Big Data - Le Développement D'applications Et La Data Visualisation

Aperçu du cours

Objectif de formation : Développer à l’aide de divers outils des applications et comprendre la data visualisation & ses usages

Prérequis

Maîtriser les mathématiques avancées
Savoir manipuler Python

Fonctionnalités

Créer des applications avec Spark
Exploiter la programmation parallèle sur un cluster
Appréhender et utiliser les algorithmes standards de Machine Learning
Utiliser la bibliothèque Python pour le Machine Learning
Comprendre le cycle d’un projet Data Science

Public ciblé

Développeur, Data analysts, Data scientists, experts en Big Data...

Détails

35 Sections
224 Lessons
35 heures

Expand all sectionsCollapse all sections

Tour d'horizon du Big Data

7
- 1.1
  Présentation du Big Data
- 1.2
  Définition
- 1.3
  Enjeux et apports du Big Data
- 1.4
  Le marché du Big Data
- 1.5
  Démystifier le Big Data
- 1.6
  Les technologies du Big Data
- 1.7
  Les métiers du Big Data
Tour d'horizon du Big Data

7
- 2.1
  Présentation du Big Data
- 2.2
  Définition
- 2.3
  Enjeux et apports du Big Data
- 2.4
  Le marché du Big Data
- 2.5
  Démystifier le Big Data
- 2.6
  Les technologies du Big Data
- 2.7
  Les métiers du Big Data
Tour d'horizon du Big Data

7
- 3.1
  Présentation du Big Data
- 3.2
  Définition
- 3.3
  Enjeux et apports du Big Data
- 3.4
  Le marché du Big Data
- 3.5
  Démystifier le Big Data
- 3.6
  Les technologies du Big Data
- 3.7
  Les métiers du Big Data
Tour d'horizon du Big Data

7
- 4.1
  Présentation du Big Data
- 4.2
  Définition
- 4.3
  Enjeux et apports du Big Data
- 4.4
  Le marché du Big Data
- 4.5
  Démystifier le Big Data
- 4.6
  Les technologies du Big Data
- 4.7
  Les métiers du Big Data
Tour d'horizon du Big Data

7
- 5.1
  Présentation du Big Data
- 5.2
  Définition
- 5.3
  Enjeux et apports du Big Data
- 5.4
  Le marché du Big Data
- 5.5
  Démystifier le Big Data
- 5.6
  Les technologies du Big Data
- 5.7
  Les métiers du Big Data
Tour d'horizon du Big Data

7
- 6.1
  Présentation du Big Data
- 6.2
  Définition
- 6.3
  Enjeux et apports du Big Data
- 6.4
  Le marché du Big Data
- 6.5
  Démystifier le Big Data
- 6.6
  Les technologies du Big Data
- 6.7
  Les métiers du Big Data
Tour d'horizon du Big Data

7
- 7.1
  Présentation du Big Data
- 7.2
  Définition
- 7.3
  Enjeux et apports du Big Data
- 7.4
  Le marché du Big Data
- 7.5
  Démystifier le Big Data
- 7.6
  Les technologies du Big Data
- 7.7
  Les métiers du Big Data
Python, les mathématiques et SQL

3
- 8.1
  Python
- 8.2
  Les mathématiques de base: algèbre, statistiques, probabilités
- 8.3
  SQL
Python, les mathématiques et SQL

3
- 9.1
  Python
- 9.2
  Les mathématiques de base: algèbre, statistiques, probabilités
- 9.3
  SQL
Python, les mathématiques et SQL

3
- 10.1
  Python
- 10.2
  Les mathématiques de base: algèbre, statistiques, probabilités
- 10.3
  SQL
Python, les mathématiques et SQL

3
- 11.1
  Python
- 11.2
  Les mathématiques de base: algèbre, statistiques, probabilités
- 11.3
  SQL
Python, les mathématiques et SQL

3
- 12.1
  Python
- 12.2
  Les mathématiques de base: algèbre, statistiques, probabilités
- 12.3
  SQL
Python, les mathématiques et SQL

3
- 13.1
  Python
- 13.2
  Les mathématiques de base: algèbre, statistiques, probabilités
- 13.3
  SQL
Python, les mathématiques et SQL

3
- 14.1
  Python
- 14.2
  Les mathématiques de base: algèbre, statistiques, probabilités
- 14.3
  SQL
Les algorithmes du Machine Learning

