Parcours certifiant
Machine Learning Engineer
Entraîner un modèle qui obtient un bon score dans un carnet de notes est devenu accessible à beaucoup de monde. Faire tourner ce modèle tous les jours, sur des données réelles qui changent, avec une interface que d'autres applications peuvent appeler, une surveillance qui prévient quand la qualité se dégrade et une procédure de réentraînement documentée, reste le travail d'une poignée de professionnels.
- Durée
- 5 semaines, 10 séances, 50 heures
- Modalité
- Présentiel ou en ligne
- Validation
- Certificat de formation
Investissement195 000 FCFA
À l'issue de la formation, vous saurez
- Cadrer un besoin métier en problème d'apprentissage, avec sa cible, sa métrique et une référence simple
- Structurer un projet Python versionné, testé et exécutable en une commande
- Préparer des données réelles et construire des variables explicatives sans fuite d'information
- Entraîner, comparer et régler des modèles de régression, de classification, d'ensemble et de prévision
- Choisir un seuil de décision selon le coût de l'erreur, et suivre ses expériences dans MLflow
- Classer des textes et interroger un corpus avec un modèle de langage, en citant ses sources
- Servir un modèle derrière une interface FastAPI, le conteneuriser avec Docker et le surveiller
- Expliquer une décision du modèle, documenter ses biais et ses limites, et défendre son projet devant un jury
À qui s'adresse la formation
Public cible
La certification s'adresse à celles et ceux qui savent déjà analyser des données et veulent franchir le pas de la production : data scientists, analystes de données avancés, développeurs, statisticiens, ingénieurs, diplômés en informatique, en statistique ou en mathématiques appliquées.
Prérequis
Quatre conditions sont nécessaires :
- Justifier d'un niveau BAC+3 au minimum en statistique, informatique, mathématiques, économie quantitative ou ingénierie, ou d'une expérience professionnelle équivalente
- Maîtriser Python au niveau des structures de données, des fonctions, de pandas et de la gestion des fichiers, le certificat de Data Scientist ou la formation Python de Waaldé Impact satisfait ce prérequis
- Disposer de bases solides en statistique : distribution, corrélation, régression, notion de test
- Disposer d'un ordinateur portable avec 8 Go de mémoire vive au minimum, 16 Go de préférence, et 40 Go d'espace disque disponible
Un entretien technique de quinze minutes est organisé avant toute inscription, avec un court exercice de code. Un candidat qui ne programme pas encore en Python sera orienté vers la formation Python puis vers le certificat de Data Scientist, qui préparent réellement à ce parcours.
Méthode pédagogique
La certification se déroule sur cinq semaines, à raison de deux séances par semaine, le samedi et le dimanche de 8 h 30 à 13 h 30 : dix séances de cinq heures, soit 50 heures encadrées. Le travail personnel attendu est de deux à trois heures par semaine, et de trois à quatre heures en semaine de projet.
Chaque séance est précédée de capsules vidéo à suivre à distance, d'environ une heure et quart : la théorie et les démonstrations se regardent avant, la séance se consacre à la pratique encadrée sur ordinateur et aux exercices sur données réelles. Chaque séance comporte en outre une rubrique « pour aller plus loin » traitée dans les supports.
Le parcours est construit à l'envers des formations habituelles : chaque modèle appris est immédiatement transformé en service exploitable. Les séances se suivent en présentiel à Ouagadougou ou en ligne en direct, au choix du participant et sans différence de tarif. La cohorte est limitée à douze participants, avec un encadrement individuel sur le projet, et un entretien technique de quinze minutes — avec un court exercice de code — précède toute inscription.
Chaque participant repart avec :
- Les capsules vidéo de chaque séance et le support de cours complet au format PDF, module par module
- Un dépôt de code de référence contenant tous les modèles et chaînes construits en séance
- Un projet type prêt à cloner : entraînement, chaîne de traitement, interface FastAPI, Docker, surveillance
- Des carnets de notes commentés sur chaque famille de modèles
- Un aide-mémoire scikit-learn, boosting, PyTorch et MLflow
- Une grille de cadrage d'un problème d'apprentissage et une grille d'audit de modèle
- Un modèle de fiche de modèle et une liste de contrôle avant mise en production
- Un guide de préparation aux entretiens techniques d'ingénieur en apprentissage automatique
Les bibliothèques enseignées sont libres et gratuites, et les exercices sont calibrés pour rester dans les offres gratuites de calcul.
