SlideShare une entreprise Scribd logo
L’émergence d’une nouvelle filière de for-
mation : « data scientists »
Serge	
  Abiteboul	
  (INRIA,	
  CNNum),	
  coordinateur	
  	
  	
  	
  	
  	
  
François	
  Bancilhon	
  (Data	
  publica)	
  	
   	
  François	
  Bourdoncle	
  (Dassault	
  systèmes)	
  
Stephan	
  Clemencon	
  (Telecom	
  ParisTech)	
  	
  Colin	
  de	
  la	
  Higuera	
  (U.	
  Nantes,	
  SIF)	
   	
  
Gilbert	
  Saporta	
  (CNAM)	
   	
   	
   	
  Francoise	
  Soulie-­‐Fogelman	
  (Kxen)	
  
	
  
François	
  Bourdoncle	
  et	
  Paul	
  Hermelin	
  ont	
  été	
  nommés	
  «	
  chefs	
  de	
  file	
  »	
  de	
  la	
  filière	
  Big	
  Data	
  
française.	
  Leur	
  mission	
  est	
  d’identifier	
  les	
  leviers	
  que	
  l’Etat	
  peut	
  actionner	
  pour	
  favoriser	
  
l’émergence	
   d’un	
   marché	
   du	
   Big	
   Data	
   exportateur	
   net	
   et	
   créateur	
   d’emplois	
   en	
   France.	
  
C’est	
  donc	
  un	
  objectif	
  économique	
  et	
  industriel,	
  même	
  si	
  la	
  recherche	
  a,	
  à	
  l’évidence,	
  son	
  
rôle	
  à	
  jouer	
  dans	
  la	
  filière.	
  	
  L’un	
  des	
  axes	
  importants	
  identifiés	
  pour	
  tous	
  les	
  secteurs	
  indus-­‐
triels	
  qu’ils	
  ont	
  souhaité	
  cibler	
  est	
  l’existence,	
  en	
  nombre,	
  de	
  besoins	
  de	
  profils	
  de	
  «	
  data	
  
scientists	
  ».	
  
Ils	
  nous	
  ont	
  chargés	
  de	
  réfléchir	
  sur	
  ce	
  sujet.	
  Le	
  but	
  est	
  d’écrire	
  quelques	
  pages	
  pour	
  fin	
  
novembre	
  2013.	
  La	
  réflexion	
  pourra	
  évidemment	
  être	
  approfondie	
  par	
  d’autres	
  après.	
  	
  	
  
Sujet	
  
La	
  data	
  science1	
  (la	
  «	
  science	
  des	
  données	
  »)	
  et	
  ses	
  liens	
  avec	
  le	
  big	
  data	
  (parfois	
  traduit	
  
par	
   la	
   «	
  datamasse	
  »)	
   ont	
   été	
   beaucoup	
   discutés.	
   Voir	
   par	
   exemple	
   la	
   définition	
   de	
  
Wikipedia.	
  Nous	
  ne	
  reviendrons	
  pas	
  ici	
  sur	
  cette	
  définition	
  ni	
  sur	
  le	
  fait	
  qu’il	
  est	
  néces-­‐
saire	
  de	
  développer	
  en	
  France	
  une	
  filière	
  de	
  formation	
  de	
  «	
  data	
  scientists	
  ».	
  La	
  France	
  
disposant	
   d’excellents	
   enseignements	
   en	
   mathématiques,	
   statistiques	
   et	
   informatique,	
  
on	
  devrait	
  pouvoir	
  rapidement	
  former	
  d’excellents	
  data	
  scientists.	
  La	
  question	
  qui	
  est	
  
traitée	
  ici	
  est	
  :	
  «	
  comment	
  s’y	
  prendre	
  ?	
  ».	
  
Le	
  terme	
  «	
  data	
  scientist	
  »	
  est	
  pris	
  ici	
  au	
  sens	
  large	
  pour	
  ce	
  qui	
  est	
  des	
  compétences,	
  
comme	
  scientifique	
  et	
  ingénieur,	
  peut-­‐être	
  technicien,	
  et	
  son	
  domaine	
  d’application.	
  Il	
  
recouvre	
   des	
   besoins	
  :	
   des	
   entreprises	
   (ingénieurs,	
   techniciens)	
   et	
   des	
   institutions	
   de	
  
recherche	
  (scientifiques)	
  
Une	
   mesure	
   qualitative/quantitative	
   des	
   besoins	
   est	
   compliquée	
   et	
   serait	
   nécessaire.	
  
