Nos formations pour vos projets

Durcissement des hyperviseurs, isolation, gestion des accès et bonnes pratiques de sécurité.

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.

Provisionnement et gestion du stockage bloc pour les VM avec OpenStack Cinder.

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.

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

Modéliser un entrepôt de données : schémas en étoile et flocon, dimensions, faits.

Installer, configurer, sauvegarder et sécuriser MySQL/MariaDB.

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.

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.

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

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

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

Développer efficacement avec MySQL : schémas, requêtes, transactions.

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

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

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

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

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

Administrer MariaDB : réplication, sauvegardes, supervision.

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.

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

Conception de la HA et du PRA/PCA : clustering, réplication et bascule.

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

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

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

Installer et administrer PostgreSQL : rôles, sauvegardes, maintenance.

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

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

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

Développer avec PostgreSQL : types avancés, fonctions, performance.

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