11
- 15.1
  Les notions clés du ML
- 15.2
  Les données supervisées vs les données non-supervisées
- 15.3
  Régression
- 15.4
  Les modèles linéaires
- 15.5
  Classification
- 15.6
  Naive Bayer
- 15.7
  K-NN
- 15.8
  K-Means clustering
- 15.9
  Le deep learning et les réseaux neuronaux
- 15.10
  Les arbres de décisions et de régression
- 15.11
  Support Vector Machines
Les algorithmes du Machine Learning

11
- 16.1
  Les notions clés du ML
- 16.2
  Les données supervisées vs les données non-supervisées
- 16.3
  Régression
- 16.4
  Les modèles linéaires
- 16.5
  Classification
- 16.6
  Naive Bayer
- 16.7
  K-NN
- 16.8
  K-Means clustering
- 16.9
  Le deep learning et les réseaux neuronaux
- 16.10
  Les arbres de décisions et de régression
- 16.11
  Support Vector Machines
Les algorithmes du Machine Learning

11
- 17.1
  Les notions clés du ML
- 17.2
  Les données supervisées vs les données non-supervisées
- 17.3
  Régression
- 17.4
  Les modèles linéaires
- 17.5
  Classification
- 17.6
  Naive Bayer
- 17.7
  K-NN
- 17.8
  K-Means clustering
- 17.9
  Le deep learning et les réseaux neuronaux
- 17.10
  Les arbres de décisions et de régression
- 17.11
  Support Vector Machines
Les algorithmes du Machine Learning

11
- 18.1
  Les notions clés du ML
- 18.2
  Les données supervisées vs les données non-supervisées
- 18.3
  Régression
- 18.4
  Les modèles linéaires
- 18.5
  Classification
- 18.6
  Naive Bayer
- 18.7
  K-NN
- 18.8
  K-Means clustering
- 18.9
  Le deep learning et les réseaux neuronaux
- 18.10
  Les arbres de décisions et de régression
- 18.11
  Support Vector Machines
Les algorithmes du Machine Learning

11
- 19.1
  Les notions clés du ML
- 19.2
  Les données supervisées vs les données non-supervisées
- 19.3
  Régression
- 19.4
  Les modèles linéaires
- 19.5
  Classification
- 19.6
  Naive Bayer
- 19.7
  K-NN
- 19.8
  K-Means clustering
- 19.9
  Le deep learning et les réseaux neuronaux
- 19.10
  Les arbres de décisions et de régression
- 19.11
  Support Vector Machines
Les algorithmes du Machine Learning

11
- 20.1
  Les notions clés du ML
- 20.2
  Les données supervisées vs les données non-supervisées
- 20.3
  Régression
- 20.4
  Les modèles linéaires
- 20.5
  Classification
- 20.6
  Naive Bayer
- 20.7
  K-NN
- 20.8
  K-Means clustering
- 20.9
  Le deep learning et les réseaux neuronaux
- 20.10
  Les arbres de décisions et de régression
- 20.11
  Support Vector Machines
Les algorithmes du Machine Learning

11
- 21.1
  Les notions clés du ML
- 21.2
  Les données supervisées vs les données non-supervisées
- 21.3
  Régression
- 21.4
  Les modèles linéaires
- 21.5
  Classification
- 21.6
  Naive Bayer
- 21.7
  K-NN
- 21.8
  K-Means clustering
- 21.9
  Le deep learning et les réseaux neuronaux
- 21.10
  Les arbres de décisions et de régression
- 21.11
  Support Vector Machines
Machine Learning & Spark

6
- 22.1
  Présentation d’Apache Spark
- 22.2
  Spark MLlib : le Machine Learning
- 22.3
  Spark Streaming : le traitement des données en temps réel
- 22.4
  Spark SQL : les requêtes SQL
- 22.5
  Spark GraphX : création de graphe
- 22.6
  Le stockage & les graphes
Machine Learning & Spark

6
- 23.1
  Présentation d’Apache Spark
- 23.2
  Spark MLlib : le Machine Learning
- 23.3
  Spark Streaming : le traitement des données en temps réel
- 23.4
  Spark SQL : les requêtes SQL
- 23.5
  Spark GraphX : création de graphe
- 23.6
  Le stockage & les graphes
Machine Learning & Spark

6
- 24.1
  Présentation d’Apache Spark
- 24.2
  Spark MLlib : le Machine Learning
- 24.3
  Spark Streaming : le traitement des données en temps réel
- 24.4
  Spark SQL : les requêtes SQL
- 24.5
  Spark GraphX : création de graphe
- 24.6
  Le stockage & les graphes
Machine Learning & Spark

