Savoir installer, configurer, Dataiku DSS, l'utiliser depuis l'interface web ou des API.
Connaissance des principes de la manipulation de données et du machine learning.
Présentation, concepts DSS
Fonctionnalités :
Mise à disposition des méthodes et outils de data-sciences à partir d'une interface graphique ou de langages de requêtage ou de programmation (Python, SQL, R), principe de "Self Service Analytics"
Cluster DSS : Design, Deployer, Api, Automation et Govern Nodes
Notions de projet, data, dataset, recipes
Outils collaboratif : Wiki, tags, discussions...
Premiers pas avec Dataiku DSS : exemples
Connexion aux données
Connecteurs disponibles, formats de fichiers, formats spécifiques Hadoop/Spark
Chargement des fichiers, emplacement des fichiers,
Système de fichiers, HDFS, Amazon S3, stockage Google Cloud, etc ...
FTP, connexion ssh, connexion aux bases de données SQL
Autres stockages : Cassandra, MongoDB, Elasticsearch, ...
Préparation des données
Scripts de préparation, échantillonnage, exécution,
les différents moteurs d'exécution: DSS, Spark, base de données SQL
Graphiques et statistiques
Présentation des types de graphiques disponibles et configuration
Echantillonnage et exécution,
graphiques de base, tables, nuages de points,
visualisation cartographique, etc ...
Réalisation d'exercices pratiques.
Fonctionnalités statistiques disponibles,
démonstrations
Machine learning
Le laboratoire
Fonctionnalités disponibles:
apprentissage supervisé et non supervisé,
algorithmes utilisés, scoring, deep learning...
Evaluation, optimisation, compréhension du modèle
Déploiement et cycle de vie du modèle
Flow/Recipes
Interface graphique de gestion des cycles de traitement,des datasets,
des traitements,paramètrage de l'exécution en parallèle,
des données géographiques,
export en format pdf ou images, etc ...
Travaux pratiques
Interfaces de programmation
Présentation des différentes interfaces : SQL, Python, R
Exemples d'interrogations SQL et Python
Interfaçage avec Spark
