• Explorer le rôle d’un data engineer
• Analyser les défis d’ingénierie des données
• Introduction à BigQuery
• Data lakes et data warehouses
• Démo: requêtes fédérées avec BigQuery
• Bases de données transactionnelles vs data warehouses
• Démo: recherche de données personnelles dans votre jeu de données avec l’API DLP
• Travailler efficacement avec d’autres équipes de données
• Gérer l’accès aux données et gouvernance
• Construire des pipelines prêts pour la production
• Etude de cas d’un client GCP
• Lab : Analyse de données avec BigQuery

• Introduction aux data lakes
• Stockage de données et options ETL sur GCP
• Construction d’un data lake à l’aide de Cloud Storage
• Démo : optimisation des coûts avec les classes et les fonctions cloud de Google Cloud Storage
• Sécurisation de Cloud Storage
• Stocker tous les types de données
• Démo : exécution de requêtes fédérées sur des fichiers Parquet et ORC dans BigQuery
• Cloud SQL en tant que data lake relationnel

• Le data warehouse moderne
• Introduction à BigQuery
• Démo : Requêter des TB + de données en quelques secondes
• Commencer à charger des données
• Démo: Interroger Cloud SQL à partir de BigQuery
• Lab : Chargement de données avec la console et la CLI
• Explorer les schémas
• Exploration des jeux de données publics BigQuery avec SQL à l’aide de Information_Schema
• Conception de schéma
• Démo : Exploration des jeux de données publics BigQuery avec SQL à l’aide de Information_Schema
• Champs imbriqués et répétés dans BigQuery
• Lab : tableaux et structures
• Optimiser avec le partitionnement et le clustering
• Démo : Tables partitionnées et groupées dans BigQuery
• Aperçu : Transformation de données par lots et en continu

• Considérations de qualité
• Comment effectuer des opérations dans BigQuery
• Démo : ETL pour améliorer la qualité des données dans BigQuery
• Des lacunes
• ETL pour résoudre les problèmes de qualité des données

• L’écosystème Hadoop
• Exécution de Hadoop sur Cloud Dataproc GCS au lieu de HDFS
• Optimiser Dataproc
• Atelier : Exécution de jobs Apache Spark sur Cloud Dataproc

• Cloud Dataflow
• Pourquoi les clients apprécient-ils Dataflow ?
• Pipelines de flux de données
• Lab : Pipeline de flux de données simple (Python / Java)
• Lab : MapReduce dans un flux de données (Python / Java)
• Lab : Entrées latérales (Python / Java)
• Templates Dataflow
• Dataflow SQL

• Création visuelle de pipelines de données par lots avec Cloud Data Fusion: composants, présentation de l’interface utilisateur, construire un pipeline, exploration de données en utilisant Wrangler
• Lab : Construction et exécution d’un graphe de pipeline dans Cloud Data Fusion
• Orchestrer le travail entre les services GCP avec Cloud Composer – Apache Airflow
• Environment : DAG et opérateurs, planification du flux de travail
• Démo : Chargement de données déclenché par un événement avec Cloud Composer, Cloud Functions, Cloud Storage et BigQuery
• Lab : Introduction à Cloud Composer

• Traitement des données en streaming

• Cloud Pub/Sub
• Lab : Publier des données en continu dans Pub/Sub

• Fonctionnalités streaming de Cloud Dataflow
• Lab : Pipelines de données en continu

• Fonctionnalités de streaming BigQuery
• Lab : Analyse en continu et tableaux de bord
• Cloud Bigtable
• Lab : Pipelines de données en continu vers Bigtable

• Analytic Window Functions
• Utiliser des clauses With
• Fonctions SIG
• Démo: Cartographie des codes postaux à la croissance la plus rapide avec BigQuery GeoViz
• Considérations de performance
• Lab : Optimisation de vos requêtes BigQuery pour la performance
• Lab : Création de tables partitionnées par date dans BigQuery

• Qu’est-ce que l’IA?
• De l’analyse de données ad hoc aux décisions basées sur les données
• Options pour modèles ML sur GCP

• Les données non structurées sont difficiles à utiliser
• API ML pour enrichir les données
• Lab : Utilisation de l’API en langage naturel pour classer le texte non structuré

• Qu’est-ce qu’un notebook
• BigQuery Magic et liens avec Pandas
• Lab : BigQuery dans Jupyter Labs sur IA Platform

• Façons de faire du ML sur GCP
• Kubeflow AI Hub
• Lab : Utiliser des modèles d’IA sur Kubeflow

• BigQuery ML pour la construction de modèles rapides
• Démo : Entraîner un modèle avec BigQuery ML pour prédire les tarifs de taxi à New York
• Modèles pris en charge
• Lab : Prédire la durée d’une sortie à vélo avec un modèle de régression dans BigQuery ML
• Lab : Recommandations de film dans BigQuery ML

• Pourquoi Auto ML?
• Auto ML Vision
• Auto ML NLP
• Auto ML Tables

Formateur expert dans le domaine

• 1 ordinateur par stagiaire, 1 support de cours par stagiaire (version papier ou numérique), 1 stylo et un bloc-notes par stagiaire
• Vidéoprojecteur et tableau blanc
• Feuille d’émargement à la demi-journée, questionnaire de satisfaction stagiaire, évaluations des acquis tout au long de la formation, attestation de stage
• Éligible au CPF avec passage de certification TOSA ou PCIE (en option)

En amont de la formation

• Audit par téléphone par nos commerciaux et formateurs
• Tests d’auto-positionnement avant l’entrée en formation par le biais de questionnaire

Au cours de la formation

• Exercices pratiques et mises en situation professionnelle pour valider la compréhension de chaque notion abordée dans le programme de cours.

En fin de formation

• Validation des acquis par le formateur ou via un questionnaire renseigné par les stagiaires
• Evaluation qualitative par les participants à l’issue de la formation via un questionnaire de satisfaction accessible en ligne
• Une attestation de fin de formation reprenant les objectifs de formation est également remise aux stagiaires puis signée par le formateur

Modalités d’inscription

• Inscription possible jusqu’à la veille de la formation, sous réserve de places disponibles, en nous contactant au 01 56 59 33 00 ou par mail formation@sii.fr

Modalités particulières

• Nos formations sont accessibles aux personnes en situation de handicap. Renseignez-vous auprès de notre référente handicap au 01 56 59 33 00 ou par mail pedagogie@sii.fr