Dans le contexte actuel, contribuer au progrès économique et social du pays reste une des missions du CNRS, tout autant que de faire progresser les sciences fondamentales. Pour les entreprises qui ont plus que jamais besoin de rester compétitives économiquement et technologiquement, c'est une chance de pouvoir trouver les ressources nécessaires auprès du CNRS, organisme véritablement pluridisciplinaire.
Des formes de collaborations multiples entre le monde socio-économique et le CNRS
Les modalités de collaborations entre un industriel et le CNRS sont nombreuses et s’adaptent à tous les besoins des entreprises des grands groupes aux PME et start-up au travers d’accords-cadres autour de programmes de recherche, de laboratoires communs, de contrats de recherche ou d’expertise, d’accompagnement de start-up, d’encadrement commun de thèses CIFRE ou encore de formations courtes de haute technicité.
En effet, qui, mieux que les personnels des laboratoires du CNRS et de ses partenaires, peut informer sur les dernières avancées scientifiques mais aussi sur les technologies expérimentales de pointe, sur l’intelligence artificielle ou encore sur les phénomènes sociétaux qui impacteront nos usages économiques et plus largement comportementaux ? Où, mieux que sur des plateformes de recherche, peut-on apprendre et mieux comprendre ?
Dans ce cadre, la formation continue joue un rôle clef et répond à une demande croissante des industriels : CNRS Formation Entreprise forme plus de 1600 stagiaires chaque année dont la moitié issus d’entreprises et environ 20 % du secteur public non académique.
Des formations adaptées aux besoins des filières industrielles
CNRS Formation Entreprises adapte chaque année son offre aux besoins du monde socio-économique. Cette année, son catalogue de formations répond aux priorités nationales et aux enjeux des filières industrielles énergie, automobile, eau, cosmétique, électronique et santé.
Pour 2022, CNRS Formation Entreprises propose aux ingénieurs, chercheurs, techniciens des secteurs privés et publics plus de 230 formations de haute technicité. Ces formations sont dispensées partout en France, par les personnels de la recherche des 1100 laboratoires du CNRS et de ses partenaires ; la pédagogique s’appuie sur l’apprentissage par la manipulation d’équipements ou de données et sur les échanges interactifs entre personnels de la recherche et professionnels apprenants (en petits groupes). La qualité des apprentissages est privilégiée, en exploitant les nouvelles modalités pédagogiques offertes par les technologies numériques.
Pour plus de flexibilité, des formations sur mesure
Les formations intra-entreprise peuvent être une solution pour faire monter en compétences une équipe ou répondre aux besoins de collaborateurs travaillant dans différents services d’une même entreprise.
Ces formations peuvent être adaptées à partir d'une formation existant au catalogue ou bâtie sur un programme sur-mesure défini par l’entreprise avec l’équipe pédagogique du CNRS qui identifiera l’expert ou les experts les plus à même de répondre au besoin de la société cliente.
Depuis la crise sanitaire, les demandes concernant ce format intra-entreprise sont croissantes. Ces formations dispensées dans les locaux de la société cliente présentent de nombreux avantages : pas de déplacement des collaborateurs qui sont absents sur une durée moins longue ; flexibilité sur les dates de la formation. A la demande de la société cliente, ces formations intra-entreprises peuvent également avoir lieu dans un laboratoire du CNRS. Dans tous les cas, les collaborateurs sont regroupés autour d'un thème commun, plus ciblé et personnalisé créant une dynamique de groupe voire une cohésion d'équipe !

En savoir plus
Pour en savoir plus sur les formations inter et intra-entreprises de CNRS Formation Entreprises, rendez-vous sur cnrsformation.cnrs.fr
Et, pour être au courant de ses actualités, abonnez-vous à ses pages Twitter et LinkedIn.
