BEGIN:VCALENDAR
VERSION:2.0
PRODID:-//Expert Team Tunisie - ECPv6.16.3//NONSGML v1.0//EN
CALSCALE:GREGORIAN
METHOD:PUBLISH
X-ORIGINAL-URL:https://www.expertunisie.com
X-WR-CALDESC:Évènements pour Expert Team Tunisie
REFRESH-INTERVAL;VALUE=DURATION:PT1H
X-Robots-Tag:noindex
X-PUBLISHED-TTL:PT1H
BEGIN:VTIMEZONE
TZID:Africa/Tunis
BEGIN:STANDARD
TZOFFSETFROM:+0100
TZOFFSETTO:+0100
TZNAME:CET
DTSTART:20210101T000000
END:STANDARD
END:VTIMEZONE
BEGIN:VEVENT
DTSTART;VALUE=DATE:20220518
DTEND;VALUE=DATE:20220523
DTSTAMP:20260613T235414
CREATED:20220516T164900Z
LAST-MODIFIED:20220516T164900Z
UID:8718-1652832000-1653263999@www.expertunisie.com
SUMMARY:Formation Data Science - Tunisie
DESCRIPTION:Prérequis de la formation Data Science Tunisie  :\nPour entamer la formation data science tunisie  \, le minimum requis est d’un bac+3 scientifique\, en mathématiques ou en statistiques. \nObjectifs\nÀ la fin de la formation data science tunisie \, vous serez capable de valider les objectifs d’apprentissages suivants : \n\n Acquérir les compétences nécessaires pour devenir Data Scientist.\nApprendre à coder avec Python\, stocker et concevoir une base de données en utilisant SQL.\nComprendre comment traiter les données en maîtrisant différents types de bases de données.\nRésoudre de gros problèmes de données avec Hadoop.\nApprendre à visualiser des données avec le logiciel Tableau.\nDévelopper des API en Machine Learning.\nMettre en œuvre des algorithmes de Machine Learning (apprentissage supervisé et non supervisé).\n\nProgrammes :\n1. Introduction à la formation Data Science Fondamentaux :\n➤L’avènement de la data\, nouvelle ressource stratégique pour les entreprises.\n➤Qu’entend-on par Big Data ?\n➤Architectures\, stockage\, traitement.\n➤La règle des 3V : Volume\, Vélocité et Variété.\n➤Cas d’usage et domaines d’application des solutions Big Data.\n➤De l’analyse statistique au deep learning : retour historique sur le traitement des données.\n➤Data Mining vs.\n➤Business Intelligence.\n➤Enjeux\, perspectives et défis pour les entreprises\, organisations et Etats.\n➤Gouvernance des données : cycle de vie et gestion de la qualité. \n2. Principes et concepts de base en Data Science:\n➤Qu’est-ce que la Data Science ?\n➤ Introduction à la science des données.\n➤Définitions\, terminologie : le vocabulaire de la Data Science.\n➤Data Scientist\, « métier le plus sexy du XXIème siècle » ?\n➤Comprendre le rôle\, les compétences et la pensée du data scientist .\n➤Vue d’ensemble d’un processus de Data Science.\n➤Comprendre ce qu’est le Data Mining .\n➤Identifier le besoin et les objectifs métiers. \n3. La boîte à outils du Data Scientist:\n➤Panorama des outils open-source et propriétaires du marché.\n➤Les langages R\, Python et leur environnement de développement (RStudio IDE\, Anaconda…).\n➤Travailler avec les notebooks Jupyter.\n➤Les principales bibliothèques pour la Data Science : Pandas\, NumPy\, SciKit- Learn.\n➤Bases de données : SQL\, NoSQL\, MongoDB…\n➤Visualisation : Excel\, Tableau\, Matplotlib\, D3.js.\n➤Installer les outils nécessaires aux travaux pratiques de la formation.\n \n4. Programmation avec R ou Python :\n➤Présentation d’un langage de programmation pour la Data Science.\n➤Caractéristiques du langage\, structure d’un programme.\n➤Assigner des variables\, types de données\, opérations de base .\n➤Manipuler des listes\, tableaux\, fonctions\, packages…. \n5. Obtention et exploration des données :\n➤Où trouver des ensembles de données ?\n➤Sources de données publiques et privées (web\, médias sociaux\, IoT…).\n➤Les entrepôts de données (datawarehouse\, datalake).\n➤Importer des données\, installer des packages et des bibliothèques.\n➤Une première visualisation : identifier les caractéristiques d’un ensemble de données.\n➤Quelles sont les données pertinentes ?\n➤Données opérationnelles.\n➤Bonnes pratiques pour contrôler la qualité des données. \n6. Prétraitement de données :\n➤Comprendre l’importance du processus de nettoyage des données.\n➤Exemple d’un ensemble de données non-structurées.