Lors	
  de	
  rencontres	
  pour	
  préparer	
  ce	
  rapport,	
  nous	
  avons	
  beaucoup	
  entendu	
  :	
  
• C’est	
  du	
  buzz	
  et	
  il	
  n’y	
  a	
  pas	
  de	
  besoin	
  spécifique	
  (typiquement	
  dans	
  des	
  entre-­‐
prises	
  classiques).	
  
• On	
   va	
   avoir	
   besoin	
   pour	
   rester	
   dans	
   la	
   course	
   de	
   data	
   scientists	
   «	
  haut	
   de	
  
gamme	
  »	
   combinant	
   des	
   compétences	
   gestion	
   de	
   données,	
  machine	
   learning	
   et	
  
business/management	
  (typiquement	
  aussi	
  dans	
  des	
  entreprises	
  classiques).	
  	
  
• Le	
  besoin	
  explose,	
  et	
  on	
  a	
  déjà	
  du	
  mal	
  à	
  trouver	
  des	
  spécialistes	
  (typiquement	
  des	
  
entreprises	
  plus	
  Web).	
  
	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  
1	
  Davenport	
  et	
  Patil,	
  	
  «	
  Data	
  Scientist:	
  The	
  Sexiest	
  Job	
  of	
  the	
  21st	
  Century	
  »,	
  Harvard	
  Bu-­‐
siness	
  Review,	
  2012	
  
• On	
   est	
   au	
   début	
   de	
   la	
   vague	
   et	
   on	
   fonce	
   vers	
   la	
   pénurie	
   que	
   connaissent	
   déjà	
  
d’autres	
  pays	
  plus	
  avancés	
  comme	
  les	
  Etats-­‐Unis.	
  
Les	
  formations	
  de	
  data	
  scientists	
  croulent	
  sous	
  les	
  demandes.	
  Mais	
  elles	
  sont	
  trop	
  peu	
  
nombreuses	
  et	
  récentes	
  pour	
  pouvoir	
  mesurer	
  une	
  demande	
  extrêmement	
  évolutive.	
  
Méthode	
  suivie	
  
La	
  plus	
  ouverte	
  et	
  collaborative	
  possible	
  ;	
  n’hésitez	
  pas	
  à	
  faire	
  circuler	
  des	
  versions	
  de	
  
ce	
  texte	
  et	
  à	
  envoyer	
  vos	
  commentaires/critiques	
  à	
  mailto://serge.abiteboul@inria.fr.	
  
	
  
Recommandations
Que	
  faut-­‐il	
  enseigner	
  ?	
  
L’histoire2	
  du	
  terme	
  «	
  data	
  scientist	
  »	
  remonte	
  aux	
  années	
  60	
  	
  mais	
  le	
  consensus	
  aujour-­‐
d’hui	
  est	
  de	
  définir	
  le	
  data	
  scientist	
  à	
  l’intersection	
  de	
  trois	
  domaines	
  d’expertise3	
  :	
  (i)	
  
Informatique,	
  (ii)	
  Statistique	
  et	
  mathématiques,	
  et	
  (iii)	
  Connaissances	
  métier.	
  
Liste	
  indicative	
  de	
  cours	
  pour	
  illustrer	
  :	
  
• Analyse	
  du	
  problème	
  et	
  conception.	
  
• Acquisition	
   de	
   données	
   non	
   structurées	
  :	
   trouver,	
   choisir,	
   représentation,	
   cra-­‐
wling,	
  scrapping,	
  ETL.	
  
• Manipulation	
   de	
   données	
  :	
   nettoyage	
   (cleansing),	
   stockage	
   (NoSQL,	
   bases	
   co-­‐
lonnes,	
   bases	
   graphes),	
   analyse	
   de	
   qualité,	
   intégration,	
   extraction	
   des	
   méta-­‐
données,	
  distribution	
  des	
  données.	
  
• Analyse	
  de	
  données	
  :	
  statistique,	
  apprentissage	
  automatique	
  (machine	
  learning),	
  
data	
  et	
  text	
  mining),	
  données	
  temps	
  réel	
  (time	
  series,	
  flux	
  d’évènements),	
  don-­‐
nées	
  imprécises/incertaines.	
  
