Enseignant : Samson AMOUSSOU— Crédits : 3 ECTS — Évaluation : rapports de TP + oral — Capacité : 40 — Langue : Français
Synopsis : Entrée pratique au ML : non supervisé (réduction de dimension, clustering, densité) au supervisé (classification, régression, ranking), avec mise en œuvre Python (codes fournis).
Objectifs :

• Poser chaque méthode comme problème d’optimisation, comprendre les algorithmes de résolution.
• Implémenter et interpréter les modèles sur des cas réels (classification d’images, prédiction de séries biomédicales/climat).
  Plan type : data understanding & preprocessing, unsupervised (PCA, clustering, modèles génératifs), supervised (linéaire, noyaux, k-NN, bayésien, arbres & ensembles), ML en pratique (choix du modèle, validation).
  Prérequis : Probabilités/Stats de base, Python.

Optimisation et applications en Data Science

Enseignant : Samson Amoussou — Niveau : Master 2 — Évaluation : Examen final (problèmes théoriques & pratiques) — Langue : Français

Synopsis : Ce cours introduit les méthodes d’optimisation convexe et non convexe appliquées à la Data Science. L’accent est mis sur les liens entre modèles mathématiques et applications concrètes (machine learning, réseaux de neurones, finance, industrie).

Objectifs :
• Comprendre les méthodes différentielles et non différentielles d’optimisation.
• Relier les modèles théoriques aux applications concrètes.
• Développer une compréhension critique du choix des méthodes.
• Évaluer la convergence et les performances des algorithmes.

Format : 3 jours de 7h + examen final.
Prérequis : Analyse et algèbre avancées, bases en Python.

Régression et Statistiques Avancées

Enseignant : Samson Amoussou — Niveau : Master 2 — Évaluation : Examens + projets pratiques — Langue : Français

Synopsis : Le cours couvre les bases de la statistique inférentielle et de la modélisation. Il met l’accent sur la régression linéaire, la régression logistique et les modèles multivariés appliqués à des données réelles (finance, santé publique, analyse de marché).

Objectifs :
• Maîtriser statistiques descriptives et distributions de probabilité.
• Mettre en œuvre des modèles de régression linéaire et logistique.
• Comprendre régularisation (L1, L2) et sélection de variables.
• Évaluer les modèles avec R², AIC, BIC, validation croisée.
• Appliquer les modèles à des cas concrets via R et Python.

Format : 5 séances de 3h + TP.
Prérequis : Probabilités et statistiques de base.

Data appliquée à la finance avec SAS

Enseignant : Samson Amoussou — Niveau : Master 2 Data Analyst — Rythme : Full-time — Session : déc. 2024 — Langue : Français
Évaluation : contrôle continu (labs & mini-projets) + étude de cas finale (scoring/risque)

Synopsis :
Module intensif pour maîtriser la chaîne analytique financière sous SAS : ingestion & préparation multi-sources, automatisation par macros, analyses descriptives, modélisation (régressions linéaire/logistique, GLM), diagnostic et scoring de probabilité de défaut, jusqu’à la visualisation et la génération de rapports.

Objectifs pédagogiques :

• Structurer et transformer des données financières à grande échelle avec SAS/SQL.
• Automatiser les workflows (macros, hash tables) et fiabiliser la qualité des données.
• Construire, évaluer et expliquer des modèles de risque (PD/score) et fraude.
• Produire des visualisations et rapports décisionnels reproductibles.

Contenus clés :

• Préparation & jointures avancées : PROC SORT, PROC FORMAT, PROC TRANSPOSE, arrays & boucles DO, PROC SQL (jointures complexes), hash tables.
• Automatisation : conception de macros (paramétrées/imbriquées) pour ETL analytique.
• Analyse descriptive : PROC MEANS, PROC FREQ, PROC CORR, PROC UNIVARIATE, PROC TABULATE (outliers, distributions, tableaux management).
• Modélisation & diagnostic : PROC REG, PROC LOGISTIC, PROC GLM (tests, résidus, multicolinéarité, validation croisée).
• Scoring crédit / fraude : construction de PD, calibration, courbes ROC/AUC, PSI/Stabilité.
• Data viz & reporting : PROC SGPLOT/SGPANEL/SGSCATTER, ODS pour rapports automatisés.

Format : 21 h (3 jours) — alternance démos guidées, labs et mini-projets sur cas réels (risque, fraude, défaut crédit).

