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

Architecture Big Data

• La capture des données
• MapReduce, PIG, Hive…
• La mise en qualité
• Le stockage des données
• La diffusion des données
• Traitements en temps réel ou différé
• Kafka
• Les architectures réparties
• Hadoop

L'ingestion et le stockage des données

• Importance de la qualité des données
• Coût de la mauvaise qualité
• Cas d'usage
• Qu'est-ce que la qualité de données ?
• Traitements de la qualité dans le MDM
• Mesure de la qualité d’un entrepôt de données : fiabilisation ou restauration de la qualité
• Aspects méthodologiques de la qualité (workflow) : Data curation / gouvernance
• Aspects juridiques liés à la qualité : best practices pour la qualité

L'analyse des données : Spark et Spark Streaming

• Introduction à Apache Spark
• Apache Spark MLlib
• Apache Spark Streaming
• Apache Spark SQL
• Apache Spark GraphX
• Stockage basé sur les graphes

Visualisation des données

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

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.