\n➤Nettoyer et préparer des ensembles de données .\n➤Identifier et gérer les valeurs manquantes ou aberrantes.\n➤Considérations pour le Big Data : les outils Apache Spark\, Hadoop et le modèle MapReduce.\n➤L’analyse en composantes principales (ACP\, ou PCA pour Principal Component Analysis).\n➤Feature engineering : extraction et sélection des features. \n7. Analyse et modélisation : introduction au Machine Learning :\n➤Modéliser un problème de Data Science : entrées et sorties attendues.\n➤Le Machine Learning et les capacités d’apprentissage des machines.\n➤Les différentes familles d’algorithmes : supervisé\, non-supervisé\, semi- supervisé\, classification\, régression….\n➤L’intuition derrière un modèle d’apprentissage.\n➤Bibliothèques et packages ML pour R et Python : scikit-learn\, gradDescent\, TensorFlow….\n➤Analyse et exploration statistiques de documents : le Text Mining Gérer les gros volumes de données (Big Data). \n8. Mise en œuvre des méthodes d’apprentissage supervisé :\n➤Estimation de valeurs : construire un modèle de régression linéaire .\n➤Régression non-linéaire\, régression logistique.\n➤Interpréter les coefficients de régression.\n➤Utiliser l’algorithme du gradient (descente de gradient).\n➤Automatiser la labélisation de nouveaux jeux de données.\n➤Vue d’ensemble des méthodes ensemblistes.\n➤Réseaux Bayésiens\, classification naïve bayésienne.\n➤Arbres de décision et random forests.\n➤Machines à vecteurs de support (SVM). \n9. Apprentissage semi-supervisé et non-supervisé\, clustering :\n➤Les principaux algorithmes.\n➤Partitionnement en k-moyennes .\n➤Regroupement hiérarchique.\n➤Clustering basé sur la densité.\n➤Qu’est-ce que le Deep Learning ?\n➤Présentation des réseaux de neurones. \n10. Evaluation et tests des modèles d’apprentissage :\n➤Evaluer et améliorer des modèles : sur-apprentissage\, cross-validation… .\n➤Métriques et méthodes pour la maintenance des modèles.\n➤Pourquoi la performance des modèles d’apprentissage se détériore-t-elle ?\n➤Ajuster et valider un modèle. \n11. Visualisation et restitution : communiquer avec les données :\n➤Transformer des données en décisions.\n➤Les principes de la visualisation de données.\n➤Outils principaux de dataviz : Tableau Software\, QlikSense… .\n➤Représentations graphiques de base :histogrammes\, boxplots et diagrammes.\n➤Les packages R pour la datavisualization (R Markdown\, Shiny…) .\n➤Visualisation interactive de données.\n➤Data storytelling : raconter une histoire avec les données.
URL:https://www.expertunisie.com/voir_formation/data-science-tunisie/
ATTACH;FMTTYPE=image/jpeg:https://www.expertunisie.com/wp-content/uploads/2022/05/950321c11d_50173256_data-science-1.jpg
END:VEVENT
BEGIN:VEVENT
DTSTART;VALUE=DATE:20220520
DTEND;VALUE=DATE:20220523
DTSTAMP:20260613T235414
CREATED:20220324T124841Z
LAST-MODIFIED:20220324T124841Z
UID:6842-1653004800-1653263999@www.expertunisie.com
SUMMARY:Excel Avancé
DESCRIPTION:Programme\nJour 1 \n\nModifier les options du logiciel\nCréer des modèles de feuilles et de classeurs\nImporter des données externes\nTrier les données\nFiltrer les données (filtres automatiques / filtres avancés)\nSupprimer les doublons\nUtiliser des styles et des thèmes prédéfinis\nCréer des styles et des thèmes personnalisés\nUtiliser la mise en forme conditionnelle\nUtiliser des graphiques Sparkline\nLier des cellules entre elles dans le même classeur\nUtilisation des segments\nNommer des cellules ou des plages de cellule\n\nJour 2 \n\nl ‘Utiliser les fonctions du tableur:\nSi\, NB.SI\, SOMME.SI\, NB.VAL\, MOYENNE.SI\, MOYENNE\, ECART-TYPE\, MODE\, CONCATENER\, DROITE\, GAUCHE\, RECHERCHEV\, SOUS.TOTAL\,\nLes opérateurs logique ET\, OU\n\nJour 3 \n\nInsérer des contrôles dans une feuille\nInsérer des listes déroulantes\, des cases à cocher\nConsolider les données\nCréer des tableaux croisés dynamiques Filtrer / trier des données Afficher / masquer des données Créer un graphique croisé dynamique Utilisation des segments\nCalculer des dates\, des heures\nProtéger une formule\, des cellules\, des feuilles\, un classeur\nCréer une macro.
