Nos formations pour vos projets

Tour d'horizon des usages IA sectoriels et de leurs retours d'expérience.

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.

Piloter un projet IA de bout en bout : cadrage, données, modèle, déploiement, adoption.

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.

Cas d'usage IA en finance : scoring, détection de fraude, conformité.

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.

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

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

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

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

Usages de l'IA en santé : aide au diagnostic, imagerie, parcours patient.

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.

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

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

Robotique médicale et IA : assistance chirurgicale, logistique hospitalière.

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

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).

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.

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

IA au service de la défense : détection d'anomalies, réponse à incident, menaces 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.

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

Administrer MariaDB : réplication, sauvegardes, supervision.

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

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

Souscription, gestion des sinistres et relation client augmentées par l'IA.

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

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

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

Installer et administrer PostgreSQL : rôles, sauvegardes, maintenance.

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

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

Personnalisation des apprentissages et outils pédagogiques dopés à l'IA.

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