Détails
- 42 Sections
- 224 Lessons
- 35 heures
Expand all sectionsCollapse all sections
- Introduction : notions & enjeux du Big Data4
- 1.1Histoire et terminologie du Big Data
- 1.2Le Big Data aujourd’hui : chiffres clés Monde et France
- 1.3Tour d’horizon des enjeux du Big Data
- 1.4Travaux pratiques : analyse d’une architecture Big Data
- Introduction : notions & enjeux du Big Data4
- 2.1Histoire et terminologie du Big Data
- 2.2Le Big Data aujourd’hui : chiffres clés Monde et France
- 2.3Tour d’horizon des enjeux du Big Data
- 2.4Travaux pratiques : analyse d’une architecture Big Data
- Introduction : notions & enjeux du Big Data4
- 3.1Histoire et terminologie du Big Data
- 3.2Le Big Data aujourd’hui : chiffres clés Monde et France
- 3.3Tour d’horizon des enjeux du Big Data
- 3.4Travaux pratiques : analyse d’une architecture Big Data
- Introduction : notions & enjeux du Big Data4
- 4.1Histoire et terminologie du Big Data
- 4.2Le Big Data aujourd’hui : chiffres clés Monde et France
- 4.3Tour d’horizon des enjeux du Big Data
- 4.4Travaux pratiques : analyse d’une architecture Big Data
- Introduction : notions & enjeux du Big Data4
- 5.1Histoire et terminologie du Big Data
- 5.2Le Big Data aujourd’hui : chiffres clés Monde et France
- 5.3Tour d’horizon des enjeux du Big Data
- 5.4Travaux pratiques : analyse d’une architecture Big Data
- Introduction : notions & enjeux du Big Data4
- 6.1Histoire et terminologie du Big Data
- 6.2Le Big Data aujourd’hui : chiffres clés Monde et France
- 6.3Tour d’horizon des enjeux du Big Data
- 6.4Travaux pratiques : analyse d’une architecture Big Data
- Introduction : notions & enjeux du Big Data4
- 7.1Histoire et terminologie du Big Data
- 7.2Le Big Data aujourd’hui : chiffres clés Monde et France
- 7.3Tour d’horizon des enjeux du Big Data
- 7.4Travaux pratiques : analyse d’une architecture Big Data
- Technologies du Big Data8
- 8.1Étude de l’architecture et des composants d’Hadoop
- 8.2Présentation des modes de stockage
- 8.3Principes de fonctionnement de MapReduce, Spark, Storm…
- 8.4Tour d’horizon des différentes distributions du marché
- 8.5Installation d’une plateforme Hadoop
- 8.6Datascientist : missions et défis
- 8.7Introduction aux technologies spécifiques pour la data visualisation
- 8.8Travaux pratiques : Implémentation d’une plateforme Big Data Hadoop
- Technologies du Big Data8
- 9.1Étude de l’architecture et des composants d’Hadoop
- 9.2Présentation des modes de stockage
- 9.3Principes de fonctionnement de MapReduce, Spark, Storm…
- 9.4Tour d’horizon des différentes distributions du marché
- 9.5Installation d’une plateforme Hadoop
- 9.6Datascientist : missions et défis
- 9.7Introduction aux technologies spécifiques pour la data visualisation
- 9.8Travaux pratiques : Implémentation d’une plateforme Big Data Hadoop
- Technologies du Big Data8
- 10.1Étude de l’architecture et des composants d’Hadoop
- 10.2Présentation des modes de stockage
- 10.3Principes de fonctionnement de MapReduce, Spark, Storm…
- 10.4Tour d’horizon des différentes distributions du marché
- 10.5Installation d’une plateforme Hadoop
- 10.6Datascientist : missions et défis
- 10.7Introduction aux technologies spécifiques pour la data visualisation
- 10.8Travaux pratiques : Implémentation d’une plateforme Big Data Hadoop
- Technologies du Big Data8
- 11.1Étude de l’architecture et des composants d’Hadoop
- 11.2Présentation des modes de stockage
- 11.3Principes de fonctionnement de MapReduce, Spark, Storm…
- 11.4Tour d’horizon des différentes distributions du marché
- 11.5Installation d’une plateforme Hadoop
- 11.6Datascientist : missions et défis
- 11.7Introduction aux technologies spécifiques pour la data visualisation
- 11.8Travaux pratiques : Implémentation d’une plateforme Big Data Hadoop
- Technologies du Big Data8
- 12.1Étude de l’architecture et des composants d’Hadoop
- 12.2Présentation des modes de stockage
- 12.3Principes de fonctionnement de MapReduce, Spark, Storm…
- 12.4Tour d’horizon des différentes distributions du marché
- 12.5Installation d’une plateforme Hadoop
- 12.6Datascientist : missions et défis
- 12.7Introduction aux technologies spécifiques pour la data visualisation
- 12.8Travaux pratiques : Implémentation d’une plateforme Big Data Hadoop
- Technologies du Big Data8
- 13.1Étude de l’architecture et des composants d’Hadoop
- 13.2Présentation des modes de stockage