Programme détaillé
10 séances · 50 h d'encadrement
Semaine 1 — Le métier, le code et les données
2 séances · 10 h- Traduire trois besoins réels en problème d'apprentissage : cible, unité d'observation, horizon
- Choisir la métrique selon le coût de l'erreur, et la comparer à une règle métier simple
- Vérifier les contraintes locales : volume réel de données, connexion, coût du calcul
- Application : rédiger la fiche de problème de trois cas d'usage et la faire relire en binôme
- Pour aller plus loin, dans les supports : l'apprentissage par renforcement ; la grille de cadrage détaillée ; le marché de l'emploi local
- Transformer un carnet de notes en modules et fonctions réutilisables
- Créer un environnement virtuel, figer les dépendances et séparer configuration et code
- Utiliser un dépôt Git : commit, branche, demande de fusion
- Écrire deux tests automatiques sur une fonction de préparation des données
- Application : rendre le projet exécutable en une seule commande, à partir d'un fichier de configuration
- Pour aller plus loin, dans les supports : journalisation détaillée, typage, conventions de style et intégration continue
Semaine 2 — Données et apprentissage supervisé
2 séances · 10 h- Auditer un jeu de données réel : volumétrie, qualité, granularité
- Traiter les valeurs manquantes et les variables catégorielles, puis mettre à l'échelle
- Découper en entraînement, validation et test, et repérer une fuite d'information
- Traiter le déséquilibre des classes par pondération et comparer deux approches
- Application : préparer un jeu de données brut en matrice d'apprentissage documentée et sans fuite
- Pour aller plus loin, dans les supports : données géographiques, données agrégées et fenêtres glissantes, données synthétiques
- Battre une régression linéaire de référence avec Ridge ou Lasso, puis analyser les résidus
- Entraîner une régression logistique et interpréter les coefficients en rapport de cotes
- Calculer précision, rappel et score F1, puis choisir un seuil selon le coût métier de l'erreur
- Mener une validation croisée stratifiée et un réglage par recherche aléatoire
- Application : construire un classifieur sur données déséquilibrées et justifier le seuil retenu
- Pour aller plus loin, dans les supports : machines à vecteurs de support, bayésien naïf, calibration des probabilités, validation imbriquée
Semaine 3 — Ensembles et séries temporelles
2 séances · 10 h- Entraîner une forêt aléatoire et lire l'importance des variables avec prudence
- Régler un modèle de gradient boosting avec arrêt anticipé sur la courbe de validation
- Construire une chaîne de traitement scikit-learn réutilisable
- Enregistrer paramètres, métriques et artefacts dans MLflow, puis comparer les essais
- Application : optimiser un modèle de boosting sur un cas concret et tracer toutes les expériences
- Pour aller plus loin, dans les supports : XGBoost, LightGBM et CatBoost comparés ; empilement de modèles et vote pondéré
- Décomposer une série mensuelle : tendance, saisonnalité, stationnarité
- Prévoir par lissage exponentiel puis avec Prophet, et comparer les erreurs
- Transformer la série en problème supervisé : décalages, fenêtres glissantes, variables calendaires
- Valider par origine glissante, et non par validation croisée ordinaire
- Application : prévoir une série réelle sur douze mois et comparer trois approches
- Pour aller plus loin, dans les supports : ARIMA et SARIMA, intervalles de prédiction, prévision à plusieurs horizons
Semaine 4 — Texte et mise en service
2 séances · 10 h- Nettoyer un corpus de messages et construire une représentation TF-IDF
- Classer des messages avec une base classique, puis avec un modèle préentraîné ajusté
- Appeler un modèle de langage par son interface de programmation : paramètres, coûts, limites de débit
- Découper, indexer et récupérer des passages pour obtenir une réponse sourcée
- Application : construire un assistant documentaire sur un corpus interne et compter ses réponses inventées
- Pour aller plus loin, dans les supports : reconnaissance d'entités nommées, vision par ordinateur, agents et appel d'outils, modèles ouverts en local
- Sérialiser un modèle et figer les versions des bibliothèques utilisées
- Construire une interface de prédiction avec FastAPI : validation des entrées, erreurs, documentation
- Conteneuriser le service avec Docker, puis le déployer sur une machine virtuelle protégée par jeton
- Cadrer le projet : cas choisi, cible, métrique, référence de base et seuil de performance
- Application : livrer une interface de prédiction conteneurisée et soumettre la fiche de cadrage
- Pour aller plus loin, dans les supports : modes de service par lots, optimisation du temps de réponse, tests de bout en bout
Semaine 5 — Réalisation du projet et soutenance
2 séances · 10 h- Mettre en place la surveillance du service : indicateurs de dérive et alertes
- Expliquer une prédiction par importance par permutation ou SHAP, puis en langage simple
- Mesurer les performances du modèle sur deux sous-groupes et noter les arbitrages
- Application : finaliser la fiche de modèle, avec un passage individuel auprès du formateur ou de la formatrice
- Pour aller plus loin, dans les supports : détection statistique avancée, responsabilité juridique en cas d'erreur, place de la décision humaine
- Présenter le projet en dix minutes : problème, données, modèle, performance, mise en production, limites
- Démontrer en direct l'appel de l'interface, une prédiction et la surveillance
- Revue de code croisée entre participants, puis défense des choix face au jury
- Application : répondre à cinq minutes de questions, puis recevoir le certificat à la fin de la séance
- Pour aller plus loin, dans les supports : préparation à l'entretien technique, marché de l'emploi local et à distance
Évaluation et certification
Le certificat de Machine Learning Engineer s'obtient sur une moyenne d'admission calculée sur 20, qui réunit trois éléments :
- L'épreuve de certification, 50 % : 25 questions tirées au sort dans une banque de plus de quatre-vingts, en 90 minutes. Deux tentatives sont possibles, à sept jours d'intervalle, et la meilleure est retenue.
