Travaux pratiques
1
.
Recherchez en ligne ce qu'est une machine virtuelle. Vous configurez une machine virtuelle (VM) sur Microsoft Azure et souhaitez réaliser des expériences de science des données. Recherchez la meilleure façon d'accéder à tout l'outillage dont vous avez besoin sans avoir à rechercher et installer les outils individuels par vous-même.
2
.
Sélectionnez trois exemples de SGBD commerciaux ou à code source ouvert qui utilisent différents modèles de données. Installez les versions d'essai de chacun de ces SGBD et illustrez leur utilisation via un exemple de tutoriel simple. Documentez votre travail et évaluez les avantages et les inconvénients de chaque système en fonction de votre expérience.
3
.
Explorez MySQL et expérimentez avec MySQL Workbench pour construire un site web simple en utilisant Django. Reportez-vous aux instructions et au tutoriel pour plus d'informations.
4
.
Créez une application Django simple qui implémente un site web de médias sociaux et utilise un service de gestion des données basé sur l'infonuage pour la gestion des données. (Conseil : Vous pouvez utiliser cet article de Medium qui contient des conseils.)
5
.
Explorez comment utiliser les zones de service AWS pour l'élaboration de solutions pour des cas d'utilisation pour un lac de données. Les données sont initialement stockées à l'état brut, et certains cas d'utilisation utiliseront les données brutes telles quelles. Plus souvent, les solutions nécessitent différents degrés de préparation des données basés sur une collection de profils d'utilisation des requêtes qui correspondent à des cas d'utilisation réels. Basées sur la solution, les données peuvent être affinées et mises en scène dans le but de promouvoir la modularité et la réutilisation. L'objectif est de ne pas surtraiter l'ensemble de données car il est destiné à de multiples usages en aval, tels que AWS RedShift pour l'analyse relationnelle, AWS Elasticsearch pour la recherche textuelle, ou un système de fichiers distribué optimisé pour le stockage d'archives actives à faible coût, qui peut être interrogé avec un moteur SQL MPP.
6
.
Recherchez comment assembler une infrastructure de gestion des données de bout en bout pour une application de recommandation en cours de construction par une start-up. L'application devrait collecter quotidiennement des centaines de gigaoctets de données structurées (profils clients, températures, prix et enregistrements de transactions) et non structurées (publications/commentaires des clients et fichiers images) auprès des utilisateurs. Les modèles prédictifs devront être réentraînés avec de nouvelles données chaque semaine et faire des recommandations instantanément sur demande. La capacité de collecte, de stockage et d'analyse des données devrait être extrêmement évolutive. Les questions à traiter sont les suivantes : Comment concevoir un processus de science des données évolutif et mettre les modèles en production ? Quels sont les outils nécessaires pour accomplir la tâche ? Vous devrez expliquer comment mettre en place un pipeline de données,
7
.
Tirez parti des types de choix suggérés dans le diagramme associé, décidez entre les services sur site et les services infonuagiques, choisissez un fournisseur de services infonuagiques le cas échéant (en particulier, étudiez les capacités ML/DL du fournisseur de services infonuagiques et construisez votre solution pour éviter le verrouillage propriétaire infonuagique), et développez des pratiques robustes de gestion de l'infonuage.
8
.
Recherchez sur Internet les plateformes informatiques disponibles et expérimentez avec celles que vous trouvez.