Mastère spécialisé® Expert en sciences des données

Zoom sur…

Les métiers du big data

L'expert en sciences des données formé par l'INSA Rouen Normandie travaille dans de grands groupes, pour des sociétés de prestations (consultants), des collectivités territoriales, des PME ou startups, sur des technologies numériques à haute valeur ajoutée intellectuelle et technique. Suivant les secteurs et les structures, il y assure la fonction de :

• Data analyst :il exploite les informations issues des bases de données nécessaires à l'entreprise et élabore des critères de segmentation pour l'exploration des données.
• Data scientist :il explore et examine à un plus haut niveau les données de multiples sources dispersées. Il doit faire parler ces données et en sortir des indicateurs concrets au service de la direction générale de l'entreprise.
• Business analyst/business developer :interface indispensable entre les départements opérationnels de l’entreprise et le service informatique, il analyse le processus d’information et les stratégies au service de la prise de décision quotidienne de sa société afin d’en évaluer l’efficacité ou d’apporter les ajustements nécessaires
• Chief data officer :il facilite l’accès aux données et repère parmi toutes les informations disponibles les plus importantes à extraire pour des prises de décisions optimales au coeur des systèmes informatiques d'aide à la décision. Il participe au pilotage de la stratégie globale de l’entreprise. À ce titre, il se situe au carrefour des différents services : marketing, communication, RH, ingénierie, qualité…
• Strategy manager/project manager :il impulse la stratégie digitale de l'entreprise en lien avec les services informatique, communication et marketing.

Débouchés

Un secteur porteur

L'expert en science des données de l'INSA Rouen Normandie peut exercer son activité dans :

• Les banques
• Les compagnies d'assurances
• Les sociétés de transport
• Les entreprises spécialisées dans l'énergie
• Le web marketing
• Les plateformes d'e-commerce...

Conditions d'admission

Le public

Cette formation est ouverte aux étudiants, salariés et demandeurs d'emploi. En formation professionnelle, les salariés pourront suivre tout ou partie des modules.

Les prérequis

Elle s'adresse aux titulaires :

• D'un diplôme d’ingénieurs
• Ou d'un diplôme national de Master (ou titre étranger de niveau équivalent)

dans les domaines des mathématiques, de l'informatique et du traitement de l'information. les candidats doivent avoir suivi des cours de bases de données et programmation.

Les tarifs

• Étudiants : 8 200 € (financement personnel)
• Salariés : 13 500 € pour la formation complète, nous consulter pour la formation par modules

Pour candidater
Télécharger le dossier de candidature

renvoyer à entreprises@insa-rouen.fr

Programme

découpage modules

 