• Utilisation	
  de	
  réseaux	
  sociaux	
  et	
  moteurs	
  de	
  recherche.	
  
• Passage	
  à	
  l’échelle,	
  parallélisme	
  (Hadoop,	
  map/reduce),	
  cloud	
  computing,	
  archi-­‐
tecture	
  matérielle/logicielle.	
  
• Visualisation	
  de	
  données	
  massives	
  (data	
  viz),	
  explication	
  des	
  résultats.	
  
• Exploitation	
  des	
  données,	
  décisionnel	
  (BI).	
  	
  	
  
• Aspects	
  légaux,	
  éthiques	
  et	
  sociaux,	
  confidentialité,	
  anonymisation,	
  sécurité.	
  
• Séminaire	
  de	
  cas	
  d’usage	
  présentant	
  des	
  expériences	
  de	
  sciences	
  de	
  données.	
  
Des	
  projets	
  «	
  les	
  yeux	
  dans	
  les	
  yeux	
  de	
  données	
  en	
  vraie	
  grandeur	
  »	
  complémente-­‐
ront	
  ces	
  cours	
  en	
  faisant	
  intervenir	
  tous	
  les	
  aspects	
  de	
  la	
  science	
  des	
  données,	
  depuis	
  
l’acquisition	
  jusqu’au	
  plan	
  d’exploitation.	
  Ces	
  projets	
  doivent	
  encourager	
  la	
   créativité	
  
des	
  élèves	
  et	
  s’appuyer,	
  en	
  particulier	
  dans	
  le	
  cadre	
  de	
  la	
  formation	
  continue,	
  sur	
  leurs	
  
compétences	
   existantes,	
   leurs	
   intérêts,	
   leur	
   domaine	
   d’expertise.	
   Ces	
   formations	
  
s’appuieront	
  sur	
  des	
  outils	
  logiciels	
  qui	
  pourront	
  être	
  présentés	
  par	
  des	
  industriels	
  du	
  
domaine	
  et	
  utilisés	
  pour	
  les	
  expérimentations.	
  
Une	
  telle	
  formation	
  est	
  par	
  nature	
  pluridisciplinaire	
  et	
  il	
  est	
  indispensable	
  de	
  ne	
  pas	
  oc-­‐
culter	
  une	
  de	
  ses	
  dimensions	
  techniques	
  ou	
  sa	
  dimension	
  métier	
  :	
  
	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  
2	
  A	
  very	
  short	
  history	
  of	
  data	
  science,	
  www.forbes.com.	
  
3	
  Diagramme	
  de	
  Venn	
  de	
  la	
  data	
  science,	
  drewconway.com.	
  
• Complétude.	
  Nous	
  parlerons	
  ici	
  de	
  formation	
  «	
  complète	
  »	
  pour	
  les	
  formations	
  
tenant	
  compte	
  de	
  ces	
  aspects	
  dans	
  leur	
  totalité.	
  Si	
  nous	
  insistons	
  sur	
  ce	
  point,	
  
c’est	
  qu’aujourd’hui,	
  par	
  effet	
  de	
  mode,	
  on	
  fait	
  parfois	
  le	
  marketing	
  de	
  formations	
  
informatiques	
  ou	
  de	
  formations	
  de	
  statistiques	
  comme	
  formation	
  de	
  data	
  scien-­‐
tists.	
   Une	
   telle	
   approche	
   est	
   positive	
   en	
   ce	
   qu’elle	
   permet	
   de	
   faire	
   bouger	
   les	
  
lignes,	
  il	
  ne	
  faut	
  pas	
  que	
  cela	
  perdure.	
  La	
  formation	
  doit	
  être	
  à	
  terme	
  pluridisci-­‐
plinaire.	
  Selon	
  les	
  organismes	
  formateurs,	
  on	
  pourra	
  avoir	
  cependant	
  sans	
  doute,	
  
à	
  terme,	
  des	
  formations	
  «	
  à	
  majeure	
  »	
  informatique,	
  statistique	
  ou	
  métier.	
  
