Formations Etat de l'art du Big data

Page 10 sur 21
Orsys
Apache Camel, mise en œuvrePar Orsys

Dans l'écosystème JEE, Apache Camel est le framework de référence implémentant les patterns d'architecture d'entreprise. Vous aborderez les problématiques d’intégration d’applications d’entreprise. Vous mettrez en œuvre une solution opérationnelle. Vous maitriserez le suivi d'activités et la gestion des erreurs.

Orsys
Statistiques descriptives, introductionPar Orsys

La statistique qui était devenue un chapitre universitaire compassé connait une nouvelle jeunesse depuis l'arrivée des Big Data. En effet le traitement des Big Data nécessite le recourt récurrent aux techniques statistiques de base. Ce stage vous donnera la maîtrise pratique de ce socle mathématique et algorithmique.

M2i Formation
Big Data - Architecture et infrastructurePar M2i Formation
  • Exploiter les architectures Big Data
  • Mettre en place des socles techniques complets pour des projets Big Data.
Data Value
Utilisation d’une base de données PostGIS avec QGISPar Data Value

Comprendre les avantages liés à l’utilisation d’une base de données Postgis avec Qgis et être capable d’interroger la base de données, d’effectuer des mises à jour et des tâches élémentaires de gestion de données

M2i Formation
MapR - Architecture et administrationPar M2i Formation
  • Décrire l'administration des clusters MapR.
Dawan
Informix Database Initiation + ApprofondissementPar Dawan

Réaliser des schémas et requêtes quelconques sur Informix - Décrire l'architecture multi-tâches IBM Informix Dynamic Server - Installer, maintenir, administrer et optimiser un serveur IDS

Orsys
Flink, développer des applications pour le Big DataPar Orsys

Apache Flink est Framework BigData récent. Il simplifie les traitements de flux gros débit temps réels comme les traitements batch sur d'énormes quantités de données (sur Hadoop HDFS, sur Amazon S3, sur MongoDB...). Ce cours vous permettra d'installer Flink et de réaliser, en Java, des traitements variés de Big Data.

Orsys
Introduction à la datavisualisation, collecter, traiter et représenter les donnéesPar Orsys

Cette vidéo de formation, qui débute par un rapide historique sur la datavisualisation, a pour but de vous aider à comprendre quelles sont les règles à respecter pour créer des graphiques efficaces. Nous verrons qu'une mauvaise représentation graphique peut induire en erreur le lecteur et mener à de mauvaises décisions. Ainsi, au cours de cette vidéo, nous verrons quels processus mettre en oeuvre pour récolter les données puis les traiter avant de les afficher. Nous évoquerons aussi les règles à respecter pour appliquer le bon type de graphique, comment le réaliser et le mettre en forme de façon efficiente en choisissant les bonnes couleurs et les bons axes de lecture. Quelques séquences de mise en pratique vous montrent concrètement comment récolter, traiter les données et concevoir des graphiques pertinents (Excel, Tableau, Sanddance, CartoDB...).

Retengr
Pensez comme un Data Scientist – Machine Learning & PythonPar Retengr

Plus d’un tiers des ventes du site Amazon.com est généré grâce à leur moteur de recommandation. Leurs algorithmes de Machine Learning leur a aussi révélé que les recommandations sont d’autant plus efficaces que lorsqu’elles sont faîtes lors d’une campagne mail plutôt qu’un affichage sur la page web.

Segmentation (clustering), prédiction, estimation, recommandation, ces méthodes d’analyse sont aujourd’hui utilisées dans l’objectif d’apporter de la valeur aux données détenues par l’entreprise.

Si l’implémentation de ces algorithmes reste de la responsabilité du mathématicien, leurs usages est maintenant rendu possible par l’apparition de librairies masquant une partie de leur complexité. A l’issue de cette formation vous aurez appris les activités du Data Scientist : Choix et préparation des données, sélection des algorithmes, apprentissage, scoring, industrialisation.