Nos formations pour vos projets

Maîtriser Python : structures, POO, bibliothèque standard, bonnes pratiques.

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.

Approfondir Python : décorateurs, générateurs, typage, packaging, performance.

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

Comprendre les concepts fondamentaux des bases de données relationnelles.

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

Débuter la programmation avec Python, sans prérequis technique.

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.

Acquérir les bases du langage Java : syntaxe, objets, collections, exceptions.

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.

Approfondir Java : streams, concurrence, entrées/sorties, nouveautés du langage.

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.

Développer des applications d'entreprise avec la plateforme Jakarta EE.

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.

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

Concevoir et consommer des services web REST et SOAP en Java.

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.

Persister ses données avec JPA/Hibernate : mapping, requêtes, transactions.

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

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

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

Initiation à l'écosystème Spring : injection, AOP, données, sécurité.

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).

Approfondir l'écosystème Spring : injection, AOP, données, sécurité.

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.

Créer des microservices avec Spring Boot : API REST, configuration, résilience.

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.

Concevoir une architecture microservices : découpage, communication, observabilité.

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

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 applications PHP avec Symfony : contrôleurs, Doctrine, formulaires.

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.

Approfondir Symfony : services, événements, sécurité, performance.