Formation et Certification BIG DATA & Machine Learning en ligne et à Rabat Agdal et Casa Maârif- Maroc

big-data-and-hadoop-guide

Formation et Certification BIG DATA et  Machine Learning – en ligne et à Rabat et Casa Maârif Maroc

Objectifs:

Formation et certification BIG DATA & Machine Learning en téléprésentiel à Rabat Casablanca Maroc a pour objectif :

  • Comprendre le phénomène Big Data et les notions qu’il recouvre.
  • Comprendre pourquoi tout le monde parle du Big Data et son impact dans l’entreprise.
  • Comment faire du Big Data ? Sur quelle plateforme technologique s’appuyer ?
  • Identifier et s’approprier les outils de l’écosystème Hadoop pour chaque cas d’usage.
  • Faire des labs pour maîtriser les composants du hadoop ecosystème: sqoop, hive, pig, flume…
  • Maîtriser les algorithmes du machine learning: Clustering, Kmeans, Association Rules, Regression, Classification, Decision Tree and Naive Bayes.

Public:

Toute personne dans le domaine de l’IT ou Statistique désirant Comprendre le Big Data, Data Science et Machine Learning.

Pre-requis

Aucune connaissance sur la machine learning n’est requise, il est conseillé de disposer de connaissances en programmation , l’algorithme et SQL .

Session en ligne:

  • Dates: 31 Octobre-01, 07-08, 14 Novembre, 05-06, 12 Décembre 2020.
  • Nombre de jours: 10 jours -02 jours en ligne + 08 jours en téléprésentiels   (6h/j).
  • Horaire: De 9h00 à 15h00
  • Contacts:
    • Rabat           : +212653906825 | +212537681495
    • Casablanca: +212777376560 | +212522986758
    • Paris             : +33184803359

Session Rabat:

  • Dates: 31 Octobre-01, 07-08, 14 Novembre, 05-06, 12 Décembre 2020.
  • Nombre de jours: 10 jours – 02 jours en ligne + 08 jours en présentiels   (6h/j).
  • Horaires: de 08h30 à 14h30
  • Lieu de la formation: 15, Avenue de France, Appt N°3, Agdal, RABAT (à côté de Pizza Hut), +212537681495 | +212653906825

Session Casablanca:

  • Dates: seront précisées ultérieurement.
  • Nombre de jours: 10 jours – 02 jours en ligne + 08 jours en présentiels   (6h/j).
  • Horaires: de 08h30 à 14h30
  • Lieu de la formation: 219 BD Zerktouni Angle BD Roudani 1 er étage, Apt N° 14, Boulevard Brahim Roudani, Casablanca, +212522986758 | +212777376560

Formateurs:

  • Ingénieur d’Etat et consultant BIG DATA, lauréat de l’université Alakhawayn, le formateur a un doctorat en informatique de l’ENSIAS en partenariat avec l’université de Quebec. Il a plus de 12 ans d’expérience dans le domaine professionnel, ainsi il était consultant et chef de projet dans une grande multinationale. Notre formateur possède plusieurs certifications en BIG DATA et SPARK. Il a aussi animé plusieurs formation BIG DATA et Machine Learning pour des grands comptes tel que: Inwi, Orange, Maroc PME, Altran, PhoneGroup, Avito, Xhub, Lydec…
  • Ingénieur d’Etat et consultant statisticien, lauréat de l’Institut National de Statistique et d’Economie Appliquée (INSEA), le formateur a ainsi un doctorat en Statistique de la faculté des sciences de Rabat. Notre formateur a plus de 12 ans d’expérience dans le domaine professionnel (secteur privé et public), avec une expertise en matière de traitement et modélisation des données et une bonne connaissance des secteurs économiques. Il a aussi animé plusieurs formations de Machine Learning, dans le cadre de plusieurs groupes de travail et au profit des étudiants universitaires et des grands comptes.

Déroulement:

  • Les horaires peuvent être adaptés en fonction des disponibilités des différents participants.
  • Une attestation de suivi de formation vous sera remise en fin de formation.

