Nos formations pour vos projets

Construire des sites web responsives avec le socle HTML/CSS/JavaScript et Bootstrap.

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.

Maîtriser le langage JavaScript : syntaxe, DOM, événements, asynchronisme.

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.

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

Approfondir JavaScript moderne : ES2015+, POO, modules, patterns.

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.

Développer ses premières applications Angular : composants, templates, services.

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.

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.

Approfondir Angular : routing avancé, RxJS, formulaires réactifs, performance.

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

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.

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

Développer des interfaces avec React : composants, hooks, état, appels d'API.

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.

Aller plus loin avec React : gestion d'état avancée, performance, tests, patterns.

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.

Développer avec Vue.js 3 : Composition API, composants, réactivité, écosystème.

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.

Concevoir des interfaces cohérentes avec les principes Material Design.

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.

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