URL:https://www.expertunisie.com/voir_formation/excel-avance-5/
ATTACH;FMTTYPE=image/jpeg:https://www.expertunisie.com/wp-content/uploads/2021/12/excel-avancé.jpg
END:VEVENT
BEGIN:VEVENT
DTSTART;VALUE=DATE:20220521
DTEND;VALUE=DATE:20220523
DTSTAMP:20260613T235414
CREATED:20220324T125942Z
LAST-MODIFIED:20220324T125942Z
UID:6848-1653091200-1653263999@www.expertunisie.com
SUMMARY:IQBBA Foundation Analyste Métier ( Business Analyst ) - Tunisie
DESCRIPTION:Formtion sur deux WeekEnd : 20\, 21\, 27 et 28 février 2020 \nPrérequis\nConnaissances de base du cycle de vie des logiciels (systèmes d’information\, embarqués\, temps réels) et conception. \nObjectifs\nIQBBA développe les compétences suivantes : \n\nAnalyse d’entreprise : comprendre les processus métier au sein de l’organisation\, identifier les changements nécessaires et préparer analyses de risques et études de faisabilité. \nAnalyse métier : identifier les besoins et déterminer les solutions utiles pour résoudre les problématiques métier \nAmélioration des processus : optimiser les performances de l’organisation \nInnovation\, design et client : appliquer des techniques modernes dans les secteurs de l’innovation et du design créatif afin d’aboutir à de nouveaux produits compétitifs et innovants.\n\nProgramme\n1. Fondamentaux de l’Analyse Métier\n1.1. Pourquoi l’Analyse Métier est-elle nécessaire\n1.2. Qu’est-ce que l’Analyse Métier ?\n1.3. Concepts Clés de l’Analyse Métier\n1.4. Domaines de Compétences\n1.5. Tâches et Responsabilités \n2. Analyse de l’Entreprise\n2.1. Identification des Parties Prenantes et Analyse\n2.2. Analyse de l’Entreprise – Identifier les Processus Métier\n2.3. Besoins Métier et définition des objectifs\n2.4. Définition de l’Etude de Rentabilité\n2.5. Déterminer le périmètre de la solution et l’approche \n3. Planification du Processus de l’Analyse Métier\n3.1. Gestion de la Communication pour l’Analyse Métier\n3.2. Planification du processus de gestion des exigences\n3.3. Processus de Gestion de Configuration et du Changement\n3.4. Sélection des outils et techniques \n4. Elicitation\n4.1. Le Concept d’Elicitation des Exigences\n4.2. Gestion du périmètre des exigences\n4.3. Traçabilité des exigences\n4.4. Documentation des exigences\n4.5. Communication\n4.6. Standards \n5. Analyse des Exigences\n5.1. Organisation des Exigences\n5.2. Modélisation et Spécification\n5.3. Définir les hypothèses et les contraintes\n5.4. Vérification et Validation\n5.5. Assurance Qualité \n6. Validation de la solution\n6.1. Évaluation\n6.2. Validation \n7. Outils et Techniques\n7.1. Outils d’Analyse Métier\n7.2. Techniques d’Analyse Métier \n8. Compétences\n8.1. Connaissance du Domaine\n8.2. Aptitudes Personnelles\n8.3. Aptitude à la Facilitation \n9. Amélioration de Processus\n9.1. Amélioration de Processus\n9.2. Simulation et Re-conception de Processus \n10. Innovation\, Conception et Client\n10.1. Rôle de l’Innovation\n10.2. Concurrence et étude de marché\n10.3. Conception par la Pensée (Design Thinking)\n10.4. Méthodes\, outils et techniques de base\n10.5. Travailler avec l’utilisateur final
URL:https://www.expertunisie.com/voir_formation/iqbba-foundation-analyste-metier-business-analyst-tunisie-14/
ATTACH;FMTTYPE=image/jpeg:https://www.expertunisie.com/wp-content/uploads/2021/12/business-analyste.jpg