Livrables :

• Scripts SAS (ETL + macros) versionnés, rapport modèle (AUC/KS, diagnostics), tableaux de bord & rapport ODS prêt à diffusion.

Prérequis : notions de stats/ML, bases SQL/SAS recommandées.
Outils : SAS Base, SAS/STAT, PROC SQL, ODS.

Programmation Python pour la Data Science

Enseignant : Samson Amoussou — Niveau : Master 1 — Évaluation : Projets + examen final — Langue : Français

Synopsis : Ce cours initie à la programmation en Python avec une orientation Data Science. Les étudiants acquièrent les bases de la syntaxe, manipulent des structures de données, puis développent des analyses complètes avec Pandas, NumPy et des visualisations avec Matplotlib et Seaborn.

Objectifs :
• Maîtriser les bases de Python (variables, boucles, fonctions).
• Manipuler des structures de données (listes, dictionnaires, ensembles, tuples).
• Effectuer des analyses de données avec Pandas et NumPy.
• Réaliser des visualisations simples et avancées.
• Découvrir le machine learning avec Scikit-learn (régression, classification, clustering).
• Initier les étudiants au Deep Learning avec TensorFlow/Keras.

Format : 30h (cours, TP, mini-projets).
Prérequis : Aucun (public débutant accepté).

Apprentissage Supervisé et Non Supervisé avec R

Enseignant : Samson Amoussou — Niveau : Master 2 — Évaluation : Contrôle continu (TP + mini-projets) + examen final — Langue : Français

Synopsis : Ce cours couvre les méthodes de machine learning en R, appliquées à la finance, la santé publique et le marketing. L’accent est mis sur la régression, la classification et le clustering, complétés par la réduction de dimension.

Objectifs :
• Implémenter des modèles supervisés (régression, classification).
• Mettre en œuvre des techniques de clustering (K-means, CAH, GMM).
• Appliquer l’ACP et t-SNE à des données multivariées.
• Optimiser et valider les modèles par validation croisée.
• Réaliser des cas pratiques de classification et de clustering.

Format : 6 séances de 3h + mini-projets.
Prérequis : Bases de statistiques, R.

—

Mathématiques pour Ingénieurs – Méthodes Numériques et Algèbre

Établissement : ISPA — Période : sept. 2025 – aujourd’hui — Format : hybride (présentiel + distanciel)

Synopsis :
Ce cours fournit aux étudiants en école d’ingénieurs une formation approfondie en méthodes numériques et algèbre appliquée, avec un double objectif : renforcer la rigueur mathématique et développer la capacité à relier théorie et applications concrètes dans l’ingénierie, la physique et l’informatique.

Contenu :

• Intégration numérique : schémas, optimisation, analyse de complexité et gestion des erreurs.
  
  
• Systèmes linéaires : conditionnement, méthodes directes (LU, Choleski, QR) et itératives (Gauss-Seidel, gradient).
  
  
• Équations différentielles : méthodes de Runge-Kutta, stabilité, erreurs, schémas explicites/implicites (Crank-Nicholson).
  
  
• Éléments finis & différences finies : interpolations (Lagrange, Hermite), formulation variationnelle et matricielle, application aux problèmes elliptiques, hyperboliques et paraboliques (équilibre thermique, écoulements, équation de la chaleur).
  
  
• Algèbre matricielle : opérations, inversion, diagonalisation, spectre, applications en cryptographie, géométrie et finance (analyse moyenne-variance).
  
  
• Analyse : intégrale de Riemann, séries de Fourier, modèles différentiels linéaires et non linéaires, transformées de Laplace.
  
  

Objectifs :

• Développer des compétences clés en modélisation numérique, approximation et analyse des erreurs.
  
  
• Relier méthodes mathématiques et applications concrètes (simulation, optimisation, ingénierie).
  
  
• Préparer les étudiants à manipuler des outils numériques avancés et à aborder des problèmes scientifiques complexes.
  
  

Évaluation : Exercices dirigés (notebooks numériques), mini-projets appliqués, examen final (théorique + pratique).

Enseignant – Product Analytics
Jedha Bootcamp · Indépendant
mai 2025 · Paris / Distanciel

J’ai animé un module intensif de Product Analytics destiné aux apprenants du bootcamp Full Stack Data, en leur apportant une vision claire de l’analyse produit et de son rôle stratégique dans les entreprises tech.

