Nos formations pour vos projets

Notions clés de la virtualisation : machines virtuelles, hyperviseurs, ressources et bénéfices.

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

Administration de la virtualisation Oracle Linux (KVM) : hôtes, VM, stockage et réseau.

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

Prise en main pratique de la virtualisation et de ses principaux composants.

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

Déploiement et administration d'Hyper-V sur Windows Server ; clustering et réplication.

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

Différences entre hyperviseurs bare-metal (Type 1) et hébergés (Type 2) et cas d'usage.

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

Administration de Proxmox VE (KVM/LXC) : cluster, HA, stockage Ceph et sauvegarde. Alternative VMware plébiscitée.

Réglage des performances, capacity planning et optimisation compute/stockage/réseau.

Panorama des enjeux (consolidation, coûts, agilité) et des solutions du marché.

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

Virtualisation open source basée sur Xen ; administration et migration via Xen Orchestra.

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

Méthodologie de cadrage, dimensionnement et conduite d'un projet de virtualisation.

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

Fondations KVM/QEMU/libvirt : brique de base des plateformes open source de virtualisation.

Création et gestion de VM de test/développement sur poste avec VirtualBox.

Parcours progressif des concepts de base jusqu'aux architectures avancées et hyperconvergées.

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

Exigences de conformité (traçabilité, cloisonnement, audit) appliquées à la virtualisation.

Cadrage d'une sortie de VMware : évaluation, choix de plateforme, migration des VM et du stockage, PRA.

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

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

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

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

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.