- 13.3Principes de fonctionnement de MapReduce, Spark, Storm…
- 13.4Tour d’horizon des différentes distributions du marché
- 13.5Installation d’une plateforme Hadoop
- 13.6Datascientist : missions et défis
- 13.7Introduction aux technologies spécifiques pour la data visualisation
- 13.8Travaux pratiques : Implémentation d’une plateforme Big Data Hadoop
- Technologies du Big Data8
- 14.1Étude de l’architecture et des composants d’Hadoop
- 14.2Présentation des modes de stockage
- 14.3Principes de fonctionnement de MapReduce, Spark, Storm…
- 14.4Tour d’horizon des différentes distributions du marché
- 14.5Installation d’une plateforme Hadoop
- 14.6Datascientist : missions et défis
- 14.7Introduction aux technologies spécifiques pour la data visualisation
- 14.8Travaux pratiques : Implémentation d’une plateforme Big Data Hadoop
- Traitement des données structurées & non structurées7
- 15.1Fonctionnement de Hadoop Distributed File System
- 15.2Importation des données externes vers HDFS
- 15.3Déployer des requêtes SQL avec HIVE
- 15.4Utilisation de PIG pour le traitement de la donnée
- 15.5Principe des ETL
- 15.6Utilisation de streaming de données massive
- 15.7Travaux pratiques : Mise en oeuvre de flux de données massives
- Traitement des données structurées & non structurées7
- 16.1Fonctionnement de Hadoop Distributed File System
- 16.2Importation des données externes vers HDFS
- 16.3Déployer des requêtes SQL avec HIVE
- 16.4Utilisation de PIG pour le traitement de la donnée
- 16.5Principe des ETL
- 16.6Utilisation de streaming de données massive
- 16.7Travaux pratiques : Mise en oeuvre de flux de données massives
- Traitement des données structurées & non structurées7
- 17.1Fonctionnement de Hadoop Distributed File System
- 17.2Importation des données externes vers HDFS
- 17.3Déployer des requêtes SQL avec HIVE
- 17.4Utilisation de PIG pour le traitement de la donnée
- 17.5Principe des ETL
- 17.6Utilisation de streaming de données massive
- 17.7Travaux pratiques : Mise en oeuvre de flux de données massives
- Traitement des données structurées & non structurées7
- 18.1Fonctionnement de Hadoop Distributed File System
- 18.2Importation des données externes vers HDFS
- 18.3Déployer des requêtes SQL avec HIVE
- 18.4Utilisation de PIG pour le traitement de la donnée
- 18.5Principe des ETL
- 18.6Utilisation de streaming de données massive
- 18.7Travaux pratiques : Mise en oeuvre de flux de données massives
- Traitement des données structurées & non structurées7
- 19.1Fonctionnement de Hadoop Distributed File System
- 19.2Importation des données externes vers HDFS
- 19.3Déployer des requêtes SQL avec HIVE
- 19.4Utilisation de PIG pour le traitement de la donnée
- 19.5Principe des ETL
- 19.6Utilisation de streaming de données massive
- 19.7Travaux pratiques : Mise en oeuvre de flux de données massives
- Traitement des données structurées & non structurées7
- 20.1Fonctionnement de Hadoop Distributed File System
- 20.2Importation des données externes vers HDFS
- 20.3Déployer des requêtes SQL avec HIVE
- 20.4Utilisation de PIG pour le traitement de la donnée
- 20.5Principe des ETL
- 20.6Utilisation de streaming de données massive
- 20.7Travaux pratiques : Mise en oeuvre de flux de données massives
- Traitement des données structurées & non structurées7
- 21.1Fonctionnement de Hadoop Distributed File System
- 21.2Importation des données externes vers HDFS
- 21.3Déployer des requêtes SQL avec HIVE
- 21.4Utilisation de PIG pour le traitement de la donnée
- 21.5Principe des ETL
- 21.6Utilisation de streaming de données massive
- 21.7Travaux pratiques : Mise en oeuvre de flux de données massives
- Technique & méthodes Big Data analytics7
- 22.1Introduction au Machine Learning & à l’IA
- 22.2Régression, Classification & Clustering
- 22.3Travail en amont : préparation des données
- 22.4Génération des modèles en R ou Python
- 22.5Ensemble Learning
- 22.6Présentation des outils du marché
- 22.7Exercice : Mise en oeuvre d’analyses
- Technique & méthodes Big Data analytics7
- 23.1Introduction au Machine Learning & à l’IA
- 23.2Régression, Classification & Clustering
- 23.3Travail en amont : préparation des données
- 23.4Génération des modèles en R ou Python
- 23.5Ensemble Learning
- 23.6Présentation des outils du marché
- 23.7Exercice : Mise en oeuvre d’analyses
- Technique & méthodes Big Data analytics7
- 24.1Introduction au Machine Learning & à l’IA
