
-Réaliser des analyses temporelles avancées
-Développer des KPI métier fiables
-Concevoir des tableaux de bord dynamiques et interactifs
Publier et sécuriser des rapports Power BI
-Analystes BI / Data Analysts
-Contrôleurs de gestion
-Responsables financiers, marketing ou commerciaux
-Consultants BI
-Chefs de projet data
-Utilisateurs Power BI souhaitant approfondir le DAX
3 jours
-> Qu’est-ce que le Machine Learning ?
-> Différence entre statistiques, ML et IA
-> Exemples d’applications concrètes
-> Cycle de vie d’un projet ML
-> Types de données
-> Nettoyage des données
-> Gestion des valeurs manquantes
-> Normalisation et encodage
-> Séparation train / test
-> Régression linéaire (rappels)
-> Régression multiple
-> Cas d’usage métiers
-> Limites des modèles linéaires
-> Problématique de classification
-> k-plus proches voisins (k-NN)
-> Régression logistique
-> Arbres de décision (introduction)
-> Différences avec l’apprentissage supervisé
-> Cas d’usage
-> Clustering (k-means)
-> Réduction de dimension (ACP)
-> Erreur, précision, rappel
-> Matrice de confusion
-> Overfitting et underfitting
-> Validation croisée (concepts)
-> Chaînage des étapes (préparation → modèle → évaluation)
-> Bonnes pratiques
-> Introduction aux bibliothèques ML (scikit-learn)
-> Qualité des données
-> Biais et interprétabilité
-> ML en production (notions)
-> Place du ML dans un projet data
-> Introduction au Deep Learning
-Comprendre les fondamentaux du Machine Learning
-Distinguer les principaux types d’apprentissage (supervisé, non supervisé)
-Préparer et explorer des données pour le ML
-Mettre en œuvre des algorithmes simples de Machine Learning
-Évaluer la performance d’un modèle
-Comprendre les limites, risques et bonnes pratiques du ML
-Dialoguer efficacement avec des data scientists ou équipes techniques
-Analystes de données débutants
-Data analysts souhaitant évoluer vers la data science
-Développeurs débutants en data
-Ingénieurs métiers (marketing, finance, RH, industrie)
-Étudiants (licence, master)
-Managers souhaitant comprendre les bases du ML
2 jours
-> Rôle du Data Scientist dans l’entreprise
-> Différences Data Analyst / Data Engineer / Data Scientist
-> Cycle de vie d’un projet data (CRISP-DM, Agile Data)
-> Bonnes pratiques organisationnelles
-> Interaction avec les équipes métiers et IT
-> Python et écosystème data
-> Jupyter Notebook vs IDE
-> Gestion des environnements (venv, conda)
-> Gestion des dépendances (requirements)
-> Structuration d’un projet data
-> Panorama des outils de nettoyage
pandas
-> Nettoyage des données
-> Gestion des valeurs manquantes
-> Détection d’anomalies
-> Bonnes pratiques de qualité et traçabilité des données
-> Panorama des outils
-> Choix des bons indicateurs
-> Visualisations pertinentes pour l’analyse
-> Storytelling avec les données
-> Erreurs fréquentes en dataviz
-> Feature engineering
-> Encodage et normalisation
-> Pipelines scikit-learn
-> Séparation train/test
-> Reproductibilité des expériences
-> Panorama des algorithmes utilisés en pratique
-> Utilisation standard de scikit-learn
-> Entraînement, prédiction et évaluation
-> Interprétabilité des modèles
-> Sélection du bon modèle
-> Panorama des outils
-> Git pour les projets data
-> Bonnes pratiques de code (PEP8, modularité)
-> Documentation des notebooks et scripts
-> Gestion des versions de données
-> Travail en équipe data
-> Passage du notebook au script
-> Sauvegarde et chargement de modèles
-> Introduction aux API de prédiction
-> Surveillance des modèles
-> Notions de MLOps
-Maîtriser les outils essentiels du Data Scientist
-Comprendre et appliquer les processus standards d’un projet data
-Mettre en place un environnement de travail professionnel
-Structurer un projet data de manière reproductible
-Appliquer les bonnes pratiques de développement, de collaboration et de documentation
