Cursus Data Scientist

1 - Big Data – Les fondamentaux de l’analyse de données (3j)

• Objectif : Disposer des connaissances et compétences nécessaires pour identifier et collecter des données et s’assurer de leur qualité et de leur alignement sur les besoins et usages métiers de l’entreprise
• Introduction : les nouvelles frontières du Big Data : immersion, l’approche des 4 Vs, cas d'usages du Big Data, technologies, architecture, stockage, introduction au Machine Learning, Data Scientist & Big Data, compétences, la vision du Gartner
• La collecte des données : typologie des sources, les données non structurées, typologie 3V des sources, les données ouvertes (Open Data), nouveau paradigme de l’ETL à l’ELT, le concept du Data Lake,les API de réseaux sociaux
• Le calcul massivement parallèle : genèse et étapes clés, Hadoop : Fonctions cœurs, HDFS – Différenciation, HDFS - un système distribué, MapReduce : aspects fonctionnels et techniques, Apache PIG et Apache HIVE, Comparatif des 3 approches, limitations de MapReduce, moteur d'exécution Apache TEZ, la rupture Apache SPARKHive in Memory : LLAP, vers une prochaine Révolution
• Les nouvelles formes de stockage : enjeux, le “théorème” CAP, nouveaux standards : ACID => BASE, panorama des bases de données NoSQL, bases de données Clé-Valeur, bases de données Document, bases de données colonnes, bases de données Graphes
• Le Big Data Analytics : Analyse de cas concrets, que peuvent apprendre les machines ?, les différentes expériences (E), l’apprentissage, choisir un algorithme d’apprentissage machine, anatomie d’un modèle d’apprentissage automatique, les librairies de machine learning standards et Deep Learning, assurer la qualité de la donnée
• SPARK :Les différents modes de travail,les 3 systèmes de gestion de cluster ,modes d'écriture des commandes Spark, machine learning avec Spark , travail sur les variables prédictives, la classification et la régression
• : architectures types de traitement de Streams, Apache NIFI,Apache KAFKA, articulation NIFI et KAFKA, Apache STORM, langage (agnostique), articulation KAFKA et STORM, comparatif STORM / SPARK
• Déploiement d’un projet Big Data : Cloud Computing , 5 caractéristiques essentielles, 3 modèles de services, modes (SaaS , PaaS, IaaS), Hadoop : exemples d'usages types, écosystème, fonctions cœurs, système de stockage HDFS, Map Reduce, infrastructure YARN, distributions Hadoop
• La gouvernance des données Big Data : outils de gouvernance Big Data, les 3 piliers, le management de la qualité des données, le management des métadonnées Big Data, management de la sécurité, de la conformité et la confidentialité

2 - Les fondamentaux de l'analyse statistique avec R (3j)

• Objectif : Disposer des connaissances nécessaires pour utiliser le logiciel libre de traitement des données "R" qui permet de réaliser des analyses statistiques et de les restituer sous forme graphique
• Introduction : présentation de R
• Installation de R ou Microsoft R Open sur MS Windows ou Scientific Linux
• Utilisation : console de commande, dossier de travail, espace de travail, historique des commandes, script
• Manipulation de packages : installation, désinstallation, mise à jour
• Types de données : manipulations de scalaires, de nombres complexes, de variables, de vecteurs, de matrices, de textes, de dates et de durées
• Import et export de données : données Excel, Access, csv, xm, json, MySQL, Oracle, fichiers SAS
• Manipulation de données : utilisation du SQL, data frames, tris, filtres, fusions, doublons
• Analyse de données : synthèses, valeurs absentes, variables pseudo-aléatoires, statistiques descriptives, intégration numérique et algébrique

3 - Analyse statistique avancée avec R (3j)

• Objectif : Etre en mesure d’exploiter les fonctionnalités avancées de R et être ainsi à même d’analyser tous types de données dans un projet Big Data
• Introduction : analyses avancées avec R
• Travailler avec des échantillons
• Réaliser des tests d'ajustement : tests d’Anderson-Darling et de Shapiro-Wilk
• Estimation et intervalles de confiance
• Analyses statistiques avancées : test t-Student, test de Poisson, test binomial exact, proportions, transformations de Box-Cox et de Johnson
• fixe(s), test de Student, test de Tukey HSD, test de Levene et Bartlett, ACP, AFE

4 - Data Mining et Machine Learning (3j)

• Objectif : Maîtriser le Data Mining et le Machine Learning pour explorer de très importants volumes de données et construire des modèles répondant aux problèmes très variés des entreprises
• Introduction : Data Mining vs Big Data, vs Machine Learning vs Deep Learning, apprentissage supervisé vs non supervisé et méta-apprentissage
• Ingénierie de la décision : analyse procédurale hiérarchique, problème d’association stable, chaîne de Markove discrète, jeu d’entraînement et de test
• Sélection d’instances : échantillonnages balancés et stratifié
• : analyse en composantes principales, analyse d'affinité, agglomération hiérarchique & dendrogrammes, positionnement multidimensionnel, K-means, SVM
• Machine Learning : régression logistique binaire, GLM, One-R, regroupements, arbres aléatoires, K-NN, détections automatiques d’interactions, analyses discriminantes, réseaux de neurones
• Text Mining : analyse statistique de corpus, détection de langues, de genres, table de contingence de mots, analyse de sentiments, LSA
• Big Data : gestion de gros volumes de données

5 - Big Data : mise en œuvre d'une solution complète d'analyse des données (4j)

• Objectif : Savoir mettre en œuvre une solution complète de Big Data en environnement Hadoop et disposer des compétences nécessaires au traitement et à l’analyse des données
• Collecter les données : sources, outils, données semi-structurées et non-structurées
• Stocker les données : formes de stockage, technologies, données non structurées, écosystème Hadoop, infrastructure matérielle et logicielle, MapReduce, PIG, HIVE
• Analyser les données : requêtes, analyse de données non structurées, analyse statistique et prédictive, tendances, programmes d’automatisation des analyses, Machine Learning, Deep Learning
• Transformer les données en décisions : besoins utilisateurs, traduction en requêtes, vérification de la qualité des données, indice de confiance

6 - Big Data - Analyse, Data Visualisation et introduction au Data StoryTelling pour la restitution de données (2j)

• Objectif : Etre en mesure de concevoir des modèles de documents adaptés aux besoins métiers de l’entreprise et savoir mettre en œuvre différentes techniques de visualisation graphique, de mise en récit et de présentation permettant de valoriser les données
• Data Visualisation ou la découverte de la grammaire graphique : des chiffres aux graphiques, les 3 dimensions, Tableau Software, de l'idée d'un graphique à sa formalisation dans un outil
• Data Storytelling : présentation, exemples, techniques et outils de la mise en récit des données, Storytelling des idées et des données
• Comment construire son histoire : pitch, scénario, schéma narratif, méthodologies
• Les outils : fonctions de Storytelling des outils de BI, le module Data Storytelling de Tableau Software, autres outils