CAPGEMINI INSTITUT
Big Data : L'état de l'art
Certification / expertise
14 heure(s)
2005 € HT
Organisme privé de formation continue
Consultez le site de l'organisme
Objectifs
- Guider le responsable SI et les responsables métiers vers la création de valeur à partir des données et répondre à ses préoccupations pratiques de mise en oeuvre. Appréhender les opportunités, les projets réels ; les rôles pour la DSI en rapport direct avec les métiers.
- Data Engineering, Data Science, Machine Learning, Iot. Panorama des solutions et des architectures, modélisation des données, intégration au Système d’Information.
- Stockage des Big Data et Data Lake : Stockage distribué, sécurité, infrastructure. Traitements des Big Data et Data Lab : MapReduce, machine learning en environnement parallèle, traitements des données non structurées.
- Accès aux données en temps réel : NoSQL, InMemory, NewSQL et streaming Big Data.
- Méthodologie pour un projet Big Data : Cadrage, étapes du projet, organisation de nouveaux métiers et gouvernance.
Public visé
Directions informatiques et directions métiers (Marketing, Commerciale, Innovation, etc.).Programme
Big Data, quelles opportunités pour l'entreprise ?Quel Big Data pour l'entreprise ?
- « Buzzword » à ces débuts, quelle définition pragmatique pouvons-nous donner aujourd’hui au Big Data ?
- L’analyse des données au service de la performance : Comment identifier les nouveaux leviers de performance ?
- En quoi Big Data est un enjeu de performance pour les entreprises et les organisations ?
- IA, Cloud, IoT, etc. : Où positionner le Big Data ?
- Les "V" du Big Data, comme standard de définition.
- La DSI comme fournisseur de services IT ou fournisseur de données à valeur ajoutée ?
- Comment, concrètement, le DSI peut-il saisir l’opportunité Big Data ?
- Quels sont les nouveaux challenges pour la DSI ?
- Comment travailler conjointement entre une direction Métier et la DSI ?
- Comment identifier les données à valeur ajoutée ?
- Les nouveaux types de données : Non structurées (message, document), semi-structurées.
- Comment tirer profit des données clients, produits ou de suivi ?
- Grille d’analyse de la valeur des données et des objectifs d’analyse.
- Étude de cas.
- Quelles sont les sources de données internes, externes, gratuites, payantes à exploiter ?
- Comment exploiter les données des réseaux sociaux ? Qu’est-ce que le Data Crunching ?
- La mise à disposition de données gratuites : Open Data.
- Comment exploiter les données des objets connectés ?
- Comment croiser données publiques et privées ?
- Comment utiliser les données provenant du Web ?
- Rappels sur ce que l'on appelle BI ou informatique décisionnelle.
- Les limites de la BI.
- Comparaisons de l'approche Big Data et de l'approche BI.
- Transformation du SI décisionnel.
Le stockage des Big Data :
Technologies de stockage distribué :
- La technologie HDFS : Principes et fonctionnement.
- La granularité de cohérence des données : Les différents niveaux de cohérence.
- Quel dimensionnement ? Serveurs, RAM, CPU, disques, réseau.
- Outils de requêtage et de traitement Hadoop MapReduce.
- Performance et limites du MapReduce.
- Manipulation interactive : Impala, SparkSQL, MPP, Vertical distribué.
- Le transactionnel Big Data NoSQL et NewSQL
- Les principales bases NoSQL : Cassandra, MongoDB, Neo4j.
- Traitements analytiques en temps réel ? Fusionner Big Data et Fast Data.
- Focus sur les bases de données Graph : Exemple de ElasticSearch.
- Panorama des solutions NewSQL : VoltDB, Aerospike, NuoDB.
- Quels sont leurs usages ?
- Quels sont les points clefs de ces stockages ?
- Panorama des solutions Time Series DBMS : InfluxDB, Kdb+, Prometheus.
- Le principe du Xaas, de la scalabilité aux services managés.
- Vue d'ensemble des principaux fournisseurs Data as a Service.
- Principes fondamentaux de leur stockage et coûts associés.
- Data Virtualization : Ou comment dépasser la problématique du stockage.
Les architectures Big Data :
Le fondement des architectures Big Data :
- Quelles sont les évolutions technologiques qui révolutionnent l’architecture technique ?
- Quelles sont les contraintes techniques ? Performance, scalabilité, disponibilité.
- Les caractéristiques d’une architecture Big Data hautement performante.
- Stockage par bloc, stockage objet, l'arrivée du Software Defined Storage.
- Architecture orientée stockage : Hadoop, Spark, MPP.