6
- 25.1
  Présentation d’Apache Spark
- 25.2
  Spark MLlib : le Machine Learning
- 25.3
  Spark Streaming : le traitement des données en temps réel
- 25.4
  Spark SQL : les requêtes SQL
- 25.5
  Spark GraphX : création de graphe
- 25.6
  Le stockage & les graphes
Machine Learning & Spark

6
- 26.1
  Présentation d’Apache Spark
- 26.2
  Spark MLlib : le Machine Learning
- 26.3
  Spark Streaming : le traitement des données en temps réel
- 26.4
  Spark SQL : les requêtes SQL
- 26.5
  Spark GraphX : création de graphe
- 26.6
  Le stockage & les graphes
Machine Learning & Spark

6
- 27.1
  Présentation d’Apache Spark
- 27.2
  Spark MLlib : le Machine Learning
- 27.3
  Spark Streaming : le traitement des données en temps réel
- 27.4
  Spark SQL : les requêtes SQL
- 27.5
  Spark GraphX : création de graphe
- 27.6
  Le stockage & les graphes
Machine Learning & Spark

6
- 28.1
  Présentation d’Apache Spark
- 28.2
  Spark MLlib : le Machine Learning
- 28.3
  Spark Streaming : le traitement des données en temps réel
- 28.4
  Spark SQL : les requêtes SQL
- 28.5
  Spark GraphX : création de graphe
- 28.6
  Le stockage & les graphes
La Data Visualisation

5
- 29.1
  Définition
- 29.2
  Le marché de la Data Visualisation
- 29.3
  Les outils et leur catégorisation
- 29.4
  Le fonctionnement des outils de Data Visualisation
- 29.5
  Présentation de plusieurs outils de Data Visualisation (Kiaban, Hue, Tableau…)
La Data Visualisation

5
- 30.1
  Définition
- 30.2
  Le marché de la Data Visualisation
- 30.3
  Les outils et leur catégorisation
- 30.4
  Le fonctionnement des outils de Data Visualisation
- 30.5
  Présentation de plusieurs outils de Data Visualisation (Kiaban, Hue, Tableau…)
La Data Visualisation

5
- 31.1
  Définition
- 31.2
  Le marché de la Data Visualisation
- 31.3
  Les outils et leur catégorisation
- 31.4
  Le fonctionnement des outils de Data Visualisation
- 31.5
  Présentation de plusieurs outils de Data Visualisation (Kiaban, Hue, Tableau…)
La Data Visualisation

5
- 32.1
  Définition
- 32.2
  Le marché de la Data Visualisation
- 32.3
  Les outils et leur catégorisation
- 32.4
  Le fonctionnement des outils de Data Visualisation
- 32.5
  Présentation de plusieurs outils de Data Visualisation (Kiaban, Hue, Tableau…)
La Data Visualisation

5
- 33.1
  Définition
- 33.2
  Le marché de la Data Visualisation
- 33.3
  Les outils et leur catégorisation
- 33.4
  Le fonctionnement des outils de Data Visualisation
- 33.5
  Présentation de plusieurs outils de Data Visualisation (Kiaban, Hue, Tableau…)
La Data Visualisation

5
- 34.1
  Définition
- 34.2
  Le marché de la Data Visualisation
- 34.3
  Les outils et leur catégorisation
- 34.4
  Le fonctionnement des outils de Data Visualisation
- 34.5
  Présentation de plusieurs outils de Data Visualisation (Kiaban, Hue, Tableau…)
La Data Visualisation

5
- 35.1
  Définition
- 35.2
  Le marché de la Data Visualisation
- 35.3
  Les outils et leur catégorisation
- 35.4
  Le fonctionnement des outils de Data Visualisation
- 35.5
  Présentation de plusieurs outils de Data Visualisation (Kiaban, Hue, Tableau…)

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 – Le développement d’applications et la Data Visualisation

Aperçu du cours

Prérequis

Fonctionnalités

Public ciblé

Détails

Instructeur

bprigent

À PROPOS

NOS FORMATIONS

02 23 25 81 51

contact@ascent-formation.fr

Nous suivre sur les réseaux sociaux

Big Data – Le développement d’applications et la Data Visualisation

Aperçu du cours

Prérequis

Fonctionnalités

Public ciblé

Détails

Instructeur

Autres formations

À PROPOS

NOS FORMATIONS

Nous suivre sur les réseaux sociaux

Modal title