Formation Spark avec Python – utilisation de pyspark
Traitez de grands volumes avec PySpark : DataFrame Spark, SQL distribué et machine learning à l'échelle Big Data.
Dates des prochaines sessions
Sessions en présentiel à Paris ou à distance. Inscriptions ouvertes jusqu'à la veille du démarrage.
La formation Spark avec Python vous initie en 3 jours au traitement distribué de grands volumes de données via PySpark. Vous comprenez l’environnement Apache Spark : architecture, exécution distribuée, lazy evaluation, gestion de la mémoire. Vous apprenez à utiliser le package PySpark pour communiquer avec Spark depuis Python, manipulez des DataFrames distribués, et maîtrisez Spark SQL pour exécuter des requêtes à grande échelle. Vous abordez également MLlib pour le machine learning distribué sur de très grands jeux de données. La formation est jalonnée d’ateliers pratiques sur cluster, pour vous rendre opérationnel sur vos projets data engineering ou data science en environnement Big Data.
Objectifs pédagogiques
- Comprendre l'environnement Apache Spark
- Utiliser le package PySpark pour communiquer avec Spark
- Maîtriser Spark SQL
- Maîtriser MLlib
3 jours, 21 heures de pratique
Chaque journée alterne apports théoriques courts et ateliers pratiques. Programme ajustable en intra-entreprise.
1 L'environnement Spark et PySpark
• Comprendre l’environnement Apache Spark : architecture et exécution distribuée
• Notions de RDD, lazy evaluation et gestion de la mémoire
• Le package PySpark pour communiquer avec Spark depuis Python
• Manipulation de DataFrames distribués
2 Spark SQL et traitement de données à grande échelle
• Maîtrise de Spark SQL : requêtes à grande échelle
• Transformations et actions sur de grands volumes
• Lecture et écriture de données (Parquet, CSV, sources distribuées)
• Optimisation des traitements et partitionnement
3 Machine learning distribué avec MLlib
• Maîtrise de MLlib pour le machine learning distribué
• Pipelines de machine learning sur Spark
• Entraînement et évaluation de modèles sur de très grands jeux de données
• Atelier : projet complet de data science distribuée sur cluster
Profils et prérequis
Profils concernés
- Data engineer et data scientist travaillant sur de grands volumes
- Développeur Python amené à exploiter un cluster Spark
- Architecte data cadrant des projets Big Data
Prérequis
- Bonne maîtrise de Python
- Pratique de pandas
- Connaissances de base en SQL
Les logiciels et technologies
Les outils que vous manipulerez tout au long de la formation.
Outils d'évaluation des compétences
- Quiz et QCM à la fin de chaque module pour valider l’acquisition des connaissances théoriques.
- Mini-projets guidés (manipulation de DataFrames, visualisation) Auto-évaluation sur la compréhension et la mise en application des concepts.
- Feedback individuel : chaque participant se voit proposer un bilan de ses points forts et axes d’amélioration.
Une formation finançable
Cette formation est éligible aux principaux dispositifs de financement de la formation professionnelle. Notre équipe vous accompagne dans le montage du dossier.
OPCO — Prise en charge par votre opérateur de compétences au titre du plan de développement des compétences de votre entreprise.
Plan de développement — Inscription dans le plan de formation de votre entreprise, en direct avec votre service RH ou formation.
Financement personnel — Tarifs adaptés pour les indépendants et auto-entrepreneurs, paiement en plusieurs fois possible.
FAQ
Quelle est la durée de la formation et sous quels formats est-elle proposée ?
La formation dure 3 jours (21 heures) et se déroule en présentiel ou à distance, en groupe limité à 6 participants pour préserver l'interactivité et la pratique.
Quels sont les prérequis pour suivre cette formation ?
Pour suivre cette formation dans de bonnes conditions, il est recommandé d'avoir : Bonne maîtrise de Python; Pratique de pandas; Connaissances de base en SQL.
A-t-on besoin d'installer un cluster Spark ?
Non, la formation fournit un environnement Spark accessible en cloud avec PySpark et Jupyter. Il n'y a rien à installer sur le poste des participants.
Quelle est la différence avec la formation Spark avec Scala ?
Cette formation utilise Python (PySpark), plus accessible aux profils data science, tandis que la formation Spark avec Scala s'adresse aux data engineers développant dans le langage natif de Spark.
Prêt à monter en compétences ?
Inscrivez-vous à l'une de nos sessions programmées, ou optez pour une formation intra sur mesure adaptée à votre équipe.
Une question ? Appelez-nous au 01.72.25.40.82
Cette formation Spark avec Python (PySpark) vous initie au traitement distribué de grands volumes de données. Sur 3 jours, vous découvrez l’architecture Spark, manipulez des DataFrames distribués, exécutez des requêtes SQL à grande échelle et abordez le machine learning avec Spark MLlib. La formation est jalonnée d’ateliers pratiques sur cluster, pour que vous repartiez prêt à exploiter Spark dans vos projets data engineer ou data science Big Data.