Filière Data/IA
| Élément | Détails |
|---|---|
| 📆 Durée | 2 jours – 14 heures |
| 📅 Dates | 6–7 octobre 2025 |
| 🌍 Lieu | À distance (Zoom + supports partagés) |
| 👥 Participants | 20 places maximum |
| 💶 Prix | 599.99 € HT |
| 🎯 Objectifs pédagogiques |
|
| 💻 Matériel requis | Ordinateur avec webcam et micro, Python (Anaconda), Jupyter |
| 📚 Supports | 📄 Télécharger le détail de la formation 1 |
| Élément | Détails |
|---|---|
| 📆 Durée | 3 jours – 21 heures |
| 📅 Dates | 6-7, 13-14 et 20-21 octobre 2025 |
| 🌍 Lieu | À distance (Zoom + supports partagés) |
| 👥 Participants | 15 places maximum |
| 💶 Prix | 999.99 € HT |
| 🎯 Objectifs pédagogiques |
|
| 💻 Matériel requis | Ordinateur avec webcam et micro, Python (Anaconda), Jupyter |
| 📚 Supports | 📄 Télécharger le détail de la formation 2 |
| Élément | Détails |
|---|---|
| 📆 Durée | 2 jours – 14 heures |
| 🌍 Format | En ligne ou présentiel |
| 👥 Public | DevOps, Cloud Engineers, Développeurs |
| 💶 Prix | 699.99 € HT |
| 🎯 Objectifs pédagogiques |
|
| 📚 Contenu détaillé |
Jour 1 - Introduction et prise en main (7h)
|
| 💻 Prérequis | Bases en virtualisation et réseaux, Docker, systèmes Linux, architectures distribuées |
| 🛠️ Outils utilisés | Kubernetes, Minikube, kubectl, Play with Kubernetes, Lens/K9s, Prometheus, Grafana |
| ✅ Évaluation | QCM final (30%) + TP complet (50%) + Participation (20%) |
| 📄 Ressources fournies | Support PDF, Manifests YAML, Cheat sheet kubectl, Documentation, parcours certifications (CKA, CKAD) |
| Élément | Détails |
|---|---|
| 📆 Durée | 2 jours – 14 heures |
| 🌍 Format | En ligne ou présentiel |
| 👥 Public | Data Engineers, Data Scientists niveau avancé |
| 💶 Prix | 699.99 € HT |
| 🎯 Objectifs pédagogiques |
|
| 📚 Contenu détaillé |
Jour 1 - Principes et bases (7h)
|
| 💻 Prérequis | Python (Pandas, NumPy), SQL, bases du data processing |
| 🛠️ Outils utilisés | Python, Apache Spark (PySpark), Dask, Google Colab, Apache Airflow |
| ✅ Évaluation | QCM (20%) + Mini-projet pipeline (60%) + Participation (20%) |
| 📄 Ressources fournies | Support PDF complet, Jupyter Notebooks, Cheat sheet PySpark, Datasets, Code GitHub |
Statistiques descriptives et inférentielles, tests d'hypothèses, régression, applications en Data Science.
Apprentissage automatique : algorithmes supervisés et non supervisés, évaluation de modèles, cas pratiques.
Techniques de visualisation de données, création de dashboards interactifs, storytelling avec les données.
Introduction aux technologies Big Data, écosystème Hadoop, traitement de données massives.
Développement d'applications ML de bout en bout : APIs, déploiement de modèles, interfaces utilisateur.
Réseaux de neurones, architectures CNN et RNN, frameworks (TensorFlow, PyTorch), applications pratiques.
Python avancé : POO, design patterns, tests unitaires, bonnes pratiques de développement.
Architectures avancées : Transformers, GANs, Transfer Learning, optimisation et déploiement en production.
Projet complet de A à Z : collecte de données, nettoyage, modélisation, déploiement et présentation.