Formation BIG DATA La synthèse
Domaine : Data Science – Deep learning
DURÉE
2 jour(s)
OBJECTIFS
Découvrir pourquoi le Big Data "perce", les différentes solutions techniques et comment le mettre en oeuvre.
Pré-requis
Avoir une appétence pour les technologies informatiques.
Participants
Développeur, chef de projets proche du développement, ingénieur scientifique sachant lire du code.
coût
Formation en cours collectif
Tarif par personne : 1300 € HT
Nous contacter pour une formation sur mesure ou en intra
LIEUx de formation
Notre centre de formation à Sophia AntipolisOu sur votre site en formation intra
PROGRAMME DE FORMATION
BIG DATA La synthèse
Introduction aux Data Sciences
Qu'est-ce que la Data Science?
Qu'est-ce qu'une base de données SQL?
L'IoT
Les origines du Big Data
Les chiffres clés, le ROI
Les langages Java et Python
Qu'est-ce que l'informatique distribué ?
Qu'est-ce qu'une base de données SQL?
L'IoT
Les origines du Big Data
Les chiffres clés, le ROI
Les langages Java et Python
Qu'est-ce que l'informatique distribué ?
Les technologies de Big Data
Les approches non structurées (Apache Hadoop HDFS)
Les approches semi structurées (MongoDb, Cassandra)
La répartition des bases et le modèle de distribution
Les approches structurées : SQL
La perte de l'ACIDité des bases
Le modèle 3V : Volume, Vélocité, Variété
Les différences entre les approches
Les approches Cloud (Google, Amazon Web Service, Microsoft Azure)
Les approches semi structurées (MongoDb, Cassandra)
La répartition des bases et le modèle de distribution
Les approches structurées : SQL
La perte de l'ACIDité des bases
Le modèle 3V : Volume, Vélocité, Variété
Les différences entre les approches
Les approches Cloud (Google, Amazon Web Service, Microsoft Azure)
Apache Hadoop
Le système HDFS
Apache Hadoop
Le traitement des données réparties (Map - Reduce)
Le scheduler Yarn
Spark : le futur
Les distributions (Hortonworks, Cloudera, MapR)
L'approche 3V
Création d'un datanode
Création d'un namenode distribué
Python HDFS
Apache Hadoop
Le traitement des données réparties (Map - Reduce)
Le scheduler Yarn
Spark : le futur
Les distributions (Hortonworks, Cloudera, MapR)
L'approche 3V
Création d'un datanode
Création d'un namenode distribué
Python HDFS
Introduction aux DataLake et DataLab
Qu'est-ce qu'un DataLake ?
Qu'est-ce qu'un DataLab ?
Les DataLake pour la BI (Les DataMart et DataWharehouse)
Utiliser Hadoop comme DataLake
Qu'est-ce qu'un DataLab ?
Les DataLake pour la BI (Les DataMart et DataWharehouse)
Utiliser Hadoop comme DataLake
Les bases semi-structurées
Accès à MongoDB avec Python
L'approche tabulaire avec Cassandra
Les bases de Cassandra
Accès à Cassandra avec CQL
L'approche SQL avec Hive et HDFS
Accès à Cassandra en Python
L'approche semi-structurée avec JSON
MongoDB
L'IoT avec MongoDB
Utiliser MongoDB avec Hadoop HDFS
L'approche tabulaire avec Cassandra
Les bases de Cassandra
Accès à Cassandra avec CQL
L'approche SQL avec Hive et HDFS
Accès à Cassandra en Python
L'approche semi-structurée avec JSON
MongoDB
L'IoT avec MongoDB
Utiliser MongoDB avec Hadoop HDFS
Traitement et affichage des données
Traitement des données avec Pandas
Calculs sur les données avec Numpy et SciPy
Le Machine Learning
Les traitements avec Python, R et Scala
La segmentation, la randomisation, le regroupement avec les modèles
Implémenter de l'intelligence artificielle avec SKLearn
Le Deep Learning avec les réseaux neuronaux
Utilisation de la bibliothèque graphes MathPlotLib
Affichage des données avec QlikView
Calculs sur les données avec Numpy et SciPy
Le Machine Learning
Les traitements avec Python, R et Scala
La segmentation, la randomisation, le regroupement avec les modèles
Implémenter de l'intelligence artificielle avec SKLearn
Le Deep Learning avec les réseaux neuronaux
Utilisation de la bibliothèque graphes MathPlotLib
Affichage des données avec QlikView
dates des formations a grenoble
dates des formations a SOPHIA ANTIPOLIS
formations associées