Nos formations pour vos projets

Comprendre TCP/IP, l'adressage et le routage de base.

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.

Premier module du cursus CCNA : fondamentaux des réseaux et configuration de base.

Découvrir les modèles NoSQL et leurs cas d'usage.

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

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.

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.

Concevoir des architectures réseau segmentées et sécurisées.

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).

Installer, configurer, sauvegarder et sécuriser MySQL/MariaDB.

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

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.

Développer efficacement avec MySQL : schémas, requêtes, transactions.

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

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

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

Mettre en œuvre VLAN, trunking et routage inter-VLAN avancé.

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.

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

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.

Installer et administrer PostgreSQL : rôles, sauvegardes, maintenance.

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

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

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

Déployer et sécuriser des réseaux sans fil d'entreprise.