Le cours couvrait :

• Les fondamentaux de l’analyse produit et du rôle du product analyst.
  
  
• Les KPI clés (acquisition, activation, rétention, revenus, referral) et le pirate funnel (AARRR).
  
  
• L’étude de la rétention utilisateur (N-day, illimitée, parenthèses).
  
  
• Le cycle de vie produit, la recherche du Product-Market Fit, l’approche MVP et les notions d’UX/UI.
  
  
• Des cas pratiques sur Amplitude et SQL, avec exploration d’événements utilisateurs et segmentation.
  
  

L’approche pédagogique combinait cours théoriques, cas pratiques guidés et projets appliqués permettant aux étudiants de manipuler directement des données produit et de générer des insights actionnables.

Ce module a permis aux participants de développer des compétences concrètes en mesure de la performance produit, en construction de funnels analytiques, et en utilisation d’outils modernes d’analytics pour la prise de décision.

Virtualisation et Conteneurisation : Concepts et Pratiques pour Data Analysts

Enseignant : Samson Amoussou — Niveau : Master Data Analytics / reconversion professionnelle — Session : nov. 2024 — Langue : Français
Évaluation : mini-projets pratiques (Docker, VirtualBox) + restitution orale

Synopsis :
Ce module initie les futurs data analysts aux fondamentaux de la virtualisation et de la conteneurisation afin de leur permettre de créer, déployer et gérer des environnements de travail isolés, reproductibles et multiplateformes. Il combine une approche théorique (comparaison des hyperviseurs et modèles d’isolation) et une pratique appliquée (mise en place de VM et de conteneurs Docker pour des projets analytiques).

Objectifs pédagogiques :

• Comprendre les différences entre virtualisation (machines virtuelles) et conteneurisation (Docker).
• Configurer et administrer des machines virtuelles sous VirtualBox et autres hyperviseurs.
• Déployer et orchestrer des applications conteneurisées avec Docker et Docker Compose.
• Acquérir une vision critique des technologies (VMware, Hyper-V, KVM, Xen, QEMU, VirtualBox).

Contenus clés :

• Virtualisation : installation, configuration et gestion de VM (VirtualBox, VMware vSphere, Hyper-V, KVM, Xen, QEMU).
• Conteneurisation : concepts de Docker, images, conteneurs, volumes, réseaux.
• Orchestration légère : Docker Compose & Docker Swarm pour multi-conteneurs.
• Mini-projets pratiques :
  • Exploration VirtualBox : création et gestion de VM.
  • Introduction Docker : conteneurisation d’applications simples.
  • Projet Docker : déploiement d’une application web avec base de données.

Format : 2 jours intensifs (12 h) — alternance cours, labs guidés et mini-projets collaboratifs.
Prérequis : bases en Linux/commandes shell, notions de réseau et architecture système recommandées.

Visualisation graphique de données avec Seaborn et Matplotlib (M2-DA)

Enseignant : Samson Amoussou — Niveau : Master 2 Data Analyst — Évaluation : 50% contrôle continu (cas d’étude), 50% partiel — Langue : Français

Synopsis : Ce cours initie les étudiants à la création et à l’interprétation de visualisations statistiques en Python à l’aide des bibliothèques Matplotlib et Seaborn. Il explore la visualisation univariée, bivariée et multivariée, ainsi que la représentation de séries temporelles et de données complexes. Les étudiants apprennent à concevoir des figures pertinentes pour l’exploration et la communication des résultats.

Objectifs :
• Installer et configurer un environnement de travail (Jupyter Notebook, Matplotlib).
• Réaliser des graphiques de base (courbes, barres, scatter plots, histogrammes).
• Composer des figures complexes avec les techniques de subplotting.
• Explorer des visualisations avancées (heatmaps, boxplots, violin plots, graphiques 3D).
• Comprendre les différences et complémentarités entre Matplotlib et Seaborn.
• Produire des visualisations catégorielles, relationnelles et distributionnelles.
• Analyser des relations multivariées via pairplot, jointplot et heatmap.
• Représenter des séries temporelles avec Seaborn et Matplotlib.
• Pitcher et communiquer efficacement les visualisations produites.

Format : 30 heures (cours + TP pratiques, restitution finale).
Prérequis : Bases en Python et statistiques descriptives.