• Différentiation	
  tardive.	
  La	
  formation	
  doit	
  offrir	
  un	
  tronc	
  commun	
  le	
  plus	
  géné-­‐
raliste	
  possible.	
  La	
  raison	
  est	
  simple	
  :	
  il	
  est	
  simplement	
  impossible	
  d’offrir	
  des	
  
formations	
   de	
   data	
   scientists	
   spécialisées	
   à	
   chacun	
   des	
   métiers	
   concernés.	
   La	
  
formation	
  de	
  data	
  scientists	
  devra	
  par	
  contre	
  offrir	
  des	
  spécialisations	
  métiers	
  en	
  
fin	
  de	
  cursus	
  peut-­‐être	
  par	
  le	
  biais	
  d’options,	
  certainement	
  à	
  l’occasion	
  de	
  projets	
  
avec	
  des	
  interactions	
  fortes	
  avec	
  les	
  entreprises.	
  
• Illustration.	
  Un	
  exemple	
  très	
  particulier	
  permettra	
  d’illustrer	
  ces	
  notions,	
  celui	
  
de	
   «	
  journaliste	
   de	
   données	
  ».	
   On	
   a	
   de	
   tout	
   temps	
   réalisé	
   la	
   difficulté	
   de	
   faire	
  
comprendre	
  les	
  statistiques	
  aux	
  décideurs	
  et	
  au	
  grand	
  public4.	
  Ce	
  qui	
  a	
  changé,	
  
c’est	
  que	
  l’utilisation	
  de	
  l’informatique	
  s’est	
  généralisée,	
  et	
  une	
  personne,	
  le	
  jour-­‐
naliste	
   de	
   données,	
   est	
   capable	
   de	
   trouver	
   des	
   données,	
   de	
   les	
   analyser	
   et	
   de	
  
communiquer,	
  	
  d’être	
  le	
  lien	
  entre	
  les	
  données	
  et	
  les	
  décideurs,	
  le	
  grand	
  public.	
  
C’est	
  bien	
  là	
  tout	
  le	
  spectre	
  d’un	
  data	
  scientist.	
  On	
  peut	
  imaginer	
  une	
  option	
  jour-­‐
nalisme	
  de	
  données	
  dans	
  une	
  formation	
  de	
  data	
  scientists	
  et	
  évidemment,	
  comme	
  
nous	
  l’encouragerons	
  plus	
  loin,	
  l’introduction	
  de	
  cours	
  de	
  data	
  science	
  dans	
  des	
  
écoles	
  de	
  journalismes.	
  
Grands	
  domaines	
  :	
  
	
  
Aéronautique & Automobile
Agriculture
Assurance
Banque
Distribution
Energie
Luxe & beauté
Manufacturing
Trading financier
Santé
Télécommunications
Tourisme
Transport & Smart Cities	
  
Utilities
Publicité
E-commerce
Environnement
Qantified self (= santé)
Media & entertainment
	
  
Quelques	
  pistes	
  d’action	
  pour	
  une	
  réaction	
  rapide	
  
1. Formations	
   en	
   ligne.	
   Il	
  faut	
  développer,	
  dans	
  ce	
  domaine,	
  les	
  Moocs	
  (Massive	
  
on-­‐line	
  open	
  courses)	
  ou	
  autres	
  formation	
  à	
  distance	
  en	
  insistant	
  sur	
  la	
  qualité	
  et	
  
la	
  complétude.	
   De	
   tels	
   cours	
   peuvent	
   être	
   déployés	
   très	
   vite.	
   Un	
   but	
   serait	
   no-­‐
tamment	
  de	
  rendre	
  disponible	
  assez	
  vite	
  des	
  cours	
  qui	
  servent	
  de	
  référence	
  dans	
  
le	
  monde	
  francophone.	
  
Pour	
  y	
  arriver,	
  on	
  pourra	
  s’appuyer	
  sur	
  la	
  plateforme	
  Fun	
  du	
  MESR	
  ;	
  il	
  faudra	
  af-­‐
fecter	
  de	
  vraies	
  ressources	
  :	
  temps	
  de	
  préparation	
  du	
  cours,	
  TP,	
  plateforme	
  tech-­‐
nique	
   (matériel,	
   logiciel	
   et	
   jeux	
   de	
   données),	
   support	
   technique.	
   Par	
   exemple,	
  
l’ordre	
   de	
   grandeur	
   pour	
   produire	
   un	
   vrai	
   Mooc	
   est	
   au	
   minimum	
   l’équivalent	
  
d’un	
  professeur	
  temps	
  plein	
  sur	
  un	
  an.	
  	
