1

Comprendre les concepts et les enjeux du big data

• Origines et définition du big data.
• Les chiffres clés du marché dans le monde et en France.
• Les enjeux du big data : Return on investment (ROI), organisation, confidentialité des données.
• Un exemple d'architecture big data.

2

Les technologies du big data

• Description de l'architecture et des composants de la plateforme Hadoop.
• Les modes de stockage (NoSQL, HDFS).
• Principes de fonctionnement de MapReduce, Spark, Storm...
• Principales distributions du marché (Hortonworks, Cloudera, MapR, Elastic Map Reduce, Biginsights).
• Installer une plateforme Hadoop.
• Les technologies du datascientist.
• Présentation des technologies spécifiques pour le big data (Tableau, Talend, QlikView...).

3

Gérer les données structurées et non structurées

• Principes de fonctionnement de Hadoop Distributed File System (HDFS).
• Importer des données externes vers HDFS.
• Réaliser des requêtes SQL avec Hive.
• Utiliser Pig pour traiter la donnée.
• Le principe des ETL (Talend).
• Gestion de streaming de données massive (NIFI, Kafka, Spark, Storm...)

4

Technique et méthodes big data analytics

• machine learning, une composante de l'intelligence artificielle.
• Découvrir les trois familles : régression, classification et clustering.
• La préparation des données (data preparation, feature engineering).
• Générer des modèles en R ou Python.
• Ensemble learning.
• Découvrir les outils du marché : Jupyter Notebook, Dataïku, Amazon Machine Learning...

5

Data visualisation et cas d'usage concrets

• Définir le besoin de la data visualisation.
• Analyse et visualisation des données.
• Peut concerner tous les types de données dans la dataviz ?
• Les outils dataviz du marché.

6

Conclusion

• Ce qu'il faut retenir.
• Synthèse des bonnes pratiques.
• Bibliographie.