Big Data - Data Classification

Aperçu du cours

Objectif de formation : Appréhender le Machine Learning du point de vue du traitement de la donnée ainsi qu’au processus de modélisation statistique

Prérequis

Connaissances des principes du Big Data et des architectures techniques

Fonctionnalités

Savoir définir les étapes de préparation des données
Comprendre et mettre en oeuvre l’apprentissage automatique
Appréhender les techniques de classification de données
Comprendre les apports des réseaux de neurones et du Deep Learning

Public ciblé

Chefs de projets
Développeurs
Data scientists
Architectes

Détails

56 Sections
301 Lessons
14 heures

Expand all sectionsCollapse all sections

Introduction

6
- 1.1
  Zoom sur les données
- 1.2
  Présentation des requêtes
- 1.3
  Attentes des utilisateurs
- 1.4
  Étapes de la préparation des données
- 1.5
  Définitions, présentation du data munging
- 1.6
  Rôle du data scientist
Introduction

6
- 2.1
  Zoom sur les données
- 2.2
  Présentation des requêtes
- 2.3
  Attentes des utilisateurs
- 2.4
  Étapes de la préparation des données
- 2.5
  Définitions, présentation du data munging
- 2.6
  Rôle du data scientist
Introduction

6
- 3.1
  Zoom sur les données
- 3.2
  Présentation des requêtes
- 3.3
  Attentes des utilisateurs
- 3.4
  Étapes de la préparation des données
- 3.5
  Définitions, présentation du data munging
- 3.6
  Rôle du data scientist
Introduction

6
- 4.1
  Zoom sur les données
- 4.2
  Présentation des requêtes
- 4.3
  Attentes des utilisateurs
- 4.4
  Étapes de la préparation des données
- 4.5
  Définitions, présentation du data munging
- 4.6
  Rôle du data scientist
Introduction

6
- 5.1
  Zoom sur les données
- 5.2
  Présentation des requêtes
- 5.3
  Attentes des utilisateurs
- 5.4
  Étapes de la préparation des données
- 5.5
  Définitions, présentation du data munging
- 5.6
  Rôle du data scientist
Introduction

6
- 6.1
  Zoom sur les données
- 6.2
  Présentation des requêtes
- 6.3
  Attentes des utilisateurs
- 6.4
  Étapes de la préparation des données
- 6.5
  Définitions, présentation du data munging
- 6.6
  Rôle du data scientist
Introduction

6
- 7.1
  Zoom sur les données
- 7.2
  Présentation des requêtes
- 7.3
  Attentes des utilisateurs
- 7.4
  Étapes de la préparation des données
- 7.5
  Définitions, présentation du data munging
- 7.6
  Rôle du data scientist
Gouvernance des données

7
- 8.1
  Qualité des données
- 8.2
  Transformation de l’information en donnée
- 8.3
  Qualification et enrichissement
- 8.4
  Sécurisation et étanchéité des lacs de données
- 8.5
  Flux de données et organisation dans l’entreprise
- 8.6
  Donnée maître à la donnée de travail
- 8.7
  Mise en oeuvre pratique des différentes phases : nettoyage, enrichissement, organisation des données
Gouvernance des données

7
- 9.1
  Qualité des données
- 9.2
  Transformation de l’information en donnée
- 9.3
  Qualification et enrichissement
- 9.4
  Sécurisation et étanchéité des lacs de données
- 9.5
  Flux de données et organisation dans l’entreprise
- 9.6
  Donnée maître à la donnée de travail
- 9.7
  Mise en oeuvre pratique des différentes phases : nettoyage, enrichissement, organisation des données
Gouvernance des données

7
- 10.1
  Qualité des données
- 10.2
  Transformation de l’information en donnée
- 10.3
  Qualification et enrichissement
- 10.4
  Sécurisation et étanchéité des lacs de données
- 10.5
  Flux de données et organisation dans l’entreprise
- 10.6
  Donnée maître à la donnée de travail
- 10.7
  Mise en oeuvre pratique des différentes phases : nettoyage, enrichissement, organisation des données
Gouvernance des données

7
- 11.1
  Qualité des données
- 11.2
  Transformation de l’information en donnée
- 11.3
  Qualification et enrichissement
- 11.4
  Sécurisation et étanchéité des lacs de données
- 11.5
  Flux de données et organisation dans l’entreprise
- 11.6
  Donnée maître à la donnée de travail
- 11.7
  Mise en oeuvre pratique des différentes phases : nettoyage, enrichissement, organisation des données
Gouvernance des données

