Big Data et processus décisionnel

Objectifs et contexte de la certification :

Cette certification peut être utilisée dans tout secteur d'activité.

Les objectifs de la certification visent à permettre au candidat de :

• Concevoir l’architecture de l’entrepôt de données
• Configurer les outils d’analyse, de communications de données (reporting)
• Restituer des données et former des utilisateurs aux outils d’analyse
• Appliquer des algorithmes dans une démarche exploratoire

Compétences attestées :

La certification couvre les principales compétences permettant d’intervenir dans la mise en œuvre d’un dispositif d’aide à la décision. A savoir :

• Intégrer l’écosystème Big Data.
• Concevoir et mettre en œuvre un Lake de données (DATALAKE).
• Charger, qualifier et nettoyer les données structurées et non structurées chargées.
• Appliquer des modèles mathématiques en continu pour traiter les données.
• Optimiser le traitement en masse de données à indexer.
• Valider et garantir l’intégrité et l’unicité des sources de données autour du DATA LAKE.

L'ensemble des compétences sont évaluées.

Modalités d'évaluation :

2 sessions de formation sont organisées par an. Une session de formation est composée de différents modules répartis sur 196 heures de formation.
Les formations mêlent théorie et pratique au travers de cas concrets afin de préparer au mieux les candidats à la réalité de terrain.
Pour ce faire, Fitec fait intervenir des formateurs experts dans le domaine. La certification permet l'accès aux activités suivantes :

• Utilisation de l’environnement Hadoop.
• Maîtrise de la philosophie big DATA.
• Maîtrise du processus de définition des sources de données.
• Modélisation du schéma de données de référence.
• Définition de l’architecture la plus adéquate pour créer un data Lake.
• Maîtrise des bonnes pratiques et techniques de chargement de données.
• Utilisation d’outils phares du marché pour faire les chargements de données.
• Contrôle des paradigmes de l’ingestion de données.
• Choix et utilisation des bibliothèques d’algorithmes connues d’intelligence artificielle.
• Utilisation de solutions de références sur le marché pour appliquer les modèles et algorithmes existants.
• Application d’architectures permettant le traitement et l’indexation en masse de données.
• Arbitrage entre un chargement de données en mode Batch ou en temps réel grâce à une architecture classique ou Lambda selon les sources de données.