Big Data & Intelligence Artificielle
Réf. 186G002
Avec ce GRADEO, maîtrisez les données et explorez le machine learning et le deep learning, grâce à 3 cours théoriques et un cours de certification dispensés par l'ESTIA et Oracle.
- Durée : 17 semaines
- Effort : 85 heures
- Rythme: ~5 heures/semaine
- Langues: Anglais et français
Ce que vous allez apprendre
À la fin de ce cours, vous saurez :
- Maîtriser une architecture big data avec les extensions SQL attendues pour maîtriser les systèmes NoSQL et NewSQL.
- Comprendre des fonctionnalités attendues du prochain standard GQL (Graph Query Language).
- Maîtriser les fondamentaux du machine learning et du deep learning.
- Apprendre SQL.
- Introduction à PL/SQL.
- Utiliser le machine learning avec une base de données autonome.
- Cas d'utilisation d'Oracle Machine Learning.
Description
L'architecte IA et Big Data doit maîtriser 2 environnements au cœur de ce GRADEO :
La gestion des data, à la fois structurées avec la prédéfinition d'un schéma fixe (SQL3, OQL), semi-structurées avec des méta-données (SparQL) et non structurées (NoSQL, NewSQL) ainsi que les concepts de datawarehouse et datalake.
L'analyse des données avec des méthodes informatiques (data mining et OLAP), statistiques (machine learning en mode supervisé ou non supervisé) ou basées sur l'intelligence artificielle avec l'approche fondamentale du deep learning (réseaux de neurones multicouches).
Format
Ce GRADEO est composé de 4 cours :
- 3 cours académiques de l’ESTIA : Programmation SQL Relationnel & Objet, Gestion Répartie du Big Data et Intelligence Artificielle (Machine Learning & Deep Learning)— sous titrage en français.
- 1 cours professionnel d’Oracle : Machine Learning on Oracle Cloud
Le cours professionnel Oracle sera à suivre sur la plateforme Oracle.
Pour assurer la mise en œuvre efficace de ce GRADEO, il vous sera demandé de remplir un formulaire après votre inscription pour permettre à Datum Academy, partenaire technique de FUN et de l'ESTIA, de vous fournir une clé d'activation pour accéder à votre cours Oracle. Une fois la clé d'activation en votre possession, vous aurez seulement à créer votre compte Oracle pour suivre votre cours !
L'apprentissage des cours académiques ESTIA a une durée estimée de 17 semaines, avec un rythme d'un module par semaine.
L'apprentissage du cours professionnel Oracle a une durée estimée de 5 semaines. Il est à noter que l'apprenant.e de ce programme se verra délivrer une clé d'activation lui permettant d'avoir un accès au cours et à l'examen pour une durée de 6 mois.
Prérequis
Les apprenants doivent maîtriser les mathématiques de base (algèbre linéaire, théorie des graphes) et l'informatique de base : SQL (potentiellement GRADEO sur la programmation SQL) et Python (niveau licence).
Evaluation et Certification
L'apprenant passera un examen à la fin de chaque cours. Après avoir réussi ces examens, il obtiendra un certificat GRADEO délivré par l'ESTIA (correspondant à 6 ECTS) ainsi que la certification Oracle "Oracle Machine Learning Using Autonomous Database 2021 Specialist (1Z0-1096-21)".
Le certificat de réussite de l'ESTIA sera délivré par email à l'apprenant.e . Le certificat professionnel Oracle pourra être téléchargé directement sur la plateforme Oracle en cas de réussite de l'examen correspondant.
Plan de cours
- Introduction
- Modèle relationnel de Codd
- Concepts mathématique sous-jacents
- Concepts informatique sous-jacents
- Paradigme valeur du modèle relationnel de Codd
- Modèle relationnel de Codd
- Exercice : Schéma relationnel de Codd
- Normalisation
- Algèbre relationnelle du modèle de Codd
- Intérêt du modèle relationnel de Codd
- Exercices
- Conclusion
- Exercice : Algèbre de Codd
- Exercice : Modèle relationnel de Codd (Cas Covid)
- Quiz d'auto-évaluation
- Séminaires
- Partie 1 - Introduction
- Partie 1 - Codd et Date
- Partie 2 - Introduction
- Partie 2 - Datawarehouse
- Partie 3 - Introduction
- Partie 3 - Database storage
- Webinaire Data Axis Mundi
- Introduction
- Définition schéma en SQL2
- Interrogation BD avec SQL2
- Exercices : Algèbre de Codd et SQL2
- Exercice : Lost Update
- Exemples
- Exercice : Maria
- Exercices commentés
- Introduction
- Modèle de données
- Exercice : ACID
- Modèles OBJET et OR
- Objet
- Propriétés RICE
- Exercice : Modèle de Codd
- Troisième manifeste de Date
- Exercice : Hôtesse
- Langage D
- Recherche en BD
- Exercice : Thesaurus
- Exercice : Exemple complet
- Pour en savoir plus sur le troisième manifeste
- Deuxième manifeste de Stonebraker
- Object middleware
- Exercice : Agrégation et délégation
- Quiz d'auto-évaluation
- Introduction
- OQL
- Exercice : Pilote niçois
- Quantificateur universel et Group By
- OQL conclusion
- Exemple Thesaurus complet
- Conclusion
- Schéma relationnel Covid