-Communiquer efficacement les résultats aux parties prenantes
-Data analysts en montée en compétences
-Data scientists juniors
-Développeurs orientés data
-Ingénieurs métiers
-Étudiants avancés en data science
-Profils techniques en reconversion
2 jours
-> Définition de l’IA
-> Bref historique de l’IA
-> Différents niveaux d’IA (étroite, générale, super)
-> IA discriminative vs IA générative
-> Exemples concrets du quotidien
-> Machine Learning
-> Deep Learning
-> Traitement du langage naturel (NLP)
-> Vision par ordinateur
-> Données : rôle et qualité
-> Entraînement, validation, test
-> Notions de modèles et d’algorithmes
-> Biais et surapprentissage
-> Marketing et vente
-> Finance et assurance
-> Santé
-> Industrie
-> Ressources humaines
-> Services publics
-> Biais algorithmiques
-> Hallucinations
-> Dépendance aux données
-> Sécurité et cyber-risques
-> Éthique de l’IA
-> Transparence et explicabilité
-> Responsabilité des décisions automatisées
-> Réglementations (RGPD, AI Act européen – principes)
-> Automatisation vs augmentation
-> Impact sur l’emploi
-> Nouvelles compétences
-> Collaboration humain–IA
-> Outils no-code / low-code
-> IA générative (chatbots, assistants)
-> Plateformes cloud IA
-> Outils d’analyse et d’automatisation
-> Identifier un cas d’usage pertinent
-> Évaluer la faisabilité
-> Données, coûts et ROI
-> Gouvernance de l’IA
-Comprendre les fondements de l’intelligence artificielle
-Distinguer IA, machine learning, deep learning et IA générative
-Identifier les cas d’usage concrets de l’IA dans différents secteurs
-Comprendre les enjeux éthiques, juridiques et sociétaux
-Découvrir les outils et technologies clés de l’IA
-Dialoguer efficacement avec des équipes techniques ou des prestataires IA
-Managers et décideurs
-Chefs de projet
-Consultants
-Responsables métiers (RH, finance, marketing, industrie…)
-Étudiants et enseignants
-Toute personne souhaitant comprendre l’IA sans la coder
2 jours
-> Définition de l’IA, du machine learning et de l’IA générative
-> Différence automatisation / intelligence artificielle
-> Panorama des technologies IA utilisées en RH
-> État des lieux du marché (tendances actuelles)
-> Sourcing intelligent de candidats
-> Analyse et tri automatique de CV
-> Matching compétences–postes
-> Chatbots de recrutement
-> Limites et biais algorithmiques
-> Cartographie des compétences
-> Détection des hauts potentiels
-> Mobilité interne prédictive
-> Analyse de la performance
-> Recommandation de parcours de carrière
-> Personnalisation des parcours de formation
-> Recommandation de contenus pédagogiques
-> Adaptive learning
-> Analyse de l’efficacité des formations
-> Analyse du climat social
-> Enquêtes RH augmentées par l’IA
-> Détection des signaux faibles (turnover, désengagement)
-> Analyse de texte (verbatims)
-> Biais algorithmiques et discrimination
-> Transparence et explicabilité
-> Protection des données personnelles
-> Responsabilité de l’employeur
-> Bonnes pratiques de gouvernance IA
-> Identifier les processus éligibles
-> Évaluer le ROI
-> Choisir un outil ou un prestataire
-> Conduite du changement
-> Facteurs clés de succès
-> Identification des cas d’usage prioritaires
-> Analyse risques / bénéfices
-> Construction d’une mini roadmap IA RH
-> Partage d’expériences
-Comprendre les principes clés de l’intelligence artificielle
-Identifier les cas d’usage de l’IA en RH
-Évaluer les opportunités et limites de l’IA pour les fonctions RH
-Utiliser des outils d’IA pour optimiser les processus RH
-Anticiper les enjeux éthiques, juridiques et organisationnels
-Intégrer l’IA de manière responsable dans la stratégie RH
-Responsables RH / DRH
-Chargés de recrutement
-Talent acquisition managers
-Responsables formation
-Responsables SIRH
-Managers impliqués dans les processus RH
-Consultants RH
1 jour