Bloc 1 : Exploiter l’information et mettre en œuvre une stratégie business

238

23

1, Mener une approche méthodologique d'extraction, de classification et/ou de modélisation sur des grands jeux de données.
Sélection de variables et Validation de Modèles X Module : Sélection de variables et Validation de Modèles INSA Rouen | Mastère spécialisé® Expert en sciences des données Bloc 1 : Exploiter l’information et mettre en œuvre une stratégie business 1, Mener une approche méthodologique d'extraction, de classification et/ou de modélisation sur des grands jeux de données. Appréhender les questions et traitement des tests statistiques en grande dimension   Heures 21hECTS 2 Contenu -Techniques de base de la sélection de variables à l’aide de méthodes classiques et plus avancées. - Tests statistiques dans le cadre de la grande dimension - Critères de choix et de validation de modèles (critères AIC, BIC, validation croisée, bootstrap) Les méthodes et outils abordés seront mis en oeuvre sur des exemples réels et traités avec le logiciel R. Responsable  Bruno PORTIER Établissement Évaluation  ETUDE DE CAS Jours de formation   Fermer	21	2
Régression pénalisée X Module : Régression pénalisée INSA Rouen | Mastère spécialisé® Expert en sciences des données Bloc 1 : Exploiter l’information et mettre en œuvre une stratégie business 1, Mener une approche méthodologique d'extraction, de classification et/ou de modélisation sur des grands jeux de données. Mettre en place des techniques de régression linéaire Heures 21hECTS 2 Contenu - régression linéaire multiple et ses principales limites - les objectifs de la pénalisation; la régression ridge; la régression lasso - extension à la régression logistique et aux modèles additifs non-linéaires - régression linéaire multiple - Extension à la régression logistique et aux modèles additifs non linéaires. Responsable  Bruno PORTIER Établissement Évaluation  PROJET Jours de formation   Fermer	21	2
Méthodes itératives pour le traitement en ligne des données X Module : Méthodes itératives pour le traitement en ligne des données INSA Rouen | Mastère spécialisé® Expert en sciences des données Bloc 1 : Exploiter l’information et mettre en œuvre une stratégie business 1, Mener une approche méthodologique d'extraction, de classification et/ou de modélisation sur des grands jeux de données. Mettre en oeuvre des algorithmes itératifs, stochastiques ou non, pour le traitement et l'analyse statistique de données en ligne.   Heures 21hECTS 2 Contenu - introduction aux algorithmes stochastiques - algorithmes pour la construction des indicateurs statistiques de base (moyenne, variance, médiane, quantile, ...) - algorithme pour une ACP (Analyse en Composantes Principales) en ligne - estimation récursive de la densité et de la fonction de régression Responsable  Bruno PORTIER Établissement Évaluation  PROJET Jours de formation   Fermer	21	2
Analyse de données fonctionnelles X Module : Analyse de données fonctionnelles INSA Rouen | Mastère spécialisé® Expert en sciences des données Bloc 1 : Exploiter l’information et mettre en œuvre une stratégie business 1, Mener une approche méthodologique d'extraction, de classification et/ou de modélisation sur des grands jeux de données. Maîtriser le concept de données fonctionnelles (courbes), les méthodes de régularisation et de discrimination Heures 21hECTS 2 Contenu - Introduction aux concepts de données fonctionnelles (courbes) - Statistiques de base pour les données fonctionnelles (corrélation, médiane..) - Méthodes de régularisation et de réduction de dimension - Méthodes spécifiques de classification : ACP fonctionnelle - Régression linéaire avec variables fonctionnelles   Responsable  Bruno PORTIER Établissement Évaluation  PROJET Jours de formation   Fermer	21	2
2, Concevoir un système d’ingénierie de données mettant en œuvre les techniques d’apprentissage statistique pour l’analyse de masse de données réelles.
Ingénierie des Données X Module : Ingénierie des Données INSA Rouen | Mastère spécialisé® Expert en sciences des données Bloc 1 : Exploiter l’information et mettre en œuvre une stratégie business 2, Concevoir un système d’ingénierie de données mettant en œuvre les techniques d’apprentissage statistique pour l’analyse de masse de données réelles. Fournir les méthodes statistiques pour l’analyse exploratoire et la description des masses de données. Heures 21hECTS 2 Contenu 1) Introduction à l’ingénierie des données : notion de chaine de traitements 2) Analyse exploratoire de données - Analyse en Composantes Principales (ACP) - Analyse factorielle des correspondances (AFC) - Méthode non-linéaire de projection des données 3) Méthodes de regroupement des données (Clustering) - Classification hiérarchique ascendante - K moyennes - Modèles de mélange Ces méthodes couvriront les problématiques de description statistique des données, de projection et visualisation des données et de regroupement des données en catégories homogènes. Responsable  Gilles GASSO Établissement Évaluation  EXAMEN MACHINE Jours de formation   Fermer	21	2
