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 : 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.