  	
  
	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  
4	
  Y	
  a-­‐t-­‐il	
  des	
  compétences	
  “Data”	
  spécifiques	
  ?,	
  fing.tumblr.com.	
  
On	
  s’appuiera	
  sur	
  des	
  cours	
  existants	
  de	
  qualité	
  pour	
  développer	
  une	
  offre	
  de	
  
cours	
  dématérialisés.	
  
Ce	
  type	
  de	
  formation	
  pourra	
  servir	
  à	
  la	
  formation	
  continue	
  dans	
  les	
  entreprises	
  
et	
  à	
  la	
  formation	
  des	
  enseignants	
  eux-­‐mêmes.	
  
2. Curriculum	
  et	
   label	
   «	
  data	
   science	
  ».	
   On	
   définira	
   précisément	
   un	
   curriculum	
  
général	
  de	
  formation	
  de	
  data	
  scientists	
  ainsi	
  que	
  de	
  formations	
  spécialisées	
  dans	
  
des	
   domaines	
   spécialisés	
   comme	
   le	
   marketing,	
   les	
   sciences,	
   le	
   journalisme.	
   On	
  
contrôlera	
  la	
  qualité	
  des	
  formations	
  de	
  data	
  scientists	
  par	
  exemple	
  par	
  le	
  biais	
  
d’un	
  label.	
  
3. Formations	
   professionalisantes.	
   On	
   soutiendra	
   leur	
   développement	
   en	
   insis-­‐
tant	
  sur	
  la	
  qualité	
  et	
  la	
  complétude	
  :	
  
a. Stages	
  courts	
  de	
  quelques	
  jours	
  (Fac,	
  CNAM,	
  écoles,	
  entreprises	
  de	
  formation)	
  
b. Formations	
  diplômantes	
  (universités,	
  CNAM,	
  IUT,	
  écoles)	
  
4. Faire	
  évoluer	
  les	
  formations	
  actuelles	
  
a. Encourager	
   les	
   formations	
   statistiques	
   à	
   inclure	
   plus	
   d’informatique	
   et	
   les	
  
formations	
  informatiques	
  à	
  inclure	
  plus	
  de	
  statistique.	
  	
  
b. Encourager	
  à	
  introduire	
  une	
  vraie	
  exposition	
  aux	
  aspects	
  business	
  
c. Mettre	
  à	
  leur	
  disposition	
  des	
  intervenants	
  universitaires	
  ou	
  industriels	
  pour	
  
combler	
  les	
  manques.	
  
5. Réseau.	
  On	
  associera	
  les	
  entreprises	
  à	
  la	
  formation	
  de	
  data	
  scientists	
  par	
  le	
  biais	
  
d’un	
   réseau	
   avec	
   une	
   communauté	
   de	
   partage	
   de	
   ressources	
   (outils,	
   données,	
  
formation)	
  et	
  d’expériences.	
  Ce	
  réseau	
  	
  pourra	
  en	
  particulier	
  proposer	
  des	
  pro-­‐
jets	
  d’expérimentation	
  aux	
  élèves.	
  Il	
  pourra	
  aller	
  jusqu’à	
  la	
  mise	
  en	
  place	
  de	
  col-­‐
laborations	
  avec	
  mise	
  à	
  disposition	
  de	
  personnel.	
  
Ce	
   réseau	
   pourrait	
   se	
   faire	
   dans	
   le	
   cadre	
   du	
   Centre	
  de	
  ressource	
  technologique	
  
proposé	
  dans	
  le	
  cadre	
  de	
  la	
  Filière	
  Big	
  data.	
  	
  
6. Nouveaux	
   centres	
   d’éducation.	
   Envisager	
   des	
   coopérations	
   avec	
   des	
   écoles	
  
comme	
   Simplon.co	
   ou	
   42	
  et	
   des	
   expériences	
   nouvelles	
   d’éducation	
   des	
   data	
  
scientists.	
  
Pour	
  structurer	
  des	
  formations	
  à	
  plus	
  long	
  terme	
  
1. Agir	
  au	
  niveau	
  européen	
  :	
  Voir	
  Annexe	
  B.	
  
2. Evaluation	
  :	
  Réaliser	
  une	
  évaluation	
  des	
  besoins	
  tant	
  qualitatifs	
  que	
  quantitatifs.	
  	
  
3. Les	
   formations	
   métiers.	
   Développer	
   la	
   formation	
   de	
   data	
   scientists	
   dans	
   les	
  
formations	
  métier	
  :	
  Ecoles	
  d’ingénieurs,	
  école	
  de	
  management	
  et	
  de	
  commerce,	
  
école	
  de	
  journalisme,	
  école	
  d’administration.	
  