Machine Learning X Module : Machine Learning INSA Rouen | Mastère spécialisé® Expert en sciences des données Bloc 1 : Exploiter l’information et mettre en œuvre une stratégie business 2, Concevoir un système d’ingénierie de données mettant en œuvre les techniques d’apprentissage statistique pour l’analyse de masse de données réelles. Savoir identifier et utiliser des algorithmes d’optimisation pour résoudre des problèmes d’apprentissage et de fouille de données. Heures 21hECTS 2 Contenu 1) Introduction aux problématiques de la science des données 2) Méthodes de discrimination - K plus proches voisins - Approche bayésienne de la décision : cas gaussien - Régression linéaire logistique - Machines à vecteur support (SVM) linéaire 3) Méthodes de régression linéaire 4) Méthodologies de l’apprentissage statistique Responsable  Gilles GASSO Établissement Évaluation  EXAMEN MACHINE Jours de formation   Fermer	21	2
Machine Learning Avancé X Module : Machine Learning Avancé INSA Rouen | Mastère spécialisé® Expert en sciences des données Bloc 1 : Exploiter l’information et mettre en œuvre une stratégie business 2, Concevoir un système d’ingénierie de données mettant en œuvre les techniques d’apprentissage statistique pour l’analyse de masse de données réelles. Fournir un aperçu des avancées récentes dans les domaines de l’apprentissage statistique et les techniques statistiques utilisées dans les applications d'analyse de masse de données réelles. Heures 21hECTS 2 Contenu Les thèmes abordés seront ceux de la modélisation non-linéaire, des algorithmes d'apprentissage et d'analyse de données massives et les problématiques de passage à l’échelle 1) Méthodes à noyaux, mesures de similarités et représentations - Splines et autres méthodes de régression à noyaux - Machines à vecteur supports non-linéaires (SVM à noyaux) - Problèmes multi-classes et apprentissage sur des données structurées - Passage à l’échelle 2) Deep learning 3) Méthodes ensemblistes (combinaison de modèles) - Agrégation de modèles - Boosting - Arbres de décision et forêts aléatoires 4) Méthodologies de l’apprentissage statistique Responsable  Stéphane CANU Établissement Évaluation  EXAMEN MACHINE Jours de formation   Fermer	21	2
Systèmes de recommandation X Module : Systèmes de recommandation INSA Rouen | Mastère spécialisé® Expert en sciences des données Bloc 1 : Exploiter l’information et mettre en œuvre une stratégie business 2, Concevoir un système d’ingénierie de données mettant en œuvre les techniques d’apprentissage statistique pour l’analyse de masse de données réelles. Comprendre la nature des systèmes de recommandation et être en mesure de mettre en œuvre un système capable de fournir des recommandations dans un domaine d'application particulier, ainsi que de critiquer une conception de souligner ses forces et ses faiblesses. Heures 21hECTS 2 Contenu Ce cours présente les concepts, les applications, les algorithmes, la programmation et la conception des systèmes de recommandation, ainsi que les enjeux éthiques associés. A l’issue du cours, le candidat devra comprendre la nature des systèmes de recommandation et être en mesure de mettre en œuvre un système capable de fournir des recommandations dans un domaine d'application particulier, ainsi que de critiquer une conception de souligner ses forces et ses faiblesses. 1) Introduction aux systèmes de recommandation, évaluation et préférence - Etudes de systèmes existants (Netflix, Amazon...) - Modélisation de l’utilisateur, Filtrage collaboratif 2) Factorisation de matrice - Calcul de SVD en grandes dimensions, norme nucléaire, algorithmes (méthodes itératives, gradient stochastique) - Modèles à variables latentes - Méthodes avancées : factorisation non-négative, factorisation tensorielle 3) Evaluation des systèmes, scoring et ordonnancement - Algorithmes de bandits pour la recommandation - Web Marketing - Enjeux sociétaux et éthique des systèmes de recommandation Responsable  Stéphane CANU Établissement Évaluation  EXAMEN MACHINE Jours de formation   Fermer	21	2
3, Modéliser et résoudre des problèmes d’optimisation pour des données massives.