- Le projet de mise en production, 30 % : soutenu lors de la dixième séance.
- La présence aux séances, 20 % : relevée séance par séance. Une absence annoncée au moins trois jours à l'avance compte pour moitié, une absence non annoncée ne compte pas.
La moyenne d'admission est de 12 sur 20. Une note inférieure à 8 sur 20 à l'épreuve est éliminatoire : ni le projet ni l'assiduité ne la rachètent. Dès que la moyenne est atteinte, le certificat est émis automatiquement et devient disponible dans l'espace du participant.
Le certificat est délivré par Waaldé Impact, signé par le formateur ou la formatrice, et mentionne l'intitulé de la formation, le volume horaire de 50 heures, la période, la liste des modules suivis et le sujet du projet de mise en production présenté. Chaque certificat porte un numéro unique et un code de vérification.
Les participants qui n'atteignent pas la moyenne reçoivent une attestation de participation. Ils peuvent repasser l'épreuve et présenter leur projet de mise en production avec la cohorte suivante, sans frais supplémentaires.
Sont également remis :
- Le support de cours complet au format PDF, module par module
- Un dépôt de code de référence contenant tous les modèles et chaînes construits en séance
- Un projet type prêt à cloner : entraînement, chaîne de traitement, interface FastAPI, Docker, surveillance
- Des carnets de notes commentés sur chaque famille de modèles
- Un aide-mémoire scikit-learn, boosting, PyTorch et MLflow
- Une grille de cadrage d'un problème d'apprentissage et une grille d'audit de modèle
- Un modèle de fiche de modèle et une liste de contrôle avant mise en production
- Un guide de préparation aux entretiens techniques d'ingénieur en apprentissage automatique
Prochaines sessions
Prochaines dates en préparation
Laissez votre email : nous vous prévenons dès l'ouverture des inscriptions.
Questions fréquentes
195 000 FCFA par participant. Pour former une équipe ou une organisation, le tarif est établi sur devis.
5 semaines, 10 séances, 50 heures.
Oui : vous pouvez la suivre en présentiel ou en ligne, selon votre choix.
Quatre conditions sont nécessaires : justifier d'un niveau BAC+3 au minimum en statistique, informatique, mathématiques, économie quantitative ou ingénierie, ou d'une expérience professionnelle équivalente ; maîtriser Python au niveau des structures de données, des fonctions, de pandas et de la gestion des fichiers, le certificat de Data Scientist ou la formation Python de Waaldé Impact satisfait ce prérequis ; disposer de bases solides en statistique : distribution, corrélation, régression, notion de test ; disposer d'un ordinateur portable avec 8 Go de mémoire vive au minimum, 16 Go de préférence, et 40 Go d'espace disque disponible ; un entretien technique de quinze minutes est organisé…
Oui : les participants qui remplissent les conditions de validation reçoivent un certificat Waaldé Impact portant un numéro unique, vérifiable en ligne par un employeur.
Remplissez la demande d'inscription en ligne : aucun paiement n'est demandé sur le site. Le cabinet examine votre dossier, puis vous contacte pour confirmer votre place et les modalités de paiement. Aucune session n'est programmée pour le moment : laissez votre email sur cette page pour être prévenu de l'ouverture des inscriptions.
Rejoindre la prochaine cohorte
Les cohortes sont volontairement limitées pour garantir un suivi individuel réel. Réservez votre place ou posez-nous vos questions.