Nos formations pour vos projets

Créer, exécuter et publier des conteneurs : images, Dockerfile, volumes, réseaux, registres.

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.

Optimiser images et builds multi-stage, orchestrer avec Docker Compose, sécuriser l'exécution.

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

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

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

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

Découvrir les modèles NoSQL et leurs cas d'usage.

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

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

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.

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

Découvrir l'architecture Kubernetes et déployer ses premières applications : pods, services, deployments.

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

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

Découvrir l'écosystème Big Data et les métiers associés.

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

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

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

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

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

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

Administrer un cluster : scaling, ingress, stockage, ConfigMaps/Secrets, mises à jour progressives.

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

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

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

Installer, configurer, sauvegarder et sécuriser MySQL/MariaDB.

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

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

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

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

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

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

Décrire son infrastructure en HCL et provisionner des ressources multi-cloud avec Terraform.

Développer efficacement avec MySQL : schémas, requêtes, transactions.

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

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

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

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

Administrer MariaDB : réplication, sauvegardes, supervision.

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

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.

Approfondir le langage HCL : modules, variables, state, workspaces et bonnes pratiques d'industrialisation.

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

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

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

Installer et administrer PostgreSQL : rôles, sauvegardes, maintenance.

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

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