7
- 12.1
  Qualité des données
- 12.2
  Transformation de l’information en donnée
- 12.3
  Qualification et enrichissement
- 12.4
  Sécurisation et étanchéité des lacs de données
- 12.5
  Flux de données et organisation dans l’entreprise
- 12.6
  Donnée maître à la donnée de travail
- 12.7
  Mise en oeuvre pratique des différentes phases : nettoyage, enrichissement, organisation des données
Gouvernance des données

7
- 13.1
  Qualité des données
- 13.2
  Transformation de l’information en donnée
- 13.3
  Qualification et enrichissement
- 13.4
  Sécurisation et étanchéité des lacs de données
- 13.5
  Flux de données et organisation dans l’entreprise
- 13.6
  Donnée maître à la donnée de travail
- 13.7
  Mise en oeuvre pratique des différentes phases : nettoyage, enrichissement, organisation des données
Gouvernance des données

7
- 14.1
  Qualité des données
- 14.2
  Transformation de l’information en donnée
- 14.3
  Qualification et enrichissement
- 14.4
  Sécurisation et étanchéité des lacs de données
- 14.5
  Flux de données et organisation dans l’entreprise
- 14.6
  Donnée maître à la donnée de travail
- 14.7
  Mise en oeuvre pratique des différentes phases : nettoyage, enrichissement, organisation des données
Traitements statistiques de base

6
- 15.1
  Introduction aux calculs statistiques
- 15.2
  Paramètres des fonctions
- 15.3
  Applications aux fermes de calculs distribués
- 15.4
  Problématiques induites
- 15.5
  Approximations
- 15.6
  Précision des estimations
Traitements statistiques de base

6
- 16.1
  Introduction aux calculs statistiques
- 16.2
  Paramètres des fonctions
- 16.3
  Applications aux fermes de calculs distribués
- 16.4
  Problématiques induites
- 16.5
  Approximations
- 16.6
  Précision des estimations
Traitements statistiques de base

6
- 17.1
  Introduction aux calculs statistiques
- 17.2
  Paramètres des fonctions
- 17.3
  Applications aux fermes de calculs distribués
- 17.4
  Problématiques induites
- 17.5
  Approximations
- 17.6
  Précision des estimations
Traitements statistiques de base

6
- 18.1
  Introduction aux calculs statistiques
- 18.2
  Paramètres des fonctions
- 18.3
  Applications aux fermes de calculs distribués
- 18.4
  Problématiques induites
- 18.5
  Approximations
- 18.6
  Précision des estimations
Traitements statistiques de base

6
- 19.1
  Introduction aux calculs statistiques
- 19.2
  Paramètres des fonctions
- 19.3
  Applications aux fermes de calculs distribués
- 19.4
  Problématiques induites
- 19.5
  Approximations
- 19.6
  Précision des estimations
Traitements statistiques de base

6
- 20.1
  Introduction aux calculs statistiques
- 20.2
  Paramètres des fonctions
- 20.3
  Applications aux fermes de calculs distribués
- 20.4
  Problématiques induites
- 20.5
  Approximations
- 20.6
  Précision des estimations
Traitements statistiques de base

6
- 21.1
  Introduction aux calculs statistiques
- 21.2
  Paramètres des fonctions
- 21.3
  Applications aux fermes de calculs distribués
- 21.4
  Problématiques induites
- 21.5
  Approximations
- 21.6
  Précision des estimations
Data Mining

3
- 22.1
  Besoin, apports et enjeux
- 22.2
  Extraction et organisation des classes de données
- 22.3
  Analyse factorielle
Data Mining

3
- 23.1
  Besoin, apports et enjeux
- 23.2
  Extraction et organisation des classes de données
- 23.3
  Analyse factorielle
Data Mining

3
- 24.1
  Besoin, apports et enjeux
- 24.2
  Extraction et organisation des classes de données
- 24.3
  Analyse factorielle
Data Mining

3
- 25.1
  Besoin, apports et enjeux
- 25.2
  Extraction et organisation des classes de données
- 25.3
  Analyse factorielle
Data Mining

3
- 26.1
  Besoin, apports et enjeux
- 26.2
  Extraction et organisation des classes de données
- 26.3
  Analyse factorielle
Data Mining

3
- 27.1
  Besoin, apports et enjeux
- 27.2
  Extraction et organisation des classes de données
- 27.3
  Analyse factorielle
Data Mining

3
- 28.1
  Besoin, apports et enjeux
- 28.2
  Extraction et organisation des classes de données
- 28.3
  Analyse factorielle
Machine Learning