Nos références:

 

Course Features

  • Lectures 46
  • Quizzes 0
  • Duration 48 Heures
  • Skill level Tous Niveaux
  • Language Français
  • Students 0
  • Assessments Yes
  • Chapter 1: BIG DATA. 4

    • Lecture1.1
      Introduction au Big Data
    • Lecture1.2
      Qu’est-ce que Big Data?
    • Lecture1.3
      Cas d’utilisation du BIG DATA
    • Lecture1.4
      Détails techniques des grands composants de données
  • Chapter 2: HADOOP 9

    • Lecture2.1
      Introduction à Hadoop
    • Lecture2.2
      Architecture de Hadoop
    • Lecture2.3
      Administration de Hadoop
    • Lecture2.4
      Composants Hadoop
    • Lecture2.5
      Installation de la distrubution Cloudera
    • Lecture2.6
      Configuration d’une distribution BIG DATA dans le Cloud
    • Lecture2.7
      Commandes Hadoop
    • Lecture2.8
      MAPReduce and YARN
    • Lecture2.9
      LAB : Création d’une application MAPREDUCE & YARN
  • Chapter 3: HADOOP ECOSYSTÈME 10

    • Lecture3.1
      SQOOP
    • Lecture3.2
      LAB : SQOOP (Cloudera, MAPR, Hortonworks ou Cloud)
    • Lecture3.3
      Base de données NOSQL : HBASE
    • Lecture3.4
      LAB : HBASE (Cloudera, MAPR, Hortonworks ou Cloud)
    • Lecture3.5
      FLUME
    • Lecture3.6
      LAB : FLUME (Cloudera, MAPR, Hortonworks ou Cloud)
    • Lecture3.7
      HIVE
    • Lecture3.8
      LAB : HIVE (Cloudera, MAPR, Hortonworks ou Cloud)
    • Lecture3.9
      PIG
    • Lecture3.10
      LAB : PIG (Cloudera, MAPR, Hortonworks ou Cloud)
  • Chapter 4: Machine Learning- Introduction 3

    • Lecture4.1
      Data Science
    • Lecture4.2
      Who is a Datascientist
    • Lecture4.3
      Data Scientist
  • Chapter 5: Règles d’association, Arbres de décision et les forêts (aléatoires) d’arbres décisionnels 11

    • Lecture5.1
      Présentation des librairies de Machine Learning sous R, Python et Scala ;
    • Lecture5.2
      Préparation des échantillons : Notions préliminaires sur l’échantillonnage, échantillons d’apprentissage, de validation et de test ;
    • Lecture5.3
      Introduction du concept de règle d’association : exemples et définitions ;
    • Lecture5.4
      Présentation des concepts de : support, confidence, lift et leverage;
    • Lecture5.5
      Etudes de cas pratiques sur les règles d’association ;
    • Lecture5.6
      Fondements des algorithmes relatifs aux règles d’association : Apriori, Euclat, FP-growth ;
    • Lecture5.7
      Présentation du principe de la classification : quelques exemples pratiques ;
    • Lecture5.8
      Evaluation du degré de désordre : principe d’entropie, indice de Gini, gain d’information ;
    • Lecture5.9
      Etude de cas pratiques sur l’arbre de décision ;
    • Lecture5.10
      Forêts aléatoire vs arbre de décision : présentation de concepts et comparaison ;
    • Lecture5.11
      Etude de cas pratiques sur les forêts aléatoires.
  • Chapter 6: La classification avec Naïve Bayes, SVM, KNN et neural network 9

    • Lecture6.1
      Pourquoi « Naïve » bayes ?
    • Lecture6.2
      Classification avec naïve bayes : concepts et études de cas pratiques ;
    • Lecture6.3
      Présentation des concepts de SVM : supports, marginal, problème linéaire, fonctions kernel ;
    • Lecture6.4
      Classification avec SVM : études de cas pratiques
    • Lecture6.5
      Notions sur les distances, les métriques et les mesures de discordance et de similarité ;
    • Lecture6.6
      Mise en pratique de KNN : présentation des concepts et études de cas pratiques ;
    • Lecture6.7
      Les réseaux de neurones : définition des neurones, couches, fonctions d’activation et biais ;
    • Lecture6.8
      Mise en pratique des réseaux de neurones ;
    • Lecture6.9
      Perfectionner les réseaux de neurones : vers des réseaux de neurones profonds.

Reviews

Average Rating

0
0 rating

Detailed Rating

5
0%
4
0%
3
0%
2
0%
1
0%
5,500.00MAD

Inscrivez-vous


Call Now Button
Select your currency
MADDirham marocain
EUR Euro