Nos formations pour vos projets

Panorama du cloud : modèles de services (IaaS/PaaS/SaaS), de gouvernance, enjeux clés et grands principes d'architecture.

Réviser les fondements mathématiques indispensables : probabilités, statistiques, algèbre linéaire.

Découverte des services GCP et des concepts d'architecture cloud.

Découverte d'OpenStack et de ses composants pour le cloud privé / souverain.

Tour d'horizon des services fondamentaux : compute, stockage, réseau et bases de données.

Construire et interpréter des modèles statistiques : régression, tests, intervalles de confiance.

Passerelle GCP à destination des praticiens AWS : équivalences de services.

Prise en main technique des principaux services AWS (compute, stockage, réseau, IAM).

Principes de la virtualisation et articulation avec les environnements cloud.

Mener des analyses statistiques avancées avec R : modèles linéaires généralisés, ANOVA, multivarié.

Provisionnement d'infrastructure Azure en Infrastructure as Code avec Terraform.

Passerelle GCP à destination des praticiens Azure : équivalences de services.

Concepts du cloud native : microservices, conteneurs, orchestration et CI/CD.

Panorama des approches et algorithmes du machine learning et de leurs cas d'usage.

Installation, configuration et administration d'une plateforme OpenStack.

Méthodologie de conception d'architectures sur Google Cloud.

Conception et déploiement d'applications sans serveur (FaaS, architectures event-driven).

Mettre en œuvre les algorithmes supervisés et non supervisés avec Python.

Exploitation, supervision et maintenance d'un cloud OpenStack en production.

Déploiement et gestion des machines virtuelles et du réseau sur Compute Engine.

Stratégies et méthodes de migration (les 6R), trajectoire et gestion des risques.

Construire des pipelines prédictifs complets avec scikit-learn : préparation, entraînement, évaluation.

Méthodes et outils de migration d'infrastructures et d'applications vers AWS.

Développement d'applications cloud-native sur GCP (Professional Cloud Developer).

Enjeux de sécurité, modèle de responsabilité partagée, IAM, chiffrement, journalisation et posture (CSPM).

Extraire de la connaissance des données : exploration, sélection de variables, modèles.

Provisionnement d'une infrastructure OpenStack en Infrastructure as Code avec Terraform.

Conception et gestion du réseau sur Google Cloud (VPC, interconnexion, sécurité).

Architecture physique et logique d'un data center : énergie, réseau, résilience.

Choisir, valider et comparer ses modèles : validation croisée, métriques, sur-apprentissage.

Provisionnement d'infrastructure AWS en Infrastructure as Code avec Terraform.

Prise en main de BigQuery : requêtage, modélisation et cas d'usage analytiques.

Écosystème monétique, flux de paiement et normes associées. Hors périmètre cloud, à déplacer vers un domaine Paiement / PCI DSS.

Segmenter les données (k-means, DBSCAN, CAH) et réduire la dimension (ACP, t-SNE, UMAP).

Stratégies de sauvegarde/restauration des workloads conteneurisés avec Kasten by Veeam.

Conception d'un entrepôt de données BigQuery : performance, coûts et administration.

Choix d'architecture entre fournisseurs, interopérabilité et pilotage d'un environnement hybride.

S'initier à l'apprentissage par renforcement : agents, récompenses, Q-learning.

Comprendre les réseaux de neurones : architecture, entraînement, fonctions d'activation.

Introduction aux services Big Data et ML de Google Cloud.

Conception d'une Landing Zone, cadres Well-Architected, gouvernance, tagging et conformité.

Approfondir la théorie : rétropropagation, optimisation, régularisation, architectures.

Concevoir, entraîner et déployer des réseaux profonds avec TensorFlow et Keras.

Industrialisation des modèles ML sur GCP. Syllabus mis à jour : transition Vertex AI vers Gemini Enterprise Agent Platform.

Enjeux de souveraineté, qualification SecNumCloud (ANSSI) et offres de confiance. Fort intérêt secteur public.

Développer des modèles profonds avec PyTorch : tenseurs, autograd, entraînement et transfert learning.

Cadrer et piloter un projet data science : cycle de vie, rôles, industrialisation.

Mise en place de pipelines CI/CD sur Google Cloud.

Déployer et superviser des modèles en production : CI/CD, monitoring, drift.

Acquérir les bases de Python pour la data : syntaxe, structures, NumPy, pandas.

Approfondir Python pour la data science : pandas avancé, visualisation, bonnes pratiques.

Explorer, nettoyer et visualiser un jeu de données pour préparer la modélisation.

Prendre en main R pour l'analyse statistique : import, manipulation, tests, graphiques.

Aller plus loin avec R : tidyverse, programmation fonctionnelle, rapports reproductibles.

Modéliser et prévoir des séries temporelles : décomposition, ARIMA, Prophet, évaluation.

Expliquer les prédictions de ses modèles et répondre aux exigences de transparence (AI Act).

Concevoir et entraîner des CNN pour l'analyse d'images.

Mettre en œuvre détection, classification et segmentation d'images.

Techniques NLP : tokenisation, embeddings, classification, extraction d'information.