- Exercice : Schéma de Date
- Introduction
- Objet SQL3
- Exemple
- Nouveautés
- Double paradigme
- Valeur VS pointeur VS variable
- Type REF
- Exercice
- Conclusion
- Quiz d'auto-évaluation
- Introduction
- Top down
- Bottom up
- Ecosystème Hadoop
- Vers Big SQL
- Quiz d'auto-évaluation
- Introduction
- Data
- Big Data
- Intelligence artificielle
- Machine learning
- Raisonnement & intuition
- Apprentissage profond
- Exercice : Perception
- Travail personnel
- Introduction
- Standard NFC
- Les 3 modes du standard NFC
- Questions NFC
- Secure element
- Applications NFC
- Energie information et LIFI
- Blockchain
- Questions blockchain
- Metaverse / GPT-3 / Starlink
- Disruption quantique
- Questions Metaverse / GPT-3 / Starlink
- Les 3 dimensions de la data economy
- Innovation spiraliste
- Conclusion
- Quiz d'auto-évaluation
- Séminaire
- Exercices
- Modèle relationnel de Codd
- Algèbre de Codd
- Schéma SQL3
- Schéma ODMG
- Division algébrique Hadoop
- Théorie des catégories
- 3NF
- OLAP : Obtention de COUNT par SQL/Groupe BY
- Construction, insertion et suppression dans B+ Arbre
- Introduction
- Big Data & calcul distribué
- Paradigme MapReduce
- Comptage de mots
- Amis en commun
- Parcours en largeur
- Conclusion
- Présentation Hadoop
- Présentation Hadoop HDFS
- Usage HDFS
- Hadoop YARN
- Quiz d'auto-évaluation
- Introduction
- Présentation Hadoop
- Environnement de développement
- Classe Driver
- Classe Mapper
- Classe Reducer
- Exécution Hadoop
- Hadoop streaming
- ADI HDFS
- Quiz d'auto-évaluation
- Exercices
- Classe INPUTFORMAT
- Classe INPUTFORMAT PERSONNALIS
- Classe OUTPUTFORMAT
- TYPE WRITABLE personnalisés
- Présentation APACHE SPARK
- Architecture APACHE SPARK
- APACHE SPARK API - CORE
- Base
- Transformations
- Actions
- Variable
- Exemple
- Environnement de développement APACHE SPARK & exécution
- Quiz d'auto-évaluation
- Vecteurs
- Matrices
- Equations linéaires
- Matrices & cartes linéaires
- Factorisation de matrices
- Optimisation
- Quiz d'auto-évaluation
- La vision globale
- Apprentissage biologique VS artificiel
- Environnement d'apprentissage
- Apprentissage supervisé
- Apprentissage non supervisé
- Protocoles d'apprentissage
- Décision BAYESIAN
- Quiz d'auto-évaluation
- Introduction à la prédiction linéaire
- Equations normales
- Régression RIDGE
- Machines à seuil linéaire
- Apprentissage par gradient
- Fonctions de perte et de risque
- Perception de l'algorithme de Rosenblatt
- Obtention d'une séparabilité linéaire dans l'espace des caractéristiques
- Quiz d'auto-évaluation
- Introduction
- Introduction aux réseaux de neurones
- Réseaux de neurones
- Apprendre avec les réseaux de neurones
- Détails de la rétropropagation
- Apprendre à partir des données
- Architectures profondes
- Apprentissage dans les architectures profondes
- Sélection de l'architecture optimale
- Quiz d'auto-évaluation
- Vision par ordinateur, langage naturel
- Vision par ordinateur, classification d'images & réseaux de neurones
- Convolution & images
- Réseaux neuronaux convolutifs
- Classification d'images avec des réseaux neuronaux convolutifs
- Modélisation du langage naturel & réseaux neuronaux
- Réseaux neuronaux récurrents
- Modélisation linguistique avec des réseaux neuronaux récurrents
- Mémoires à court et à long terme
- Quiz d'auto-évaluation
- Logiciels de Machine Learning
- Logiciels de Machine Learning : bibliothèques & principaux outils
- Exercice : Site web
- Introduction à Tensorflow
- Exercice : Installation de Tensorflow
- Tensors, opérations, graphes
- Exercice : Combinaison linéaire
- Exécuter des opérations
- Exercice : Produit matrice par matrice
- Variables & INPUT DATA
- Exercice : Processus interactif
- Etablir une classification
- Exercice : IRIS Data
- Mise en œuvre d'un réseau neuronal
- Exercice : Erreur quadratique moyenne
- Former un réseau neuronal
- Exercice : Rythme d'apprentissage
- Introduction
- Introduction
- Practice
- Retrieving, restricting & sorting data
- Retrieving data using the SQL SELECT statement
- Practice
- Restricting & sorting data
- Practice
- Using functions
- Using single-row functions to customize output
- Number functions
- Practice
- Using conversion functions & conditional expressions
- General functions
- Practice
- Reporting aggregated data using the group functions
- Practice
- Using joins & subqueries
- Displaying data from multiple tables using joins
- Practice
- Using subqueries to solve queries
- Practice
- Using SET operators
- Using SET operators
- Practice
- Introduction to DML & DDL Statement
- Managing tables using DML statements in Oracle
- State of data
- Practice
- Introduction to date definition language in Oracle
- FOREIGN KEY constraint
- Practice
- Introduction to data dictionnary views
- Practice
