Nos formations pour vos projets

Comprendre les enjeux, architectures et cas d'usage du Big Data en entreprise.

Comprendre les concepts fondamentaux des bases de données relationnelles.

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

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

Définir, construire et interpréter des indicateurs de performance pertinents pour le pilotage.

Concevoir une architecture Big Data : ingestion, stockage distribué, traitement, restitution.

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

Modéliser une base de données avec la méthode MERISE : MCD, MLD, normalisation.

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.

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

Découvrir les modèles NoSQL et leurs cas d'usage.

Exploiter Excel pour analyser des données : fonctions avancées, tableaux croisés dynamiques, graphiques.

Cadrer, organiser et livrer un projet Big Data : équipe, méthode, risques.

Découvrir l'écosystème Big Data et les métiers associés.

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.

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.

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

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

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

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

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

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

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

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

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

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

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

Installer, configurer, sauvegarder et sécuriser MySQL/MariaDB.

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.

Développer efficacement avec MySQL : schémas, requêtes, transactions.

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.

Administrer MariaDB : réplication, sauvegardes, supervision.

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

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 modèles data-driven des fintechs et grandes plateformes.

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

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

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

Installer et administrer PostgreSQL : rôles, sauvegardes, maintenance.

Principes du Data Mesh : domaines propriétaires, données comme produit, plateforme en libre-service et gouvernance fédérée. Conditions de réussite et pièges.

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.

Développer avec PostgreSQL : types avancés, fonctions, performance.

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

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

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

Découvrir le rôle, les livrables et la boîte à outils du data analyst en entreprise.

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

Exploiter une base Oracle au quotidien : instances, stockage, sauvegardes.

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

Approfondir le développement Kafka (Streams, schémas, exactly-once) et préparer l'examen CCDAK.

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

Développer en PL/SQL : blocs, procédures, curseurs, exceptions.

Construire rapports et tableaux de bord interactifs : Power Query, modèle, DAX, publication.

Orchestrer ses pipelines avec Airflow : DAGs, scheduling, capteurs, supervision et bonnes pratiques.

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

Pratiquer le SQL dans l'environnement DB2.

Approfondir DAX, la modélisation avancée et l'optimisation des rapports Power BI.

Mesurer et améliorer la qualité des données : profilage, règles, nettoyage, gouvernance.

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

Modéliser, déployer et administrer un cluster Cassandra : réplication, compaction, tuning.

S'initier aux modèles de données : entités, relations, schémas en étoile et bonnes pratiques.

Panorama de la suite Tableau : préparation, visualisation et partage des analyses.

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

Administrer MongoDB : réplication, sharding, sauvegardes, sécurité.

Développer des applications s'appuyant sur DB2.

Créer des visualisations et tableaux de bord interactifs avec Tableau Desktop.

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

Optimiser les performances MongoDB : index, agrégations, profiling.

Mettre en œuvre la haute disponibilité des bases : clusters, bascule, réplication.

Développer des applications analytiques et visualisations associatives avec Qlik Sense.

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

Déployer et exploiter HBase pour le stockage colonne à large échelle.

Cartographier les métiers de la donnée et leurs interactions : analyst, scientist, engineer, MLOps.

Concevoir des applications de dataviz sur mesure : principes visuels, bibliothèques et interactivité.

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

Définir et opérer une stratégie de sauvegarde/restauration fiable.

Développer avec la base graphe Neo4j : modélisation, Cypher, requêtes.

Comprendre l'architecture BI de bout en bout : sources, intégration, stockage, restitution.

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

Sécuriser ses bases : droits, chiffrement, audit, durcissement.

Cadre DAMA-DMBOK de gestion des données ; préparation à la certification CDMP.

Indexer et rechercher des contenus à grande échelle avec Elasticsearch.

Mesurer et analyser la performance marketing : segmentation, attribution, tableaux de bord.

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

Administrer des bases de données SQL sur Azure : HA, sécurité, performance.

Construire des pipelines lakehouse (Delta Lake, workflows, Unity Catalog) et préparer l'examen officiel.

Découvrir la plateforme unifiée Fabric : OneLake, dataflows, lakehouse et intégration Power BI.

Industrialiser le ML sur Databricks (MLflow, Feature Store) et préparer l'examen ML Associate.

Fondamentaux des données sur Azure : concepts, services relationnels et non relationnels.

Maîtriser l'architecture et les objets Snowflake (virtual warehouses, data sharing) et préparer l'examen SnowPro Core.

Accélérer préparation, analyse et restitution grâce aux assistants IA intégrés à Power BI et Excel.

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

Concevoir et développer des applications sur Azure Cosmos DB.

Ingénierie de données sur Microsoft Fabric : ingestion, transformation, orchestration.

Préparation à la certification PL-300 : préparation et modélisation des données, mesures DAX, visualisations et déploiement des ressources Power BI.

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

Développer des applications SQL intégrant les capacités IA de la plateforme Microsoft.

Ingénierie de données sur Azure Databricks : Spark, Delta Lake, pipelines.

Concevoir des solutions analytiques de bout en bout sur Microsoft Fabric.

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