La "science des données" nécessite des compétences spécifiques afin de prévoir le comportement des clients ou anticiper des tendances. Ce cycle Data Scientist vous apportera les meilleures pratiques en vigueur, et vous permettra de mettre en oeuvre les méthodes et outils destinés à "faire parler les données".
Les sites et dates disponibles
Lieu
Date de début
Paris la Défense
((92) Hauts-de-Seine)
la Grande Arche, Paroi Nord, 92044
Date de début
Dates au choixInscriptions ouvertes
À propos de cette formation
Objectifs pédagogiques
Comprendre le rôle stratégique des données dans l'entreprise et savoir maîtriser leur qualité
Comprendre et mettre en pratique l'essentiel des modèles statistiques
Mettre en pratique les techniques de modélisation du Data Mining
Maîtriser les outils et pratiques d'analyse des données propres au Big Data
Questions / Réponses
Ajoutez votre question
Nos conseillers et autres utilisateurs pourront vous répondre
Notre équipe va devoir vérifier votre question pour s'assurer qu'elle respecte notre règlement de publication. D'autre part, nous avons remarqué d'après vos réponses qu'il est possible que vous n'ayez pas la possibilité de vous inscrire à cette formation. Ceci peut-être dû à votre localisation géographique, à votre niveau académique, etc. Veuillez consulter directement l'établissement concerné pour toute information supplémentaire.
Merci beaucoup!
Nous sommes en train d'examiner votre question. Nous la publierons prochainement.
Préférez-vous que l'établissement vous contacte directement?
Les Avis
Avez-vous suivi ce cours? Partagez votre avis
Les matières
Analyse de résultats
Statistique
Data mining
Qualité
Définition
Gouvernance des rôles
Modèles statistiques
Data
Database
Data base
Le programme
PROGRAMME DE FORMATION
» Présentation de la gouvernance des données
Rôle stratégique des données pour l'entreprise.
Etat des lieux sur la qualité des données. Définition des notions "Donnée" et "Information".
Evaluer la qualité des données des entreprises. Réconciliation des données.
Contrôle de qualité et bonnes pratiques.
Cycle de vie des données : archivage de base de données. Confidentialité des données.
Présentation des offres de MDM.
Travaux pratiques
Arriver à un consensus sur la qualité des données. Lien qualité des données et solvabilité II.
» L'essentiel des modèles statistiques
Fondamentaux de la statistique descriptive.
Démarche et modélisation d'une analyse statistique.
Paramètres de position et de dispersion.
Analyses prédictives : mise en place d'un modèle de régression linéaire.
Tests et intervalle de confiance. Valider la précision d'une estimation.
Panorama des outils (R, SAS...).
Travaux pratiques
Etude d'une population et dimensionnement d'un échantillon. Modélisation statistique d'un phénomène. Calcul de paramètres de position et de dispersion sur différents échantillonnages.
» Data Mining, extraction de connaissances à partir de données brutes
Définition et finalité du Data Mining (DM).
Les méthodes prédictives et descriptives. Les arbres de décisions. Les réseaux de neurones.
La méthode descriptive du clustering.
Exemples d'application du DM : le scoring, le géomarketing.
Méthodologie de projet. Les outils du marché.
Travaux pratiques
Présentation d'applications du clustering. Mise en oeuvre de la méthode de scoring. Cas pratique d'utilisation de géomarketing.
» Big Data, analyse des données massives
Origines et définition du Big Data : la BI face à la croissance et à la diversité des données.
Les technologies du Big Data.
Gérer les données structurées et non structurées.
Les méthodes d'analyse des données pour le Big Data.
Data visualisation et cas d'usage concrets.
Travaux pratiques
Installation d'une plateforme Big Data. Talend For Big Data, implémentation de flux de données. Mise en place d'analyses avec le logiciel R.
Informations complémentaires
Sommaire
• Présentation de la gouvernance des données
• L'essentiel des modèles statistiques
• Data Mining, extraction de connaissances à partir de données brutes
• Big Data, analyse des données massives
Participants
Data Miner, Data Scientist, analyste, responsable de reporting décisionnel, statisticien, tout acteur ayant à consolider et faire valider ses connaissances pour être reconnu Data Scientist.
Prérequis
Connaissances de base en mathématiques / logique (cumul, pourcentage, fonctions conditionnelles).
Méthodes pédagogiques
Le socle des connaissances en statistiques est fondamental. Le stage STA doit être suivi avant le séminaire DMI et le stage BID. Pas d'autres contraintes sur le suivi des cours pendant ce cycle.
Ajoutez des cours similaires et comparez-les pour mieux choisir.
{title}
{rating}
{centerName}
{price}
{price}{priceBeforeDiscount}{taxCaption}
{options}
Formation par thèmes
Cours de Animaux Cours de Architecture et Construction Cours de Arts Cours de Communication et Information Cours de Design Cours de Développement Personnel et Détente Cours de Droit Cours de Économie et Gestion Cours de Éducation Cours de Gestion d'Entreprise Cours de Hôtellerie et Tourisme Cours de Industrie Cours de Informatique Cours de Langues Cours de Marketing et Vente Cours de Mode et Beauté Cours de Qualité - Sécurité - Environnement Cours de Santé et Social Cours de Sciences Cours de Sciences Humaines et Sociales Cours de Secteur Public Cours de Sport Cours de Transport et Logistique