Analyse Big data avec Python

---

OBJECTIFS :

• Connaître l’environnement de développement en Python
• Acquérir les bases de la programmation en Python
• Savoir utiliser les bibliothèques spécialisées
• Maîtriser les méthodes et les outils pour visualiser et modéliser les données

PROGRAMME DE FORMATION:

Configurer efficacement son environnement de travail

• Motivation autour du langage Python et de la librairie PySpark pour le traitement des données massives
• Installer Python et la batterie des librairies nécessaires : numpy, pandas, Scikit-learn, PySpark
• Paramétrer efficacement : divers fichiers et options
• Travailler avec fluidité sur des projets où on distribue la Data et on parallélise les tâches
• Se servir des fichiers sources de la formation

Du data munging avec PySpark

• Quand distribuer les données et paralléliser les données ?
• Principaux types de données et des concepts de Resilient Distributed Datasets (RDD) et DataFrame
• Partition, transformations, lazy evaluations et les actions
• Gestion des RDDs :
  – Travailler sur les colonnes
  – Travailler sur les lignes
  – Travailler sur les dates
  – Travailler sur les jointures
  – Transformer un RDD : transformation map
  – Agrégation de RDDs : reduce, aggregate

Analyse de données et régression logistique avec PySpark

• Bien faire la différence entre une action et une transformation
  – La transformation sample et l’action takeSample
• Présentation et fonctionnalités de MLlib
• Apprentissage Méthodes linéaires

Requêtage, filtrage et exploration avec SparkSQL

• Construire un DataFrame depuis un dataframe de Pandas, depuis un csv, depuis un RDD
• Requêtes SQL
• Opérations sur un DataFrame

Définition des pipelines pour enchaîner les traitements

• Introduction et fonctionnalités de SparkML
• Estimator, Transformer et Param
• Pipeline : par ex Tokenzine, Hash et Régression logistique

---

INFORMATIONS COMPLÉMENTAIRES :

PUBLIC VISÉ

• Analystes
• Statisticiens
• Gestionnaires de bases de données

PRÉ-REQUIS

• Connaissances de base en programmation
• Connaissances de base en techniques statistiques

RESSOURCES

• Supports pédagogiques
• 30% de théorie
• 70% de pratique

MODALITÉS D’ACCÈS

• Présentiel
• A distance
• Interentreprises
• Intra-entreprise

MÉTHODES PÉDAGOGIQUES

• Apport magistral et interactivité
• Travaux pratiques

ÉVALUATION

• Exercices pratiques
• Mise en situation