4. Le	
  droit	
  des	
  données.	
  Développer	
  dans	
  les	
  études	
  juridiques	
  la	
  place	
  des	
  droits	
  
du	
  numérique,	
  et	
  en	
  particulier	
  des	
  droits	
  des	
  données.	
  
5. Matériel	
  éducatif	
  :	
  développer	
  une	
  gamme	
  de	
  matériels	
  éducatifs	
  ouverts	
  	
  et	
  de	
  
qualité	
  dans	
  ce	
  domaine,	
  comme	
  des	
  livres,	
  des	
  collections	
  de	
  données	
  tests,	
  des	
  
Moocs.	
  
6. Assouplissement	
  des	
  structures	
  éducatives	
  publiques.	
  
a. Il	
  y	
  a	
  de	
  véritables	
  volontés	
  d’enseignants	
  de	
  développer	
  de	
  nouveaux	
  en-­‐
seignements	
  autour	
  de	
  la	
  data	
  science.	
  Ces	
  volontés	
  sont	
  freinées	
  par	
  des	
  
procédures	
   –	
   il	
   faut	
   aujourd’hui	
   plus	
   de	
   4	
   ans	
   pour	
   lancer	
   un	
   nouveau	
  
master.	
  Il	
  faudrait	
  introduire	
  plus	
  de	
  souplesse/rapidité	
  en	
  générale	
  ou	
  au	
  
minimum	
  dans	
  ce	
  domaine	
  où	
  tout	
  évolue	
  très	
  vite.	
  
b. La	
  formation	
  continue	
  publique	
  fonctionne	
  plutôt	
  bien	
  en	
  ce	
  qui	
  concerne	
  
la	
   formation	
   diplômante.	
   La	
   formation	
   à	
   la	
   demande	
   (stages	
   intensifs)	
  
rentre	
  mal	
  dans	
  le	
  cadre	
  rigide	
  du	
  publique.	
  Il	
  faudrait	
  introduire	
  plus	
  de	
  
souplesse	
  dans	
  l’utilisation	
  du	
  personnel	
  enseignant	
  ainsi	
  que	
  des	
  presta-­‐
taires	
  extérieurs.	
  	
  
c. Il	
  faudrait	
  faciliter	
  les	
  échanges	
  entre	
  entreprises	
  et	
  centres	
  de	
  formation,	
  
par	
  exemple,	
  en	
  simplifiant	
  les	
  conventions	
  de	
  stages	
  trop	
  lourdes	
  pour	
  
des	
  stages	
  très	
  courts,	
  ou	
  en	
  installant	
  des	
  instruments	
  de	
  mobilités	
  pour	
  
que	
   des	
   enseignants	
   puissent	
   passer	
   du	
   temps	
   dans	
   des	
   entreprises,	
   et	
  
dans	
  l’autre	
  sens	
  aussi.	
  
7. Bac+3.	
   Envisager	
   un	
   parcours	
   de	
   licence	
   bi-­‐disciplinaire	
   Mathématiques-­‐
Informatique	
  orienté	
  autour	
  des	
  données	
  et	
  permettant	
  une	
  formation	
  équilibrée	
  
qui	
   pourrait	
   d'une	
   part	
   satisfaire	
   les	
   besoins	
   des	
   entreprises	
   à	
   ce	
   niveau-­‐là	
   et	
  
servir	
  de	
  socle	
  à	
  des	
  Masters	
  en	
  Sciences	
  de	
  Données.	
  
	
   	
  
Annexe	
  A	
  :	
  European	
  cooperation	
  
This	
  comes	
  right	
  in	
  an	
  objective	
  of	
  the	
  European	
  community:	
  Information	
  and	
  Commu-­‐
nication	
  Technologies	
  in	
  Horizon-­‐2020	
  (ICT	
  15)	
  
Goal	
  
To	
  contribute	
  to	
  capacity-­‐building	
  by	
  designing	
  and	
  coordinating	
  a	
  network	
  of	
  European	
  
skills	
   centres	
   for	
   big	
   data	
   analytics	
   technologies	
   and	
   business	
   development.	
   The	
   net-­‐
work	
  is	
  expected	
  to	
  identify	
  knowledge/skills	
  gaps	
  in	
  the	
  European	
  industrial	
  landscape	
  
and	
  produce	
  effective	
  learning	
  curricula	
  and	
  documentation	
  to	
  train	
  large	
  numbers	
  of	
  
European	
   data	
   analysts	
   and	
   business	
   developers,	
   capable	
   of	
   (co)operating	
   across	
   na-­‐
tional	
  borders	
  on	
  the	
  basis	
  of	
  a	
  common	
  vision	
  and	
  methodology.	
  