Classification d’images avec Deep Learning

Enseignant : Samson Amoussou — Niveau : Master 2 — Évaluation : Projet pratique + rapport — Langue : Français

Synopsis : Introduction aux réseaux de neurones convolutionnels (CNN) appliqués à la vision par ordinateur. Étude des techniques modernes de classification d’images, incluant l’augmentation de données et les méthodes d’optimisation.

Objectifs :
• Comprendre l’architecture et le fonctionnement des CNN.
• Mettre en œuvre la classification d’images avec TensorFlow/Keras.
• Expérimenter l’augmentation de données et la régularisation.
• Évaluer et optimiser la performance des modèles.
• Appliquer les techniques à des cas réels (santé, sécurité, reconnaissance d’objets).

Format : 5 séances de 3h (cours + TP).
Prérequis : Python, bases de machine learning.

Intelligence Artificielle pour l’Industrie 4.0

Enseignant : Samson Amoussou — Niveau : Master 2 — Évaluation : Cas pratique + rapport — Langue : Français

Synopsis : Étude des technologies IA appliquées à l’industrie du futur : IoT, Big Data, jumeaux numériques et maintenance prédictive.

Objectifs :
• Comprendre les concepts de l’usine intelligente et de l’IoT.
• Appliquer l’apprentissage automatique à la maintenance prédictive.
• Optimiser les processus industriels par l’IA.
• Découvrir les approches cloud et agiles (SCRUM) pour projets industriels.
• Étudier des cas concrets : surveillance en temps réel, automatisation.

Format : 5 séances de 3h (cours + projets).
Prérequis : Bases en machine learning et industrie.

Introduction au Machine Learning & Deep Learning

Enseignant : Samson Amoussou — Niveau : Master 1/2 — Évaluation : Examen + mini-projets — Langue : Français

Synopsis : Panorama des méthodes supervisées et non supervisées, suivi d’une introduction aux réseaux neuronaux profonds et à leurs applications.

Objectifs :
• Maîtriser les bases de la régression, classification et clustering.
• Découvrir CNN, RNN et les fondements des Transformers.
• Appliquer le Deep Learning à la NLP et à la vision par ordinateur.
• Étudier des cas pratiques en finance, santé et industrie.

Format : 6 séances de 3h.
Prérequis : Probabilités, Python.

Cadrage d’un projet IA – Fashion-Insta 

Enseignant : Samson Amoussou — Niveau : Master 2 — Évaluation : Projet + soutenance — Langue : Français

Synopsis : Développement d’une application mobile intégrant un moteur IA de recommandation vestimentaire 

Objectifs :
• Rédiger des user stories et cadrer un projet IA.
• Définir l’architecture cible et les besoins fonctionnels.
• Gérer un projet agile (SCRUM) en IA.
• Évaluer les coûts de développement et d’infrastructure.
• Identifier et atténuer les risques (RGPD, biais IA).

Format : Projet complet (cours + ateliers).
Prérequis : Python, notions de cloud et gestion de projet.

Business Intelligence avec Excel (bases à avancé)

Enseignant : Samson Amoussou — Niveau : Licence / Master — Évaluation : Devoirs + mini-projet dashboard — Langue : Français

Synopsis : De l’initiation aux fonctions Excel jusqu’aux tableaux de bord interactifs. Cours structuré du niveau débutant à avancé, incluant macros et automatisation.

Objectifs :
• Maîtriser formules conditionnelles, TCD et macros VBA.
• Créer des dashboards pour reporting et suivi-évaluation.
• Appliquer Excel à des cas concrets (finance, RH, suivi projets).
• Développer des supports pédagogiques (quiz, vidéos, modèles).

Format : Parcours modulaire (10 séances + projet).
Prérequis : Aucun.

Power BI – Data Visualisation et BI

Enseignant : Samson Amoussou — Lieu : ESIEE Paris, Master— Évaluation : Mini-projets — Langue : Français

Synopsis : Formation complète à Power BI pour la modélisation, le traitement et la visualisation interactive des données.

Objectifs :
• Importer et transformer des données avec Power Query.
• Modéliser avec DAX, langage M et intégration Python.
• Publier et partager des dashboards collaboratifs.
• Construire des projets avec données API, SQL, Web.

Format : 5 séances (cours + ateliers pratiques).
Prérequis : SQL, bases Excel.