Nos formations pour vos projets

Découverte des services GCP et des concepts d'architecture cloud.

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.

Passerelle GCP à destination des praticiens AWS : équivalences de services.

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

Comprendre les concepts fondamentaux des bases de données relationnelles.

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.

Passerelle GCP à destination des praticiens Azure : équivalences de services.

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.

Méthodologie de conception d'architectures sur Google Cloud.

Préparer les données et construire des analyses prédictives simples dans l'environnement Excel.

Mettre en place une gestion des données de référence : gouvernance, qualité, outillage.

Découvrir les modèles NoSQL et leurs cas d'usage.

Comprendre et mettre en œuvre le lakehouse : formats de tables ouverts, ACID, time travel, gouvernance.

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

Déploiement et gestion des machines virtuelles et du réseau sur Compute Engine.

Automatiser l'import, le nettoyage et la transformation de données avec Power Query.

Développer des traitements sur l'écosystème Hadoop : HDFS, YARN, MapReduce, Hive.

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

Interroger et manipuler les données avec SQL : requêtes, jointures, agrégations.

Préparation à la certification Professional Cloud Architect.

Manipuler et analyser des jeux de données avec les bibliothèques standards (pandas, streams).

Découvrir l'écosystème Big Data et les métiers associés.

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

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

Comprendre les architectures décisionnelles : entrepôts, lacs de données et cas d'usage.

Développement d'applications cloud-native sur GCP (Professional Cloud Developer).

Analyser et optimiser les requêtes : plans d'exécution, index, statistiques.

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

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

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

Conception et gestion du réseau sur Google Cloud (VPC, interconnexion, sécurité).

Installer, configurer, sauvegarder et sécuriser MySQL/MariaDB.

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

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

Comparer approches ETL et ELT et choisir la bonne stratégie d'intégration de données.

Prise en main de BigQuery : requêtage, modélisation et cas d'usage analytiques.

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

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

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

Développer efficacement avec MySQL : schémas, requêtes, transactions.

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

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

Conception d'un entrepôt de données BigQuery : performance, coûts et administration.

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

Administrer MariaDB : réplication, sauvegardes, supervision.

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

Entraîner des modèles à l'échelle avec Spark MLlib : pipelines, features, évaluation.

Préparation à la certification Associate Data Practitioner.

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

Analyser et restituer des données massives avec des visualisations et un récit percutants.

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

Préparation à la certification Professional Cloud Database Engineer.