Big Data overview

• Introduction au Big Data : de quoi s'agit-il ?
• Exemples pratiques
• Les technologies concernées
• Les outils
• Les langages :
• Hortonworks
• MapR
• Cloudera
• IBM Watson...
• Démystification du Big Data
• Les acteurs principaux
• Les différents métiers du Big Data

Rappel

• Le langage Python (application de la MapReduce)
• Les mathématiques de base (algèbre, statistiques, probabilités)
• Le langage SQL

Les algorithmes et analyse de données

• Les concepts du Machine Learning
• Les données supervisées ou non supervisées ? Quelles différences ?
• Régression
• Modèles linéaires
• Classification
• Naive Bayes
• K-NN
• K-Means clustering
• Réseaux de neurones
• Arbres de décisions et de régression
• Support vector machines
• Méthodes ensemblistes

Machine Learning avec : Spark et Spark Streaming

• Introduction à Apache Spark
• Faire du Machine learning avec Apache Spark MLlib
• Traiter les données en temps réel avec Apache Spark Streaming
• Faire des requêtes en format SQL avec Apache Spark SQL
• Créer des graphes avec Apache Spark GraphX
• Stockage basé sur les graphes

Visualisation

• La valeur de la visualisation
• Modèles de données et images
• Données multidimensionnelles
• Principes de design
• Perception graphique

Restitution et pilotage

• Couleurs
• Itérations sur la perception
• Techniques d'interactions
• Exemples d'analyses : efficacité des antibiotiques
• Visualisation Big Data

Certification (en option)

• Nos tests de validation des compétences font partie intégrante du processus d'apprentissage car ils permettent de développer différents niveaux d'abstractions.
• Solliciter l'apprenant à l'aide de nos QCM, c'est lui permettre d'étayer sa réflexion en mobilisant sa mémoire pour choisir la bonne réponse. Nous sommes bien dans une technique d'ancrage mémoriel.
• L'examen sera passé à la fin de la formation.