data-engineering

API propres pour le nettoyage de données. Implémentation Python du package R Janitor

Code source accompagnant le livre : Data Science on the Google Cloud Platform, Valliappa Lakshmanan, O'Reilly 2017

Première plateforme open source de découverte et d'observabilité des données. Nous simplifions la vie des praticiens de la donnée pour que vous puissiez vous concentrer sur votre activité.

Un modèle de package Python complet pour démarrer et standardiser vos initiatives MLOps et vos pipelines de données.

Une sélection de plus de 300 articles de blogs techniques issus des meilleures entreprises du secteur. Découvrez comment les meilleures équipes d'ingénierie résolvent des problèmes réels à grande échelle.

Le guide SQL le plus complet rédigé par un expert du terrain ! Apprenez tout, des bases aux requêtes avancées, en passant par les optimisations et les cas d'utilisation réels.

Quilt est une plateforme de gestion de données scientifiques sur AWS qui aide les équipes et l'IA à trouver, fiabiliser et réutiliser des données via des paquets de données richement contextuels et versionnés.

Solution ETL/ELT open-source à déployer sur vos propres serveurs ou dans le cloud. Basée sur DuckDB : pipelines visuels no-code/low-code ou SQL, 385 composants, dbt, CDC, qualité des données, reverse ETL, lignage, MCP pour agents IA. Sans cloud propriétaire ni facturation par ligne.

Une liste organisée, bien qu'incomplète, de ressources sur l'IA centrée sur les données.

Un centre de connaissances dédié à l'ingénierie des données et au machine learning.

Référentiel de l'Open Data Contract Standard (ODCS).

Répertoire de catalogues de données et de plateformes d'observabilité.

Appliquer des contrats de données

Synchronisez en continu les systèmes où résident vos données vers les systèmes où vous souhaitez qu'elles soient, en gérant vos flux de données avec Estuary.

FlyFish est une plateforme de codage pour la visualisation de données. Elle permet de créer rapidement un modèle de données et de générer des solutions de visualisation par simple glisser-déposer.

Un guide complet pour construire un entrepôt de données moderne avec SQL Server, incluant les processus ETL, la modélisation des données et l'analyse.

Cœur d'Egeria

Un dépôt supplémentaire regroupant des concepts fondamentaux, des défis techniques et des ressources sur l'ingénierie des données en espagnol.

Framework communautaire, simple et puissant pour un calcul distribué sur données rapide et économique.

Neum AI est un framework de premier ordre pour gérer la création et la synchronisation d'embeddings vectoriels à grande échelle.

Matériel complémentaire pour le cours Udemy The Complete dbt (Data Build Tool) Bootcamp.

Ingénierie de données pratique : guide de projet concret dans l'immobilier.

Framework Python pour construire des pipelines de données efficaces. Il favorise la modularité et la collaboration, permettant la création de pipelines complexes à partir de composants simples et réutilisables.

Plateforme d'ingénierie de données agentique open source pour dbt, SQL et les entrepôts de données cloud. Plus de 100 outils, 10 entrepôts, propulsé par l'IA.

Mieux connaître vos données ! Datavines est une plateforme d'observabilité des données de nouvelle génération, prenant en charge la gestion des métadonnées et la qualité des données.

Optimisez BigQuery avec BigFunctions

Compilation d'exemples concrets et notables de projets de machine learning ayant échoué

VectorFlow est un pipeline d'embedding vectoriel à haut volume qui ingère des données brutes, les transforme en vecteurs et les écrit dans la base de données vectorielle de votre choix.

Un moteur de flux de données conçu pour l'intégration, la synchronisation, l'échange et le partage de données, ainsi que pour la configuration et la planification des tâches. Il utilise une architecture de séparation entre le contrôle et l'exécution, des couches multi-flux et des bibliothèques de plugins pour résoudre les problèmes pratiques liés aux tâches de données à grande échelle, aux rapports et collectes de données à haute fréquence, et à la compatibilité des données hétérogènes.

Synmetrix – couche sémantique open source prête pour la production sur Cube