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.

Fondamentaux vSphere pour l'exploitation d'un data center. Parcours de certification réaligné post-Broadcom sur VCP-VVF.

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

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

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

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

Déploiement et administration de vSphere. À aligner sur VCP-VVF ; VCF 9.0 / vSphere 9 désormais disponibles.

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

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

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

Fonctions avancées : DRS, HA, vMotion, gestion fine des ressources et dépannage.

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

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

Hyperconvergence Nutanix : hyperviseur AHV, console Prism, migration ; préparation NCP. Alternative VMware haut de gamme.

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

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

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

VDI d'entreprise. Ex « VMware Horizon », l'activité EUC est désormais la société indépendante Omnissa.

Exécution de VM aux côtés des conteneurs sur OpenShift ; alternative cloud-native à VMware.

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

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

Méthodologie de diagnostic et de troubleshooting vSphere. Aligné VCP-VVF Support ; version v8/v9.

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

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

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

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

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

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

Micro-segmentation, overlay et sécurité réseau avec NSX ; parcours VCP-NV.

Virtualisation d'applications et de postes. Ex « XenApp/XenDesktop », renommé CVAD, sous Cloud Software Group.

Infrastructure hyperconvergée hybride Microsoft pour workloads on-premise connectés à Azure.

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

Déploiement et exploitation d'un cloud privé VCF (SDDC Manager, vSAN, NSX) ; préparation VCP-VCF.

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

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

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

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

Exécution et gestion de Kubernetes sur VCF 9.0 ; nouvelle certification (2026).

Bureaux et applications virtualisés sur Azure ; déploiement et administration (AZ-140).

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).

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

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.