Nos formations pour vos projets

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

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

Définir, construire et interpréter des indicateurs de performance pertinents pour le pilotage.

Concevoir une architecture Big Data : ingestion, stockage distribué, traitement, restitution.

Comprendre les concepts fondamentaux des bases de données relationnelles.

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

Prendre en main R et RStudio pour l'analyse statistique et la manipulation de données.

Déployer des plateformes data sur le cloud : services managés AWS, Azure et GCP.

Comprendre les enjeux, architectures et cas d'usage du Big Data en entreprise.

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

Exploiter Excel pour analyser des données : fonctions avancées, tableaux croisés dynamiques, graphiques.

Modéliser une base de données avec la méthode MERISE : MCD, MLD, normalisation.

Cadrer, organiser et livrer un projet Big Data : équipe, méthode, risques.

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

Préparer les données et construire des analyses prédictives simples dans l'environnement Excel.

Découvrir les modèles NoSQL et leurs cas d'usage.

Mettre en place une gestion des données de référence : gouvernance, qualité, outillage.

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

Automatiser l'import, le nettoyage et la transformation de données avec Power Query.

Comprendre et mettre en œuvre le lakehouse : formats de tables ouverts, ACID, time travel, gouvernance.

Interroger et manipuler les données avec SQL : requêtes, jointures, agrégations.

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

Manipuler et analyser des jeux de données avec les bibliothèques standards (pandas, streams).

Découvrir l'écosystème Big Data et les métiers associés.

Développer des traitements sur l'écosystème Hadoop : HDFS, YARN, MapReduce, Hive.

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

Comprendre les architectures décisionnelles : entrepôts, lacs de données et cas d'usage.

Analyser et optimiser les requêtes : plans d'exécution, index, statistiques.

Mettre en œuvre la distribution Cloudera : outils, sécurité et développement.

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

Modéliser un entrepôt de données : schémas en étoile et flocon, dimensions, faits.

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

Découvrir Apache Spark : RDD, DataFrames, Spark SQL et exécution distribuée.

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

Comparer approches ETL et ELT et choisir la bonne stratégie d'intégration de données.

Installer, configurer, sauvegarder et sécuriser MySQL/MariaDB.

Mesurer les impacts business et organisationnels des technologies data et IA.

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

Mettre en œuvre des flux d'intégration avec les principaux ETL du marché.

Développer des applications Spark performantes en Python/Scala : jobs, optimisation, streaming.

Développer efficacement avec MySQL : schémas, requêtes, transactions.

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

Premiers pas avec Talend : environnement, jobs simples et bonnes pratiques.

Déployer un référentiel MDM avec Talend : modèles, workflows, qualité.

Développer des traitements Spark en Java : API, jobs batch et streaming.

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

Administrer MariaDB : réplication, sauvegardes, supervision.

Analyser et restituer des données massives avec des visualisations et un récit percutants.

Entraîner des modèles à l'échelle avec Spark MLlib : pipelines, features, évaluation.

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

Comprendre les modèles data-driven des fintechs et grandes plateformes.

Panorama pratique des méthodes d'analyse à grande échelle : outils, démarches, cas concrets.

Installer et administrer PostgreSQL : rôles, sauvegardes, maintenance.

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

Mettre en œuvre Kafka : topics, producteurs/consommateurs, Kafka Connect, bonnes pratiques.

Structurer un récit à partir des données pour convaincre et faire décider.

Développer avec PostgreSQL : types avancés, fonctions, performance.

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

Concevoir des architectures de streaming : ingestion, fenêtrage, exactly-once, cas d'usage.

Construire rapports et tableaux de bord interactifs : Power Query, modèle, DAX, publication.