Nos formations pour vos projets

Créer des applications sans coder avec les plateformes no-code/low-code du marché.

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.

Installer, configurer, sauvegarder et sécuriser MySQL/MariaDB.

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.

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

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

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 efficacement avec MySQL : schémas, requêtes, transactions.

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

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

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

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

Administrer MariaDB : réplication, sauvegardes, supervision.

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

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.

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

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

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

Installer et administrer PostgreSQL : rôles, sauvegardes, maintenance.

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

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

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

Développer avec PostgreSQL : types avancés, fonctions, performance.

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

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

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

Exploiter une base Oracle au quotidien : instances, stockage, sauvegardes.