Nos formations pour vos projets

Comprendre la culture, les principes (CALMS) et les apports du DevOps dans le cycle de vie applicatif.

Intégrer la sécurité en continu dans le cycle DevOps : shift-left, SAST/DAST, culture partagée.

Créer, exécuter et publier des conteneurs : images, Dockerfile, volumes, réseaux, registres.

Réviser les fondements mathématiques indispensables : probabilités, statistiques, algèbre linéaire.

Définir métriques, logs et alertes pertinents pour superviser applications et pipelines.

Maîtriser Git au quotidien : branches, merge, rebase, workflows collaboratifs (Git Flow, trunk-based).

Optimiser images et builds multi-stage, orchestrer avec Docker Compose, sécuriser l'exécution.

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

Détecter et corriger les vulnérabilités du code avec SonarQube et les référentiels OWASP.

Collecter, indexer et visualiser les logs applicatifs avec la suite Elastic.

Découvrir l'architecture Kubernetes et déployer ses premières applications : pods, services, deployments.

Mener des analyses statistiques avancées avec R : modèles linéaires généralisés, ANOVA, multivarié.

Mettre en place une chaîne d'intégration continue complète avec pipeline, qualité de code et tests automatisés.

Évaluer les enjeux d'une stratégie de conteneurisation : cas d'usage, sécurité, organisation.

Administrer un cluster : scaling, ingress, stockage, ConfigMaps/Secrets, mises à jour progressives.

Panorama des approches et algorithmes du machine learning et de leurs cas d'usage.

Mettre en place la collecte de métriques, PromQL, alerting et tableaux de bord Grafana.

Durcir images, runtime et cluster : scan d'images, RBAC, network policies, secrets.

Décrire son infrastructure en HCL et provisionner des ressources multi-cloud avec Terraform.

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

Installer, configurer et administrer Jenkins ; concevoir des pipelines déclaratifs.

Passer du monitoring à l'observabilité : traces, métriques, logs et APM.

Approfondir le langage HCL : modules, variables, state, workspaces et bonnes pratiques d'industrialisation.

Construire des pipelines prédictifs complets avec scikit-learn : préparation, entraînement, évaluation.

Construire des pipelines GitLab CI/CD : stages, runners, artefacts, environnements et déploiements.

Protéger la chaîne logicielle : gestion des secrets, signature d'artefacts, supply chain security.

Atelier intensif : concevoir de bout en bout l'infrastructure as code d'un projet réel.

Extraire de la connaissance des données : exploration, sélection de variables, modèles.

Comprendre l'évolution du DevOps vers le platform engineering : IDP, golden paths, self-service développeur.

Instrumenter ses applications avec le standard OpenTelemetry : traces distribuées, métriques et export vers les backends.

Gérer la configuration de parcs de serveurs avec manifests, modules et Puppet Server.

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

Industrialiser la gestion de configuration et les déploiements applicatifs avec Ansible dans un pipeline CI/CD.

Maîtriser les dépendances et l'intégrité des artefacts : génération de SBOM, niveaux SLSA, signature et vérification. Exigences issues du Cyber Resilience Act et de NIS2.

Déployer une plateforme conteneurisée sur Azure (AKS) avec Terraform et les pratiques GitOps.

Segmenter les données (k-means, DBSCAN, CAH) et réduire la dimension (ACP, t-SNE, UMAP).

Concevoir une stratégie d'automatisation robuste : locators, waits, Page Object Model.

Définir des indicateurs et objectifs de service, gérer un budget d'erreur, organiser l'astreinte et les post-mortems sans blâme. Articulation avec les pratiques DevOps existantes.

Mettre en œuvre CI/CD, IaC et supervision sur AWS : CodePipeline, CloudFormation, CloudWatch.

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

Mettre en œuvre le pattern GitOps : Git comme source de vérité, synchronisation et rollback avec ArgoCD.

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

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

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

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

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

Déployer et superviser des modèles en production : CI/CD, monitoring, drift.

Acquérir les bases de Python pour la data : syntaxe, structures, NumPy, pandas.

Approfondir Python pour la data science : pandas avancé, visualisation, bonnes pratiques.

Explorer, nettoyer et visualiser un jeu de données pour préparer la modélisation.

Prendre en main R pour l'analyse statistique : import, manipulation, tests, graphiques.

Aller plus loin avec R : tidyverse, programmation fonctionnelle, rapports reproductibles.

Modéliser et prévoir des séries temporelles : décomposition, ARIMA, Prophet, évaluation.

Expliquer les prédictions de ses modèles et répondre aux exigences de transparence (AI Act).

Concevoir et entraîner des CNN pour l'analyse d'images.

Mettre en œuvre détection, classification et segmentation d'images.

Techniques NLP : tokenisation, embeddings, classification, extraction d'information.