12
- 29.1
  Apprentissage automatique
- 29.2
  Définition & les attentes par rapport au Machine Learning
- 29.3
  Valeurs d’observation et variables cibles
- 29.4
  Ingénierie des variables
- 29.5
  Apprentissage supervisé et non supervisé
- 29.6
  Classification des données
- 29.7
  Panorama des différents algorithmes
- 29.8
  Conception de jeux d’essai, entraînement et construction de modèles
- 29.9
  Prévisions à partir de données réelles
- 29.10
  Mesure de l’efficacité des algorithmes
- 29.11
  Courbes ROC
- 29.12
  Parallélisation des algorithmes. Choix automatique.
Machine Learning

12
- 30.1
  Apprentissage automatique
- 30.2
  Définition & les attentes par rapport au Machine Learning
- 30.3
  Valeurs d’observation et variables cibles
- 30.4
  Ingénierie des variables
- 30.5
  Apprentissage supervisé et non supervisé
- 30.6
  Classification des données
- 30.7
  Panorama des différents algorithmes
- 30.8
  Conception de jeux d’essai, entraînement et construction de modèles
- 30.9
  Prévisions à partir de données réelles
- 30.10
  Mesure de l’efficacité des algorithmes
- 30.11
  Courbes ROC
- 30.12
  Parallélisation des algorithmes. Choix automatique.
Machine Learning

12
- 31.1
  Apprentissage automatique
- 31.2
  Définition & les attentes par rapport au Machine Learning
- 31.3
  Valeurs d’observation et variables cibles
- 31.4
  Ingénierie des variables
- 31.5
  Apprentissage supervisé et non supervisé
- 31.6
  Classification des données
- 31.7
  Panorama des différents algorithmes
- 31.8
  Conception de jeux d’essai, entraînement et construction de modèles
- 31.9
  Prévisions à partir de données réelles
- 31.10
  Mesure de l’efficacité des algorithmes
- 31.11
  Courbes ROC
- 31.12
  Parallélisation des algorithmes. Choix automatique.
Machine Learning

12
- 32.1
  Apprentissage automatique
- 32.2
  Définition & les attentes par rapport au Machine Learning
- 32.3
  Valeurs d’observation et variables cibles
- 32.4
  Ingénierie des variables
- 32.5
  Apprentissage supervisé et non supervisé
- 32.6
  Classification des données
- 32.7
  Panorama des différents algorithmes
- 32.8
  Conception de jeux d’essai, entraînement et construction de modèles
- 32.9
  Prévisions à partir de données réelles
- 32.10
  Mesure de l’efficacité des algorithmes
- 32.11
  Courbes ROC
- 32.12
  Parallélisation des algorithmes. Choix automatique.
Machine Learning

12
- 33.1
  Apprentissage automatique
- 33.2
  Définition & les attentes par rapport au Machine Learning
- 33.3
  Valeurs d’observation et variables cibles
- 33.4
  Ingénierie des variables
- 33.5
  Apprentissage supervisé et non supervisé
- 33.6
  Classification des données
- 33.7
  Panorama des différents algorithmes
- 33.8
  Conception de jeux d’essai, entraînement et construction de modèles
- 33.9
  Prévisions à partir de données réelles
- 33.10
  Mesure de l’efficacité des algorithmes
- 33.11
  Courbes ROC
- 33.12
  Parallélisation des algorithmes. Choix automatique.
Machine Learning

12
- 34.1
  Apprentissage automatique
- 34.2
  Définition & les attentes par rapport au Machine Learning
- 34.3
  Valeurs d’observation et variables cibles
- 34.4
  Ingénierie des variables
- 34.5
  Apprentissage supervisé et non supervisé
- 34.6
  Classification des données
- 34.7
  Panorama des différents algorithmes
- 34.8
  Conception de jeux d’essai, entraînement et construction de modèles
- 34.9
  Prévisions à partir de données réelles
- 34.10
  Mesure de l’efficacité des algorithmes
- 34.11
  Courbes ROC
- 34.12
  Parallélisation des algorithmes. Choix automatique.
Machine Learning

12
- 35.1
  Apprentissage automatique
- 35.2
  Définition & les attentes par rapport au Machine Learning
- 35.3
  Valeurs d’observation et variables cibles
- 35.4
  Ingénierie des variables
- 35.5
  Apprentissage supervisé et non supervisé
- 35.6
  Classification des données
- 35.7
  Panorama des différents algorithmes
- 35.8
  Conception de jeux d’essai, entraînement et construction de modèles
- 35.9
  Prévisions à partir de données réelles
- 35.10
  Mesure de l’efficacité des algorithmes
- 35.11
  Courbes ROC
- 35.12
  Parallélisation des algorithmes. Choix automatique.
IA