Adresse | Contacts utiles
Bât 31, avenue de la Terrasse91198 Gif-sur-Yvette
Tél. : 01 69 82 44 55
Site Internet
cnrsformation.cnrs.fr
NOS FORMATIONS
CNRS Formation Entreprises, 16 axes avec plus de 270 formations
Choisissez un axe, une activité
- Comprendre les concepts et fonctionnements des algorithmes
- Être capable de les mettre en oeuvre avec Python
- Être capable de choisir les algorithmes de machine learning selon les cas d'usage
- Savoir évaluer les performances des algorithmes de machine learning
- Savoir manipuler et visualiser de grands ensembles de données biologiques
- Être capable de classifier les textes et d'en extraire les thèmes principaux
- Savoir analyser finement les contenus en mettant par exemple en évidence la variabilité sémantique des mots utilisés et des points de vue exprimés
- Acquérir les éléments de langage de l'intelligence technologique pour être en mesure de la promouvoir
- Savoir identifier les problématiques décisionnelles auxquelles répond l'intelligence technologique à partir d'exemples concrets (analyse brevet et bibliographie)
- Connaître les ressources et outils utiles à une démarche d'intelligence technologique, de type fouille de données (Data mining)
- Maîtriser les outils modernes de statistiques pour l'analyse des réseaux
- Savoir mettre en œuvre les techniques récentes avec le logiciel R
- Connaître les outils et méthodes utilisés en IA et les principales applications
- Maîtriser la progression conceptuelle "associations - interventions - contrefactuelles" et les notions élémentaires afférentes
- Savoir analyser un diagramme causal (do-calculus)
- Maîtriser les rudiments de l'inférence statistique de quantités causales
- Avoir un état de l'art des avancées dans le domaine de l'interprétabilité et de l'estimation de l'incertitude des modèles
- Savoir mettre en œuvre ces algorithmes d'apprentissage profond pour différents types de données d'imagerie médicale
- Savoir évaluer les performances de ces algorithmes sur un problème donné et connaître l'impact de différents paramètres d'apprentissage
- Maîtriser les enjeux à la fois théoriques et opérationnels afin de comprendre le potentiel des réseaux de neurones profonds ainsi que leurs limites dans le cadre du traitement automatique des langues
- Savoir mettre en œuvre des modèles récents avec les bibliothèques Pytorch et Spacy
- Savoir mettre en œuvre les méthodes répandues de l'apprentissage automatique (kppv, SVM, arbres de décision, forêts aléatoires, Boosting, régression)
- Savoir comment évaluer les performances de ces méthodes à travers plusieurs métriques
- Savoir comparer des modèles appris
- Savoir réduire le nombre de dimensions des données
- Savoir mettre en œuvre une architecture simple de réseaux de neurones
- Savoir mettre en œuvre un réseau de neurones profond et connaître le drop-out
- Savoir utiliser les outils Sklearn, Keras / Tensor Flow
- Etre capable de développer des programmes Python utilisant Pandas
- Comprendre le fonctionnement des approches basées sur des réseaux de neurones profonds (deep learning) et la vision par ordinateur
- Savoir mettre en œuvre un algorithme d'apprentissage automatique basé sur les réseaux de neurones convolutifs pour différents types de données images
- Savoir évaluer les performances de ces algorithmes sur un problème donné et connaître l'impact de différents paramètres d'apprentissage
- Maîtriser des algorithmes récents en apprentissage automatique
- Savoir mettre en œuvre ces algorithmes et être capable de déployer des modèles de machine learning (prédiction, classification supervisée) sous Python
- Connaître les concepts de la modélisation des données : clé-valeur, vertical / horizontal, sous forme de graphes
- Connaître les langages de définition, de manipulation, d'interrogation sur les bases de données orientées documents (illustration avec le système MongoDB) et orientées graphes (illustration avec le système Néo4j)
- Savoir utiliser les deux systèmes MongoDB et Néo4j
- Être capable de se confronter à des exemples pratiques significatifs des différents types de base de données NoSQL
- Savoir utiliser le logiciel Linkage
- Savoir structurer ses propres données pour les analyser avec Linkage
- Comprendre les concepts et le fonctionnement de ces algorithmes
- Être capable de les mettre en oeuvre avec Python
- Être capable d'identifier le type d'apprentissage adapté à un cas d'usage et de choisir les algorithmes de machine learning adaptés
- Savoir évaluer les performances des algorithmes de machine learning