Optimisation 1 : concepts et outils de résolution X Module : Optimisation 1 : concepts et outils de résolution INSA Rouen | Mastère spécialisé® Expert en sciences des données Bloc 1 : Exploiter l’information et mettre en œuvre une stratégie business 3, Modéliser et résoudre des problèmes d’optimisation pour des données massives. - Maîtriser les concepts de base de l'optimisation et Savoir reconnaître la difficulté d'un problème d'optimisation. - Savoir formuler un problème d'optimisation sous forme d'un programme mathématique, linéaire ou quadratique, continu ou discret. - Connaître des méthodes classiques d'optimisation sous contraintes - Savoir utiliser un solveur d'optimisation pour résoudre numériquement un programme mathématique avec des variables continues ou entières. Heures 28hECTS 3 Contenu 1) Optimisation dans Rn - Panorama général des problèmes d'optimisation, des outils et des méthodes - Dualité lagrangienne. - Cas différentiable : conditions d'optimalité KKT. - Exercices de modélisation et d'analyse de problèmes d'optimisation avec mise en œuvre d'un solveur. 2) Programmation linéaire - Polyèdres, interprétation géométrique de la programmation linéaire - Dualité et interprétation économique - Méthode révisée du simplexe et utilisation du tableau du simplexe - Exercices et mise en œuvre avec un solveur de programmation linéaire 3) Programmation linéaire en nombres entiers - Formulations et approche polyédrale - Méthode des plans coupants - Méthode de Séparation et Evaluation progressive (Branch and Bound) - Modélisation et résolution avec un solveur. Recherche effective de plans coupants ou prise en compte d'une relaxation lagrangienne. 4) Programmation non linéaire - programmation quadratique , programmation conique, programmation SDP - liens entre programmation quadratique et programmation linéaire en variables binaires - Exercices et mise en œuvre numérique avec un solveur Responsable  Arnaud KNIPPEL Établissement Évaluation  Rendus de TD/TP sur ordinateur et examen final Jours de formation   Fermer	28	3
Optimisation 2 : Optimisation en grande dimension X Module : Optimisation 2 : Optimisation en grande dimension INSA Rouen | Mastère spécialisé® Expert en sciences des données Bloc 1 : Exploiter l’information et mettre en œuvre une stratégie business 3, Modéliser et résoudre des problèmes d’optimisation pour des données massives. Résoudre des problèmes d'optimisation de grande taille et/ou avec des variables aléatoires. L'aléa peut être inhérent au problème (prise en compte d'aléas sur les prix, la demande des clients, les mesures...) ou du à la méthode de résolution (utilisation d'un échantillon des données). Heures 21hECTS 2 Contenu 1) Méthodes de décomposition en grande dimension - Décomposition de Dantzig-Wolfe (décomposition par les prix)et génération de variables - Décomposition de Benders (décomposition par les ressources) et génération de contraintes - exemples de problèmes industriels et mise en œuvre avec un solveur 2) Programmation stochastique - formulation mathématique des problèmes d'optimisation stochastique - résolution par la méthode de Benders ; algorithmes L-shaped, décomposition stochastique, CUPPS (Cutting planes and partial sampling) - exercices et résolution numérique avec un solveur 3) Programmation dynamique approchée - Equation de Bellman. Graphe d'état. Liens avec la programmation linéaire - Modélisation de programmes dynamiques avec ou sans variables aléatoires - exercices et résolution numérique Responsable  Arnaud KNIPPEL Établissement Évaluation  Rendus de TD/TP et résumé d'articles Jours de formation   Fermer	21	2
Algorithmique des graphes X Module : Algorithmique des graphes INSA Rouen | Mastère spécialisé® Expert en sciences des données Bloc 1 : Exploiter l’information et mettre en œuvre une stratégie business 3, Modéliser et résoudre des problèmes d’optimisation pour des données massives. Les graphes sont un outil de modélisation important pour de nombreux problèmes, et il est alors nécessaire de savoir les coder de façon efficace, notamment lorsqu'on traite des données massives. Même lorsque les graphes n'apparaissent pas en tant que tels dans le problème traité, ils peuvent être utilisés au niveau des structures de données pour un codage plus efficace Heures 21hECTS 2 Contenu 1) Théorie des graphes - vocabulaire - représentation des graphes et codage - connexité et forte connexité, parcours de graphes, plus courts chemins et codage efficace pour un graphe de grande taille - isomorphisme de graphes - arbre couvrant ; structure Union -Find pour le codage efficace des problèmes d'arbres couvrant et la classification hiérarchique 2) Flots dans les réseaux - flots, potentiels - flot maximal et algorithmes - flot maximal de coût minimal et algorithmes - multiflots 3) Réseaux d'interaction et applications - graphes petit monde, recherche de communauté - exemples de modélisation d'interactions par des systèmes dynamiques - exemples de modèles stochastiques Responsable  Arnaud KNIPPEL Établissement Évaluation  Rendus de TD/TP Jours de formation   Fermer	21	2