- Creating schema objects
- Creating sequences, synonyms, & indexes
- Sequence information
- Practice
- Creating views
- Practice
- Introduction to PL/SQL concepts
- Introduction
- Practice
- Introduction to PL/SQL
- Practice
- Declaring PL/SQL variables
- The %TYPE attribute
- Practice
- Writing executable statements
- Practice
- Using SQL statements within a PL/SQL block
- Practice
- Writing control structures
- Basic loop : example
- Practice
- Working with composite data types
- Associative arrays
- Practice
- Using explicit cursors
- Cursor FOR loops
- Practice
- Handling exceptions
- Practice
- Introducing stored procedures & functions
- Practice
- Creating procedures
- Practice
- Creating functions
- Practice
- Creating packages
- Practice
- Creating triggers
- Practice
- Overview
- Introduction to OML
- Oracle Machine Learning features
- Introduction to Machine Learning for Python
- Workspaces & projects
- Creating workspaces & projects for use with OML noteboooks & AutoML UI
- Users in workspaces in Oracle Machine Learning
- SQL scripts in OML
- Creating SQL scripts in Oracle Machine Learning
- Restrictions on SQL commands
- AutoML
- An introduction to Oracle AutoML
- AutoML with OML4Py
- OML AutoML user interface (UI)
- OML notebooks
- Notebooks
- Forms in notebooks
- Versioning in notebooks
- Templates
- Templates
- Creating notebook from templates
- Jobs in OML
- Working with jobs
- Administering OML
- Administering
- Connection groups
- Introduction to Machine Learning for Python
- Introduction to Machine Learning for Python
- Why Machine Learning & usecases
- Machine Learning workflow & types of ML algorithms
- Introduction to Oracle Machine Learning for Python & features
- OML4Py features
- Oracle Machine Learning for Python advantages
- OML notebooks
- Python libraries in OML4Py
- Practice
- OML4Py transparency layer
- OML4Py transparency layer
- Combine data
- Clean & split data
- Data exploration
- Practice
- Working with Machine Learning models
- Working with Machine Learning models
- Common in database algorithm features
- Working with Machine Learning models
- Create a model proxy object from an existing model, export & import a model
- Practice
- Data store for Python objects
- Data store for Python objects
- Save objects & load saved objects from a data store
- Get information from a data store
- Get information & delete data store object
- Manage access to stored objects
- Practice
- OML4Py automated Machine Learning
- Machine Learning workflow automated by AutoMl
- Algorithm selection
- Feature selection
- Model tuning
- Model selection
- Practice
- Introduction to embedded Python execution
- Run a Python function
- Run a Python function on the specified data
- Run a Python function on datagrouped by column values
- Introduction to script repository overview
- Load & drop script from repository
- Introduction to REST API
- Practice
- Working with cx_Oracle
- Oracle architecture
- Readwrite table methods
- Work on your final project
Équipe pédagogique
Marco Gori
Catégories
Professeur d'informatique, Université de Sienne, Département d'ingénierie de l'information et de mathématiques.
Stefano Melacci
Catégories
Professeur assistant en informatique, Université de Sienne, Département d'ingénierie de l'information et de mathématiques.
Établissements
En partenariat avec
Cours inclus dans ce GRADEO
Programmation SQL Relationnel & Objet
Gestion répartie du Big Data
Intelligence Artificielle (Machine-Learning & Deep Learning)
Machine Learning on Oracle Cloud
Licence
Licence pour le contenu du cours
Attribution - Pas d’Utilisation Commerciale - Pas de Modification
Vous êtes autorisé à :
- Partager — copier, distribuer et communiquer le matériel par tous moyens et sous tous formats
Selon les conditions suivantes :
- Attribution — Vous devez créditer l'oeuvre, intégrer un lien vers la licence et indiquer si des modifications ont été effectuées à l'oeuvre. Vous devez indiquer ces informations par tous les moyens raisonnables, sans toutefois suggérer que l'offrant vous soutient ou soutient la façon dont vous avez utilisé son oeuvre.
- Pas d’Utilisation Commerciale — Vous n'êtes pas autorisé à faire un usage commercial de cette oeuvre, tout ou partie du matériel la composant.
- Pas de modifications — Dans le cas où vous effectuez un remix, que vous transformez, ou créez à partir du matériel composant l'oeuvre originale, vous n'êtes pas autorisé à distribuer ou mettre à disposition l'oeuvre modifiée.
Licence pour le contenu créé par les participants du cours
Tous droits réservés
"Tous droits réservés" est une formalité du droit d'auteur indiquant que le détenteur du droit d'auteur se réserve, ou détient pour son propre usage, tous les droits prévus par la loi sur le droit d'auteur.