Data Analyst + Certification PL 900 Microsoft Power Platform

Le Data Analyst ou Business Analyst traite et analyse les données dans une optique de prise de décision Business, organisationnelle, Projet. A l’issue de cette formation, vous aurez acquis un panel complet de compétences liées à la gestion de données, de l’extraction à la visualisation en passant par l’analyse et le machine learning. Les outils les plus adaptés à chaque segment seront maîtrisés. Vous disposerez également d’un voucher pour passer la certification officielle PL900 Microsoft Power Platform.

5 200 € HT

Demander un devis

Modalités de la formation Data Analyst + PL 900 Microsoft Power Platform

E-LEARNING + DISTANCIEL

Durée

300 heures

Tarifs

5 200 € HT/pers

Tarif Intra sur demande

Public visé

Personnes ayant une appétence pour la Data souhaitant se reconvertir ou faire évoluer ses compétences.

Prérequis

Avoir un niveau Bac+2 à composante business ou science est souhaité
Des notions de marketing et de statistiques sont attendues

Objectifs pédagogiques

À l’issue de la formation l’apprenant sera en mesure de :

Maîtriser les outils spécifiques au traitement de données comme Hadoop ou Spark.
Modéliser et créer une base de données de type relationnel ou NoSQL (Not only SQL).
Adapter une base existante en l’optimisant ou en ajoutant des éléments dans le respect des bonnes pratiques.
Mener un projet concret de Data Analyse permettant d’attester des compétences acquises.
Obtenir la certification PL 900 Microsoft Power Platform

Méthodes pédagogiques

Pendant 20 % du temps, vous serez accompagnés par votre professeur et votre cohorte pour des sessions de visioconférence. Vous aurez ainsi des points collectifs (masterclass live, cours de soutien) et des points plus individuels avec votre mentor projet.
Pour les 85 % restants, vous travaillez sur notre plateforme avec le soutien d’une cellule support disponible par messagerie instantanée et d’un forum disponible à tout moment.

Modalités d’évaluation

Test d’entrée et de sortie pour valider les compétences acquises.
L’évaluation est réalisée tout au long de la formation grâce à des use cases métiers permettant de vous mettre en situation.
A l’issue de la formation, vous devez également soutenir votre projet devant un jury de 3 personnes qui validera vos compétences.
certification Etatique : validation du bloc de compétences RNCP niveau 7 « Développer une solution d’intelligence artificielle (Machine et Deep Learning) » du titre 36129

Délais d’accès

10 jours ouvrés minimum entre la demande du bénéficiaire et le début de la formation .

Accessibilité

Formation accessible aux personnes en situation de handicap.

Demander un devis

Programme de la formation Data Analyst + PL 900 Microsoft Power Platform

I/ Introduction à Python

Fondamentaux de Python

Découverte des différentes variables, listes et Tuples
Présentation des divers opérateurs et structures de contrôle
Initiation au concept de boucle et ses différents types
Introduction aux fonctions et leurs documentations
Instanciation de classes et utilisation de modules

Numpy

Création et manipulation d’un Numpy array
Présentation des opérations matricielles
Création d’un indicateur statistique et applications

Pandas

Chargement et première exploration d’un jeu de données
Introduction au Data Cleaning
Introduction au Data Processing

Data quality (Optionnel)

Présentation des principes essentiels à la Data Quality
Traitement des variables numériques et textuelles
Introduction au nettoyage de données
Initiation à la gestion des valeurs manquantes

II/ Data Visualisation

Matplotlib

Présentation de différents types de graphes
Introduction à la personnalisation de graphique

Seaborn

Initiation à l’analyse de distribution
Découverte de l’analyse statistique
Initiation à l’analyse multivariée

Bokeh (Optionnel)

Formation à tous types de graphiques interactifs et intégrables sur page Web

Matplotlib complément (Optionnel)

Présentation de graphiques avancés avec Matplotlib
Création de figures avec classes et objets

III/ Machine Learning

Algorithme et méthodologie de classification avec Scikit-Learn

Présentation des algorithmes de classification (Régression logistique, KNN, Arbre de décision, forêt aléatoire, SVM…)
Initiation aux algorithmes de Boosting et de Bagging
Découverte des différents modèles et sélections
Classification des données déséquilibrées

Méthode de réduction de dimension

Introduction à l’analyse en composantes principales
Présentation de l’algorithme T-SNE
Introduction à l’analyse discriminante linéaire
Découverte du clustering avec l’algorithme des K-means

Méthode de régression

Introduction à la régression linéaire simple
Introduction à la régression linéaire multiple

IV/ Extraction et gestion de données textes

Text Mining

Introduction aux expressions régulières
Mise au point à la gestion de données textuelles
Création de Worldclouds
Présentation de l’analyse de sentiments

WebScraping

Introduction au langage web (HTML, CSS)
Extraction de contenu Web avec BeautifulSoup
Application du scrapping sur Google

V Big Data/Database

Introduction au Data Engineering et Big Data

Introduction aux 3V du Big Data (Volume, variété, vélocité)
Présentation des bases de données et Architectures
Mise en production de données

Data Processing et Machine Learning sur des grandes bases de données

Introduction à PySpark
Découverte des différentes fonctions de PySpark
Le Data Processing
Les Data Frames
La Régression avec PySpark
Le ML pipelines
Le Model Turning