 

Bloc 2 : Collecter, analyser et traiter des données massives hétérogènes

199

22

1, Maîtriser les fonctionnalités d’une architecture informatique robuste dédiée au stockage et au traitement distribué des données massives.
Bases de données massives X Module : Bases de données massives INSA Rouen | Mastère spécialisé® Expert en sciences des données Bloc 2 : Collecter, analyser et traiter des données massives hétérogènes 1, Maîtriser les fonctionnalités d’une architecture informatique robuste dédiée au stockage et au traitement distribué des données massives. Fournir les notions essentielles des bases de données standard et présenter les bases de type NoSQL et les concepts associés. Heures 21hECTS 3 Contenu L'intérêt pour les bases de données NoSQL est issu de l'avènement des Big Data et des problématiques de productivité associées au traitement des données non structurées. Les sujets abordés dans ce contexte concernent les problématiques base de données massives, leur mise ne œuvre (structures d'indexation, maintien de la cohérence, interrogations et vues), la gestion de données non structurées (et semi structurées), les bases de données distribuées et les principaux systèmes NoSQL. 1) Introduction aux Systèmes de Gestion des Bases de Données - Pratique d’un SGBD relationnel 2) Systèmes NoSQL et Aspects méthodologiques - Modèles d'agrégats - Modèles de données spécifiques (relations, graphes, base de données sans schéma) - Modèles distribués, Tables et fonctions de hachage, Consistance 3) Les différent types de bases de données NoSQL, leur mise en œuvre et leurs liens - Orienté clé/valeur (Redis) - Orienté document (MongoDB) - Orienté colonne (Cassandra) - Orienté graph (Neo4j) Responsable  Aurélien VANDEL Établissement Évaluation  Projet sur machine Jours de formation   Fermer	21	3
Traitement des données massives X Module : Traitement des données massives INSA Rouen | Mastère spécialisé® Expert en sciences des données Bloc 2 : Collecter, analyser et traiter des données massives hétérogènes 1, Maîtriser les fonctionnalités d’une architecture informatique robuste dédiée au stockage et au traitement distribué des données massives. L’objectif est de fournir les outils informatiques pour la mise en œuvre d’une architecture dédiée aux traitements des données massives. Heures 28hECTS 3 Contenu L’avènement des données volumineuses requiert le stockage distribué des données et le déploiement de traitements massivement parallèles sur des serveurs. Les thèmes abordés portent sur la programmation fonctionnelle, le pattern MapReduce et son instanciation Hadoop. Les outils de stockage distribué, d’extraction de données distribuées et les principales libraires de traitement statistique distribué seront abordés. 1) Introduction à la programmation fonctionnelle. Mise en œuvre sur Scala 2) Traitement massivement parallèle - Concepts - Modèle de programmation MapReduce 3) Outils de traitement et stockage massivement distribués - Ecosystème Hadoop - Formalisme de stockage distribué (HDFS, Avro, Parquet, Hive) - Extraction de données (SQOOP, ETL (Talend) ou Pig) - Traitement distribué Batch - Outils pour le traitement distribué SQL (Impala, Spark SQL) - Traitement distribué Machine learning (Spark MLlib, Spark R ) - Traitement distribué Streaming (Spark Streaming, Apache Storm) 4) Principaux fournisseurs de solutions cloud Responsable  Aurélien VANDEL Établissement Évaluation  Projet Jours de formation   Fermer	28	3
Génie Logiciel X Module : Génie Logiciel INSA Rouen | Mastère spécialisé® Expert en sciences des données Bloc 2 : Collecter, analyser et traiter des données massives hétérogènes 1, Maîtriser les fonctionnalités d’une architecture informatique robuste dédiée au stockage et au traitement distribué des données massives. Donner les connaissances minimales nécessaires pour participer à l’encadrement et au développement de projets système dédiés au traitement des données massives. Il s’agira de projets où la réalisation des composants logiciels est prépondérante et en interaction avec différents acteurs. Heures 14hECTS 1 Contenu 1) Introduction et principe du génie logiciel - Cycle de vie d’un logiciel (spécification, conception, intégration, implémentation, tests, livraison, maintenance) 2) Modèles de cycle de vie et de processus de développement - Cycle en V - Agilité, développement itératif, POC 3) Développement collaboratif - Versionnement, outils - Refactoring, - Technique de tests, Intégration continue, Déploiement continu. 4) Planification et gestion de projet informatique Responsable  Edouard LEMESTRE Établissement Évaluation  Examen machine Jours de formation   Fermer	14	1