5
- 36.1
  Introduction aux réseaux de neurones
- 36.2
  Réseaux de neurones à convolution
- 36.3
  Modèles de CNN
- 36.4
  Types de couches
- 36.5
  Deep Learning & Deeplearning4j sur Spark
IA

5
- 37.1
  Introduction aux réseaux de neurones
- 37.2
  Réseaux de neurones à convolution
- 37.3
  Modèles de CNN
- 37.4
  Types de couches
- 37.5
  Deep Learning & Deeplearning4j sur Spark
IA

5
- 38.1
  Introduction aux réseaux de neurones
- 38.2
  Réseaux de neurones à convolution
- 38.3
  Modèles de CNN
- 38.4
  Types de couches
- 38.5
  Deep Learning & Deeplearning4j sur Spark
IA

5
- 39.1
  Introduction aux réseaux de neurones
- 39.2
  Réseaux de neurones à convolution
- 39.3
  Modèles de CNN
- 39.4
  Types de couches
- 39.5
  Deep Learning & Deeplearning4j sur Spark
IA

5
- 40.1
  Introduction aux réseaux de neurones
- 40.2
  Réseaux de neurones à convolution
- 40.3
  Modèles de CNN
- 40.4
  Types de couches
- 40.5
  Deep Learning & Deeplearning4j sur Spark
IA

5
- 41.1
  Introduction aux réseaux de neurones
- 41.2
  Réseaux de neurones à convolution
- 41.3
  Modèles de CNN
- 41.4
  Types de couches
- 41.5
  Deep Learning & Deeplearning4j sur Spark
IA

5
- 42.1
  Introduction aux réseaux de neurones
- 42.2
  Réseaux de neurones à convolution
- 42.3
  Modèles de CNN
- 42.4
  Types de couches
- 42.5
  Deep Learning & Deeplearning4j sur Spark
Risques & erreurs à éviter

2
- 43.1
  Importance de la préparation des données
- 43.2
  Surapprentissage
Risques & erreurs à éviter

2
- 44.1
  Importance de la préparation des données
- 44.2
  Surapprentissage
Risques & erreurs à éviter

2
- 45.1
  Importance de la préparation des données
- 45.2
  Surapprentissage
Risques & erreurs à éviter

2
- 46.1
  Importance de la préparation des données
- 46.2
  Surapprentissage
Risques & erreurs à éviter

2
- 47.1
  Importance de la préparation des données
- 47.2
  Surapprentissage
Risques & erreurs à éviter

2
- 48.1
  Importance de la préparation des données
- 48.2
  Surapprentissage
Risques & erreurs à éviter

2
- 49.1
  Importance de la préparation des données
- 49.2
  Surapprentissage
Visualisation des données

2
- 50.1
  Intérêt de la visualisation
- 50.2
  Outils disponibles
Visualisation des données

2
- 51.1
  Intérêt de la visualisation
- 51.2
  Outils disponibles
Visualisation des données

2
- 52.1
  Intérêt de la visualisation
- 52.2
  Outils disponibles
Visualisation des données

2
- 53.1
  Intérêt de la visualisation
- 53.2
  Outils disponibles
Visualisation des données

2
- 54.1
  Intérêt de la visualisation
- 54.2
  Outils disponibles
Visualisation des données

2
- 55.1
  Intérêt de la visualisation
- 55.2
  Outils disponibles
Visualisation des données

2
- 56.1
  Intérêt de la visualisation
- 56.2
  Outils disponibles

Instructeur

bprigent

0.0

0 commentaire

0 Students

840 Courses

Cybersécurité

Virtualisation

Data, IA, Business Intelligence

Réseaux

Cloud

Systèmes

Développement et webdesign

DevOps

Gestion de projet IT & Management SI

Blockchain

Big Data – Data classification

Aperçu du cours

Prérequis

Fonctionnalités

Public ciblé

Détails

Instructeur

bprigent

Web Analytics – Piano

Tableau Desktop – Exploiter visuellement ses données

Web Sémantique – Organiser et Publier ses Données

Text Mining & Natural Language Processing – Pratique

À PROPOS

NOS FORMATIONS

09 75 75 37 81

contact@ascent-formation.fr

Nous suivre sur les réseaux sociaux

Big Data – Data classification

Aperçu du cours

Prérequis

Fonctionnalités

Public ciblé

Détails

Instructeur

Autres formations

À PROPOS

NOS FORMATIONS

Nous suivre sur les réseaux sociaux

Modal title