- 24.2Régression, Classification & Clustering
- 24.3Travail en amont : préparation des données
- 24.4Génération des modèles en R ou Python
- 24.5Ensemble Learning
- 24.6Présentation des outils du marché
- 24.7Exercice : Mise en oeuvre d’analyses
- Technique & méthodes Big Data analytics7
- 25.1Introduction au Machine Learning & à l’IA
- 25.2Régression, Classification & Clustering
- 25.3Travail en amont : préparation des données
- 25.4Génération des modèles en R ou Python
- 25.5Ensemble Learning
- 25.6Présentation des outils du marché
- 25.7Exercice : Mise en oeuvre d’analyses
- Technique & méthodes Big Data analytics7
- 26.1Introduction au Machine Learning & à l’IA
- 26.2Régression, Classification & Clustering
- 26.3Travail en amont : préparation des données
- 26.4Génération des modèles en R ou Python
- 26.5Ensemble Learning
- 26.6Présentation des outils du marché
- 26.7Exercice : Mise en oeuvre d’analyses
- Technique & méthodes Big Data analytics7
- 27.1Introduction au Machine Learning & à l’IA
- 27.2Régression, Classification & Clustering
- 27.3Travail en amont : préparation des données
- 27.4Génération des modèles en R ou Python
- 27.5Ensemble Learning
- 27.6Présentation des outils du marché
- 27.7Exercice : Mise en oeuvre d’analyses
- Technique & méthodes Big Data analytics7
- 28.1Introduction au Machine Learning & à l’IA
- 28.2Régression, Classification & Clustering
- 28.3Travail en amont : préparation des données
- 28.4Génération des modèles en R ou Python
- 28.5Ensemble Learning
- 28.6Présentation des outils du marché
- 28.7Exercice : Mise en oeuvre d’analyses
- Data visualisation & cas d'usage concrets5
- 29.1Définition du besoin de la data visualisation
- 29.2Analyse & visualisation des données
- 29.3Types de données & DataViz
- 29.4Présentation des outils de DataViz du marché
- 29.5Travaux pratiques : Implémentation & utilisation d’un outil de Data Visualisation pour concevoir des analyses dynamiques
- Data visualisation & cas d'usage concrets5
- 30.1Définition du besoin de la data visualisation
- 30.2Analyse & visualisation des données
- 30.3Types de données & DataViz
- 30.4Présentation des outils de DataViz du marché
- 30.5Travaux pratiques : Implémentation & utilisation d’un outil de Data Visualisation pour concevoir des analyses dynamiques
- Data visualisation & cas d'usage concrets5
- 31.1Définition du besoin de la data visualisation
- 31.2Analyse & visualisation des données
- 31.3Types de données & DataViz
- 31.4Présentation des outils de DataViz du marché
- 31.5Travaux pratiques : Implémentation & utilisation d’un outil de Data Visualisation pour concevoir des analyses dynamiques
- Data visualisation & cas d'usage concrets5
- 32.1Définition du besoin de la data visualisation
- 32.2Analyse & visualisation des données
- 32.3Types de données & DataViz
- 32.4Présentation des outils de DataViz du marché
- 32.5Travaux pratiques : Implémentation & utilisation d’un outil de Data Visualisation pour concevoir des analyses dynamiques
- Data visualisation & cas d'usage concrets5
- 33.1Définition du besoin de la data visualisation
- 33.2Analyse & visualisation des données
- 33.3Types de données & DataViz
- 33.4Présentation des outils de DataViz du marché
- 33.5Travaux pratiques : Implémentation & utilisation d’un outil de Data Visualisation pour concevoir des analyses dynamiques
- Data visualisation & cas d'usage concrets5
- 34.1Définition du besoin de la data visualisation
- 34.2Analyse & visualisation des données
- 34.3Types de données & DataViz
- 34.4Présentation des outils de DataViz du marché
- 34.5Travaux pratiques : Implémentation & utilisation d’un outil de Data Visualisation pour concevoir des analyses dynamiques
- Data visualisation & cas d'usage concrets5
- 35.1Définition du besoin de la data visualisation
- 35.2Analyse & visualisation des données
- 35.3Types de données & DataViz
- 35.4Présentation des outils de DataViz du marché
- 35.5Travaux pratiques : Implémentation & utilisation d’un outil de Data Visualisation pour concevoir des analyses dynamiques
- Pour aller plus loin1
- 36.1Bonnes pratiques
- Pour aller plus loin1
- 37.1Bonnes pratiques
- Pour aller plus loin1
- 38.1Bonnes pratiques
- Pour aller plus loin1
- 39.1Bonnes pratiques
- Pour aller plus loin1
- 40.1Bonnes pratiques
- Pour aller plus loin1
- 41.1Bonnes pratiques
- Pour aller plus loin1
- 42.1Bonnes pratiques