Sécurité des Données X Module : Sécurité des Données INSA Rouen | Mastère spécialisé® Expert en sciences des données Bloc 2 : Collecter, analyser et traiter des données massives hétérogènes 1, Maîtriser les fonctionnalités d’une architecture informatique robuste dédiée au stockage et au traitement distribué des données massives. Dresser les problématiques de la sécurité des données massives, les bases techniques pour la sécurisation des données. Seront abordées les différentes architectures techniques et les termes qui permettent de les caractériser et de les sélectionner en fonction du niveau de risque. Heures 21hECTS 2 Contenu 1) Sécurité de l’information - Les critères de la sécurité, définition et relation entre vulnérabilité, menace et risque 2) Concepts de base de la sécurité - Types d’attaques et attaquants - Architecture de sécurité - L'authentification, le chiffrement, définitions mise en œuvre - Signature électronique et Certificats et autorités de certification - Politique de sécurité et prévention 3) Architectures techniques de sécurité - Les serveurs d’authentification et Le Single Sign On - Solutions techniques (VPN, Firewall, DMZ, IDS, IPS etc.) - Protocoles (SSL, IPSEC,S-MIME etc.) - Analyse d’une Advanced Persistent Thread, malwares - Sécurité des données dans le cloud (architecture cloud, sécurité, contre-mesures type SIEM ou SOC) Responsable  Clément MICHEL Établissement Évaluation  QCM et Projet Jours de formation   Fermer	21	2
2, Concevoir une stratégie en tenant compte de l'écosystème économique et réglementaire au traitement des données massives.
Approche économique et Valorisation du Big Data X Module : Approche économique et Valorisation du Big Data INSA Rouen | Mastère spécialisé® Expert en sciences des données Bloc 2 : Collecter, analyser et traiter des données massives hétérogènes 2, Concevoir une stratégie en tenant compte de l'écosystème économique et réglementaire au traitement des données massives. Aborder la dimension économique des mégadonnées à savoir la compréhension des écosystèmes économiques de ce concept, le management économique de la donnée et les opportunités économiques, sociales et autres de valorisation de la donnée. Heures 21hECTS 2 Contenu 1) Ecosystème du Big data 2) Management de la donnée - Stratégie Data (capter la valeur business de la donnée) - Gouvernance de la donnée (exécuter la stratégie, administration fonctionnelle) - Rôle du Chief Data Officer - Nouvelles sources de données : réseaux sociaux, Open Data, objets connectés, wearable devices, crowdsourcing 3) Donnée numérique : valorisations sociales, économiques et environnementales - Valorisation capitalistique (publicité, marketing, nouveaux usages...) : renforcer le business de l’entreprise et/ou générer de nouveaux business models - Opportunités du Big Data : santé, maîtrise énergétique, développement durable, villes intelligentes, économie collaborative... - Impact social : open data, administration électronique 4) Etude économique du déploiement de la stratégie Big Data Responsable  Sahra ZAIM Établissement Évaluation  Etude de cas Jours de formation   Fermer	21	2
Droit et Ingénierie des Données X Module : Droit et Ingénierie des Données INSA Rouen | Mastère spécialisé® Expert en sciences des données Bloc 2 : Collecter, analyser et traiter des données massives hétérogènes 2, Concevoir une stratégie en tenant compte de l'écosystème économique et réglementaire au traitement des données massives. - Savoir identifier les risques juridiques et éthiques d’un projet ingénierie des données - Connaître la réglementation française et européenne sur la protection des données Heures 14hECTS 1 Contenu -Notions juridiques - Données personnelles et protection - Loi Informatique et Libertés - Rôle de la CNIL en France et Réglementations européennes Vie privée et données personnelles - Risques et inquiétudes - Propriété des données personnelles, Privacy paradox - Anonymisation et dés-anonymisation - Complémentarité de la loi et de la technologie : régulation et autorégulation, privacy by design - Chief Privacy Officer Ethique, droit et Big data - Description des données et traçabilité - Réglementations liées à la nature des données (santé, open data, bancaires...) - Propriété intellectuelle - Usage des prédictions fournies par les algorithmes statistiques Responsable  Thierry SAMPER Établissement Évaluation  Etude de cas Jours de formation   Fermer	14	1
3, Mettre en œuvre les techniques sur un projet ambitieux
Projet fil rouge X Module : Projet fil rouge INSA Rouen | Mastère spécialisé® Expert en sciences des données Bloc 2 : Collecter, analyser et traiter des données massives hétérogènes 3, Mettre en œuvre les techniques sur un projet ambitieux Réaliser un projet de conception, de développement et d’évaluation d’une architecture de traitement de données massives. Heures 80hECTS 10 Contenu - Capture des données (si besoin) - Prétraitement des données - Identification d’une problématique d’ingénierie des données - Prototypage d’une solution fonctionnelle - Réalisation pratique et validation Responsable  Bruno PORTIER Établissement Évaluation  Réalisation – Rapport - Soutenance Jours de formation  1 jour dans la semaine Fermer	80	10