Formation Big Data, Les clefs pour être Data Scientist Mixed: In person / distance learning

• Comprendre les concepts fondamentaux du Big Data et de la data science.
• Apprendre à utiliser Python et Scala pour l'analyse de données.
• Découvrir les frameworks de traitement de données comme Apache Spark.
• Savoir appliquer les techniques de machine learning dans un environnement Big Data.

• Ingénieurs en informatique
• Data analysts
• Développeurs intéressés par le Big Data
• Toute personne souhaitant devenir Data Scientist

• Connaissances de base en informatique : notions fondamentales sur les systèmes d'exploitation.
• Compétences en programmation : connaissance de base en Python.
• Bases de données : familiarité avec les bases de données relationnelles (MySQL) et non relationnelles (Cassandra, MongoDB).
• Notions de base en Machine Learning.
• Big Data : connaissances élémentaires sur les systèmes distribués et les architectures Big Data (Hadoop, HDFS, YARN, MapReduce).
• Data Science : compétences de base pour manipuler et analyser des données.

JOUR 1 : Introduction au Big Data et à la Data Science

Module 1 : Introduction au Big Data

• Principes fondamentaux du Big Data.
• Écosystème Hadoop et ses composants (HDFS, YARN, MapReduce).
• Différences entre bases de données relationnelles et non relationnelles (MySQL vs Cassandra, MongoDB).

Module 2 : La Data Science et la Transformation de Données

• Introduction à la Data Science.
• Manipulation de données avec Pandas et NumPy.
• Introduction à Spark pour le Big Data.
• Travaux pratiques : manipulation de données simples avec Scala.

JOUR 2 : Frameworks de Traitement de Données avec Spark

Module 3 : Cadres de traitement de données

• Présentation d'Apache Spark.
• Traitement de données massives avec Spark en Python et Scala.
• Notions de RDD, DataFrame et SparkSQL.

Travaux pratiques :

• Manipulation de données avec Spark en Python et Scala.
• Création et utilisation de DataFrames et RDDs avec Spark.

Objectifs : apprendre à traiter des données volumineuses avec Spark.

JOUR 3 : Machine Learning avec Spark (1)

Module 4 : Apprentissage automatique (1)

• Concepts de base du Machine Learning.
• Préparation des données pour le Machine Learning.
• Implémentation de modèles de Machine Learning avec Spark MLlib.

Travaux pratiques :

• Mise en œuvre de modèles de Machine Learning avec Spark MLlib.
• Création et évaluation de modèles avec des jeux de données massifs.

JOUR 4 : Machine Learning avec Spark (2) et Freins à l'Usage de l'IA

Module 5 : Apprentissage automatique (2)

• Types avancés de Machine Learning.
• Exercices pratiques : apprentissage non supervisé et clustering.

Les freins à l'usage de l'IA et des données :

• Identification des barrières à l'adoption de l'IA et des données.
• Analyse des enjeux éthiques de l'IA et du RGPD.
• Étude des obstacles techniques, culturels et organisationnels.

Travaux pratiques : discussion en groupe sur les obstacles à l'adoption de l'IA dans différents contextes (entreprises, gouvernements, etc.).

JOUR 5 : Projets Pratiques et Études de Cas

Module 6 : Projets pratiques et études de cas

• Analysez un jeu de données massif avec Spark.

Travaux pratiques :

• Projets en groupe pour analyser un jeu de données massif, appliquer des modèles de Machine Learning et visualiser des rapports d'analyse.
• Présentation des projets en groupe avec retour d'expérience.

Docaposte Institute propose plusieurs dispositifs pédagogiques adaptés aux apprenants :

• Formation en présentiel
  • En groupe (inter-entreprises ou intra-entreprise)
  • En individuel (monitorat)
  • En journée ou en cours du soir (sur demande spécifique)
• Formation en distanciel
  • Distanciel synchrone
  • Distanciel asynchrone

• Apports des connaissances communes.
• Mises en situation sur le thème de la formation et des cas concrets.
• Méthodologie d'apprentissage attractive, interactive et participative.
• Equilibre théorie / pratique : 60 % / 40 %.
• Supports de cours fournis au format papier et/ou numérique.
• Ressources documentaires en ligne et références mises à disposition par le formateur.
• Pour les formations en présentiel dans les locaux mis à disposition, les apprenants sont accueillis dans une salle de cours équipée d'un réseau Wi-Fi, d'un tableau blanc ou paperboard. Un ordinateur avec les logiciels appropriés est mis à disposition (le cas échéant).

En amont de la formation

• Recueil des besoins des apprenants afin de disposer des informations essentielles au bon déroulé de la formation (profil, niveau, attentes particulières...).
• Auto-positionnement des apprenants afin de mesurer le niveau de départ.

Tout au long de la formation

• Évaluation continue des acquis avec des questions orales, des exercices, des QCM, des cas pratiques ou mises en situation...

A la fin de la formation

• Auto-positionnement des apprenants afin de mesurer l'acquisition des compétences.
• Evaluation par le formateur des compétences acquises par les apprenants.
• Questionnaire de satisfaction à chaud afin de recueillir la satisfaction des apprenants à l'issue de la formation.
• Questionnaire de satisfaction à froid afin d'évaluer les apports ancrés de la formation et leurs mises en application au quotidien.

• Admission sans disposition particulière