Retour aux certifications
Certification CompTIA
CompTIA DataAI
La certification de référence pour les professionnels expérimentés de la data science.CompTIA DataAI (anciennement DataX) est la certification de référence pour les professionnels très expérimentés qui souhaitent valider leurs compétences dans le domaine en constante évolution de la data science. DataAI vous donne les compétences pour démontrer avec précision et assurance votre expertise dans le traitement de jeux de données complexes, la mise en œuvre de solutions fondées sur les données et le soutien à la croissance de l'entreprise grâce à une interprétation pertinente des données.
Version de l'examen: V1
Métier viséData scientist
Compétences
acquises
Appliquer de manière appropriée les méthodes mathématiques et statistiques, notamment le traitement et le nettoyage des données, la modélisation statistique, l'algèbre linéaire et les concepts de calcul différentiel.
Utiliser les méthodes d'analyse et de modélisation adaptées pour formuler des recommandations de modèles justifiées en matière de modélisation, d'analyse et de résultats.
Mettre en œuvre des modèles de machine learning et comprendre les concepts du deep learning pour faire progresser les capacités en data science.
Mettre en œuvre efficacement les opérations et processus de data science au service des objectifs de l'organisation.
Démontrer une compréhension des tendances du secteur et des applications spécialisées de la data science dans différents domaines.
Détails de
l'examen
Version de l'examenV1
Code de l'examenDY0-001
Date de lancement25 juillet 2024
Nombre de questions90 questions maximum
Types de questionsChoix multiples et questions de mise en situation
Durée165 minutes
Score de réussiteRéussite/échec uniquement (pas de score sur échelle)
LanguesAnglais et japonais
Expérience recommandéePlus de 5 ans en data science ou dans un poste similaire
RetraitGénéralement trois ans après le lancement (estimé en 2027)
Objectifs de
l'examen
1
Mathématiques et statistiques
17%- Méthodes statistiques : appliquer les tests t, les tests du khi carré, l'analyse de la variance (ANOVA), les tests d'hypothèses, les métriques de régression, l'indice de Gini, l'entropie, la valeur p, la courbe ROC et l'aire sous la courbe (ROC/AUC), les critères d'information d'Akaike et bayésien (AIC/BIC) et la matrice de confusion.
- Probabilités et modélisation : expliquer les distributions, l'asymétrie, l'aplatissement, l'hétéroscédasticité, la fonction de densité de probabilité (PDF), la fonction de masse (PMF), la fonction de répartition (CDF), les données manquantes, le suréchantillonnage et la stratification.
- Algèbre linéaire et calcul différentiel : comprendre le rang, les valeurs propres, les opérations matricielles, les mesures de distance, les dérivées partielles, la règle de dérivation en chaîne et les logarithmes.
- Modèles temporels : comparer les séries temporelles, l'analyse de survie et l'inférence causale.
2
Modélisation, analyse et résultats
24%- Méthodes d'EDA : utiliser des techniques d'analyse exploratoire des données (EDA) comme l'analyse univariée et multivariée, les graphiques, les diagrammes et l'identification des variables.
- Problèmes de données : analyser les données éparses, la non-linéarité, la saisonnalité, la granularité et les valeurs aberrantes.
- Enrichissement des données : appliquer l'ingénierie des variables, la mise à l'échelle, le géocodage et la transformation des données.
- Itération des modèles : mener la conception, l'évaluation, la sélection et la validation.
- Communication des résultats : créer des visualisations, sélectionner les données, éviter les graphiques trompeurs et garantir l'accessibilité.
3
Machine learning
24%- Concepts fondamentaux : appliquer les fonctions de perte, le compromis biais-variance, la régularisation, la validation croisée, les modèles d'ensemble, l'optimisation des hyperparamètres et la fuite de données.
- Apprentissage supervisé : appliquer la régression linéaire, la régression logistique, les k plus proches voisins (KNN), la classification naïve bayésienne et les règles d'association.
- Apprentissage par arbres : appliquer les arbres de décision, les forêts aléatoires, le boosting et l'agrégation bootstrap (bagging).
- Deep learning : expliquer les réseaux de neurones artificiels (ANN), le dropout, la normalisation par lots, la rétropropagation et les frameworks de deep learning.
- Apprentissage non supervisé : expliquer le clustering, la réduction de dimension et la décomposition en valeurs singulières (SVD).
4
Opérations et processus
22%- Fonctions métier : expliquer la conformité, les indicateurs clés de performance (KPI) et le recueil des besoins.
- Types de données : expliquer les données générées, synthétiques et publiques.
- Ingestion des données : comprendre les pipelines, le streaming, le traitement par lots et la traçabilité des données.
- Préparation des données : mettre en œuvre le nettoyage, la fusion, l'imputation et l'étiquetage de la vérité terrain.
- Cycle de vie de la data science : appliquer les modèles de workflow, la gestion de versions, le code propre et les tests unitaires.
- DevOps et MLOps : expliquer l'intégration et le déploiement continus (CI/CD), le déploiement de modèles, l'orchestration de conteneurs et la surveillance des performances.
- Environnements de déploiement : comparer la conteneurisation et les déploiements cloud, hybrides, en périphérie (edge) et sur site.
5
Applications spécialisées de la data science
13%- Optimisation : comparer l'optimisation sous contraintes et sans contraintes.
- Concepts de NLP : expliquer les techniques de traitement du langage naturel (NLP) comme la tokenisation, les embeddings, la pondération TF-IDF, la modélisation thématique et les applications du NLP.
- Vision par ordinateur : expliquer la reconnaissance optique de caractères (OCR), la détection et le suivi d'objets et l'augmentation de données.
- Autres applications : expliquer l'analyse de graphes, l'apprentissage par renforcement, la détection de fraude, la détection d'anomalies, le traitement du signal, entre autres.
Les informations sur l'examen sont publiées par CompTIA et peuvent évoluer. Contactez-nous pour connaître la version actuelle et les sessions disponibles.
Passez CompTIA DataAI chez NEXERA Institute
Centre de formation et de certification à Sfax : formations professionnelles, examens Certiport et VTest, et espace coworking.