END:VEVENT
BEGIN:VEVENT
DTSTART;VALUE=DATE:20220521
DTEND;VALUE=DATE:20220523
DTSTAMP:20260613T235414
CREATED:20220324T131646Z
LAST-MODIFIED:20220324T131646Z
UID:6862-1653091200-1653263999@www.expertunisie.com
SUMMARY:Formation ISTQB niveau Foundation
DESCRIPTION:Prérequis\nLe principal prérequis est d’être impliqué\, de prêt ou de loin\, dans le test de logiciels ou de systèmes d’information. \nObjectifs\n-Maîtriser les bases du métier de Test Logiciel \n-Professionnaliser et valoriser les activités de test en déployant des standards\, méthodes et bonnes pratiques reconnues. \nProgramme\n1. Fondamentaux des tests\n1.1 Que sont les tests ?\n– 1.1.1 Objectifs habituels des tests\n– 1.1.2 Test et débogage\n1.2 Pourquoi les tests sont-ils nécessaires\n– 1.2.1 Contribution des tests au succès\n– 1.2.2 Assurance qualité et test\n– 1.2.3 Erreurs\, défauts et défaillances\n– 1.2.4 Défauts\, causes racines et effets\n1.3 Sept principes sur les tests\n1.4 Processus de test\n– 1.4.1 Le processus de test dans le contexte\n– 1.4.2 Activités et taches de test\n– 1.4.3 Les produits d’activités du test\n– 1.4.4 Traçabilité entre les bases de test et les produits d’activités du test\n1.5 La psychologie des tests\n– 1.5.1 Psychologie humaine et test\n– 1.5.2 Etat d’esprit des testeurs et des développeurs \n2. Tester pendant le cycle de vie du développement logiciel\n2.1 Les modèles de développement logiciel\n– 2.1.1 Développement de logiciel et tests logiciels\n– 2.1.2 Modèles de cycle de vie du développement logiciel en contexte\n2.2 Niveaux de test\n– 2.2.1 Test de composants\n– 2.2.2 Test d’intégration\n– 2.2.3 Test système\n– 2.2.4 Test d’acceptation\n2.3 Types de test\n– 2.3.1 Tests fonctionnels\n– 2.3.2 Tests non-fonctionnels\n– 2.3.3 Tests boîte-blanche\n– 2.3.4 Tests liés aux changements\n– 2.3.5 Types de test et niveaux de test\n2.4 Tests de maintenance\n– 2.4.1 Facteurs déclencheurs pour la maintenance\n– 2.4.2 Analyse d’impact pour la maintenance \n3. Tests statiques\n3.1 Bases des tests statiques\n– 3.1.1 Produits d’activités qui peuvent être examinés par des tests statiques\n– 3.1.2 Bénéfices des tests statiques\n– 3.1.3 Différences entre les tests statiques et dynamiques\n3.2 Processus de revue\n– 3.2.1 Processus de revue de produits d’activités\n– 3.2.2 Rôles et responsabilités dans une revue formelle\n– 3.2.3 Types de revue\n– 3.2.4 Application des techniques de revue\n– 3.2.5 Facteurs de réussite des revues \n4. Techniques de test\n4.1 Catégories de techniques de test\n– 4.1.1 Choix des techniques de test\n– 4.1.2 Catégories de techniques de test et leurs caractéristiques\n4.2 Techniques de test boîte-noire\n– 4.2.1 Partitions d’équivalence\n– 4.2.2 Analyse des valeurs limites\n– 4.2.3 Test de tables de décision\n– 4.2.4 Test des transitions d’état\n– 4.2.5 Test des cas d’utilisation\n4.3 Techniques de test boîte-blanche\n– 4.3.1 Test et couverture des instructions\n– 4.3.2 Test et couverture des décisions\n– 4.3.3 Apport des tests des instructions et décisions\n4.4 Techniques de test basées sur l’expérience\n– 4.4.1 Estimation d’erreur\n– 4.4.2 Tests exploratoires\n– 4.4.3 Tests basés sur des checklists \n5. Gestion des tests\n5.1 Organisation des tests\n– 5.1.1 Indépendance des tests\n– 5.1.2 Tâches d’un Test Manager et d’un testeur\n5.2 