- Architecture orientée calcul : Grid Computing, GPU.
- Architecture orientée haute disponibilité : NoSQL, NewSQL.
- Architecture orientée évènementiel : CEP, ESP, Storm, Flink, Spark.
- Hadoop : Description et évolutions.
- Mise en pratique d'un cluster Hadoop.
- Focus sur Spark : Définition, technique et cas d'usage.
- Une vision pragmatique grâce aux services managés.
- Une opportunité d'accès à la technologie Big Data.
- AWS, Microsoft, Google. Quelles différences entre les différents fournisseurs?
- Cloud Privé, une solution alternative ?
- Mise en pratique.
- Comment positionner un système Big Data dans le SI ?
- Concepts logiques Big Data : Data Lake, Data Lab, Data Hub ?
- Qu’est-ce que la Lambda Architecture (puis la Kappa et Zeta architecture) ? Quels usages pour chaque architecture ?
- Déploiement physique, Appliance ou Cloud Big Data ?
- Cas d'usage.
- Du Datawarehouse au Datalake.
- Le traitement des objets connectés.
- La prise en charge des données des réseaux sociaux.
Le traitement et l'analyse des Big data :
Ce chapitre synthétise, de façon accessible, les techniques d’analyse des données indispensables au Big Data.
Le cadre juridique des données : RGPD :
- Les données identifiantes et à caractère personnel.
- Les obligations légales des entreprises : Minimisation, finalité, durée de conservation, droits des personnes.
- La propriété intellectuelle des données dans le cadre du Big Data.
- L’évolution du cadre légal européen.
- Mise en pratique de la pseudonymisation, de l'anonymisation de facteur K et du differential privacy.
- Les limites des outils traditionnels d’analyse de données : Excel, BO, etc.
- Comment représenter efficacement des données analytiques ?
- Les outils et composants de visualisation des données Big Data.
- Les principales évolutions du Data Mining vers le Machine Learning et le Deep Learning.
- Les spécificités du Machine Learning pour le Big Data : Haute dimension, occurrences élevées.
- Domaines d’application privilégiés : Marketing, finance, e-commerce, transport, ressources humaines.
- Ethique des algorithmes, sujet d’avenir.
- Les contraintes de parallélisme des algorithmes de Machine Learning.
- Les librairies de Machine Learning : Spark MLlib, Mahout, Hama, Scikit Learn, R, Tensor Flow.
- Étude de cas.
- Fondamentaux du traitement MapReduce.
- Fonctionnement MapReduce dans Hadoop.
- Points de vigilance et administration.
- Les principes de l’analyse sémantique : Sentiment, univers, corrélation.
- Les principes de l’analyse des images pour le Machine Learning.
- Étude de cas.
La méthodologie pour un projet Big Data :
Le cadrage des projets Big Data :
- Les différentes facettes à cadrer des projets Big Data.
- Comment intégrer l’incertitude au Business Case projet ?
- Comment estimer le budget et le délai d’un projet Big Data Analytics ?
- Une approche projet nécessairement agile, mix entre Scrum et Kanban : ScrumBan.
- La fin du POC : Du POV à l'industrialisation.
- Comment manager un projet Big Data ?
- Les étapes d’un projet Big Data phase par phase.
- Mise en pratique.
- Quels sont les nouveaux métiers du Big Data ?
- Data Scientist, Data Engineer, Data Stewards et maintenant Data Ops : Qui recruter pour quels besoins ?
- Quelle gouvernance pour le Big Data ?
- Les différentes formes d’organisation. Retours d’expérience.
- Comment recruter et organiser la montée en compétences des équipes ?
La formation "Big Data : L'état de l'art" vous intéresse ?
Recevez gratuitement le programme de la formation par CAPGEMINI INSTITUT.
Les prochaines sessions
Centre
CAPGEMINI INSTITUT
147 Quai Président Roosevelt
92136 Issy les moulineaux cedex
> Voir la carte
Les internautes qui ont consulté cette annonce ont aussi consulté:
PROFORMALYS
Maîtriser les principales fonctionnalités : Calcul numérique et visualisation.Prendre rapidement...
De l'année 2020 à 2021 à Paris
CAPGEMINI INSTITUT
Examiner la place de la Cyberassurance comme une solution de financement en complément des mesures...
Prochaine session le 06/10/2020 à Paris
CAPGEMINI INSTITUT
Savoir développer des comportements de réussite en environnement turbulent.Prendre du recul afin...
Prochaine session le 26/08/2020 à Paris
En résumé
Objectif
Certification / expertise
Durée
14 heure(s)
Coût
2005 € HT
Modes d'enseignement
En école ou centre de formation