Nos formations pour vos projets

Panorama du cloud : modèles de services (IaaS/PaaS/SaaS), de gouvernance, enjeux clés et grands principes d'architecture.

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.

Tour d'horizon des services fondamentaux : compute, stockage, réseau et bases de données.

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.

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.

Principes de la virtualisation et articulation avec les environnements cloud.

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.

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.

Concepts du cloud native : microservices, conteneurs, orchestration et CI/CD.

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.

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).

Conception et déploiement d'applications sans serveur (FaaS, architectures event-driven).

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.

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.

Stratégies et méthodes de migration (les 6R), trajectoire et gestion des risques.

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.

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

Installer et administrer PostgreSQL : rôles, sauvegardes, maintenance.

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

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

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

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

Enjeux de sécurité, modèle de responsabilité partagée, IAM, chiffrement, journalisation et posture (CSPM).

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.