Nos formations pour vos projets

Panorama comparatif des assistants IA du marché et de leurs usages professionnels.

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.

Premiers pas avec ChatGPT : prompts simples et cas d'usage bureautiques.

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

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

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

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

Gagner en productivité bureautique avec ChatGPT au quotidien.

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.

Exploiter les fonctions avancées : GPTs personnalisés, analyse de données, automatisations.

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

Découvrir les modèles NoSQL et leurs cas d'usage.

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

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

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.

Structurer des prompts robustes : rôles, contexte, chaînage, itération.

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.

Développer des applications avec l'API Claude : messages, outils, vision, bonnes pratiques.

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

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

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

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).

Déléguer des tâches de développement à Claude Code : workflows agentiques, revue, refactoring.

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

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

Installer, configurer, sauvegarder et sécuriser MySQL/MariaDB.

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

Mettre en œuvre le protocole MCP pour relier agents IA, outils et données de l'entreprise.

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

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

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

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

Développer efficacement avec MySQL : schémas, requêtes, transactions.

Comprendre le traitement du langage et les architectures des modèles génératifs.

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.

Maîtrisez les fondamentaux de n8n et entrez dans l’univers de l’automatisation. Apprenez à créer des workflows, connecter vos outils et automatiser les tâches répétitives pour gagner en efficacité et optimiser vos processus métier.

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

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.