Planification et estimation des tests\n– 5.2.1 Objet et contenu d’un plan de test\n– 5.2.2 Stratégie de test et approche de test\n– 5.2.3 Critères d’entrée et de sortie (Définition du prêt et définition du terminé)\n– 5.2.4 Calendrier d’exécution des tests\n– 5.2.5 Facteurs influençant l’effort de test\n– 5.2.6 Techniques d’estimation des tests\n5.3 Pilotage et contrôle des tests\n– 5.3.1 Métriques utilisées pour les tests\n– 5.3.2 Buts\, contenu et destinataires des rapports de test\n5.4 Gestion de configuration\n5.5 Risques et tests\n– 5.5.1 Définition du risque\n– 5.5.2 Risques produit et risques projet\n– 5.5.3 Test basé sur les risques et qualité du produit\n5.6 Gestion des défauts \n6. Outils de support aux tests\n6.1 Introduction aux outils de test\n– 6.1.1 Classification des outils de test\n– 6.1.2 Bénéfices et risques de l’automatisation des tests\n– 6.1.3 Considérations particulières pour les outils d’exécution des tests et de gestion des tests\n6.2 Utilisation efficace des outils\n– 6.2.1 Principes de base pour la sélection des outils\n– 6.2.2 Projets pilotes pour l’introduction d’un outil dans une organisation\n6.2.3 Facteurs de succès pour les outils
URL:https://www.expertunisie.com/voir_formation/formation-istqb-niveau-foundation-5/
ATTACH;FMTTYPE=image/jpeg:https://www.expertunisie.com/wp-content/uploads/2021/12/istqb-new-copy.jpg
END:VEVENT
BEGIN:VEVENT
DTSTART;VALUE=DATE:20220521
DTEND;VALUE=DATE:20220523
DTSTAMP:20260613T235414
CREATED:20220426T072402Z
LAST-MODIFIED:20220426T072402Z
UID:7812-1653091200-1653263999@www.expertunisie.com
SUMMARY:Testeur sélénium A4Q - Tunisie
DESCRIPTION:Prérequis\n-Les participants doivent avoir une connaissance générale de la programmation en JAVA ou Python. \nObjectifs\n-Appliquer correctement les principes d’automatisation de test pour créer une solution d’automatisation de test maintenable\n-Être capable de choisir et de mettre en œuvre les outils d’automatisation de test appropriés\n-Être capable d’implémenter les scripts Sélénium Web Driver qui exécutent des tests d’applications Web fonctionnels \nProgramme\n1. Concepts de l’automatisation\na. Pourquoi automatiser ?\nb. Facteurs de succès de l’automatisation\nc. Bénéfices et limites de l’automatisation\nd. Comment choisir les Tests à automatiser ?\ne. Approches de l’automatisation \n2. Présentation Sélénium 2\na. À propos de Selenium\nb. Architecture de la suite d’outils Selenium\n– Selenium IDE\n– Selenium Webdriver\n– Selenium GRID \n3. Mise en oeuvre de Sélénium IDE\na. Installation\nb. Enregistrement de scénario\nc. Rejeu des scénarios\nd. Générer le script des scénarios\ne. Modifier un script généré\nf. Débogage de scripts\ng. Points d’arrêt\nh. Enregistrer script format Java\ni. Création Locators\nj. Analyse chemins : Ids\, liens\, XPATH\nk. Extension : user-extensions.js\nl. Bonnes pratiques \n4. Mise en oeuvre de Sélénium Web driver\na. Comparaison avec Selenium IDE\nb. Notion de WebDriver\nc. Architecture : API\, SPI\nd. Pattern Page Object\ne. Installation\nf. Drivers: IE\, FF\, Chrome Safari…\ng. Scripts serveur : Java\, Python…\nh. Mise en oeuvre avec Scripts Java\ni. Test continue avec TestNG\, Maven\, Selenium\, Jenkins
URL:https://www.expertunisie.com/voir_formation/testeur-selenium-a4q-tunisie-15/
END:VEVENT
END:VCALENDAR