Outcome	
  
Availability	
  of	
  deployable	
  educational	
  material	
  for	
  data	
  scientists	
  and	
  data	
  workers	
  and	
  
thousands	
  of	
  European	
  data	
  professionals	
  trained	
  in	
  state-­‐of-­‐the-­‐art	
  data	
  analytics	
  tech-­‐
nologies	
  and	
  capable	
  of	
  (co)operating	
  in	
  cross-­‐border,	
  cross-­‐lingual	
  and	
  cross-­‐sector	
  
European	
  data	
  supply	
  chains.	
  
A	
  group	
  is	
  being	
  formed	
  to	
  submit	
  a	
  proposal	
  with	
  Volker	
  Markl	
  from	
  Germany.	
  For	
  now,	
  
Serge	
  Abiteboul	
  and	
  Stefan	
  Clémençon	
  are	
  representing	
  France.	
  	
   	
  
Annexe	
  B	
  :	
  l’existant	
  en	
  France	
  
	
  
Un	
  article	
  récent	
  du	
  Monde	
  de	
  l’éducation	
  parle	
  du	
  sujet5.	
  
Telecom-­‐Paris	
  
http://www.telecom-­‐paristech.fr/formation-­‐continue/masteres-­‐specialises/big-­‐
data.html	
  Le	
  Mastère	
  Spécialisé	
  «	
  Big	
  Data	
  :	
  gestion	
  et	
  analyse	
  des	
  données	
  massives	
  »	
  
qui	
   a	
   démarré	
   cette	
   année	
   est	
   ce	
   qui	
   nous	
   paraît	
   le	
   plus	
   dans	
   l’esprit	
   du	
   programme	
  
complet	
  précisé	
  précédemment.	
  Il	
  nous	
  semble	
  être	
  la	
  bonne	
  base	
  pour	
  former	
  des	
  «	
  
data	
  scientist	
  ».	
  
INP-­‐Grenoble	
  
A	
  Grenoble	
  l’Ensimag	
  et	
  la	
  GEM	
  (Grenoble	
  Ecole	
  de	
  Management)	
  vont	
  ouvrir	
  l’an	
  pro-­‐
chain	
  un	
  Mastère	
  spécialisé	
  «	
  Data	
  scientists	
  ».	
  Semble	
  tout	
  à	
  fait	
  dans	
  l’esprit	
  du	
  pro-­‐
gramme	
  complet.	
  Il	
  sera	
  composé	
  de	
  5	
  mois	
  de	
  cours	
  et	
  10	
  mois	
  de	
  mission	
  en	
  entre-­‐
prise.	
  
Il	
  existe	
  déjà	
  un	
  master	
  mais	
  plutôt	
  MathAppli	
  avec	
  juste	
  une	
  option	
  «	
  data	
  scientists	
  ».	
  
L’ENSAE	
  ParisTech	
  	
  
L’ENSAE	
  ouvre	
  en	
  octobre	
  2013	
  une	
  nouvelle	
  filière	
  de	
  3ème	
  année	
  de	
  son	
  cycle	
  ingé-­‐
nieur	
  :	
  la	
  voie	
  Data	
  Science.	
  Cette	
  filière	
  permettra,	
  entre	
  autres,	
  d’acquérir	
  les	
  compé-­‐
tences	
  attendues	
  pour	
  les	
  postes	
  de	
  Data	
  Scientist	
  et	
  Chief	
  Data	
  Officer	
  qui	
  émergent	
  
avec	
  le	
  développement	
  des	
  Big	
  Data.	
  
L’ENSAE	
  a	
  aussi	
  ouvert	
  un	
  master	
  spécialisé	
  aligné	
  sur	
  cette	
  troisième	
  année.	
  	
  
La	
  formation	
  est	
  surtout	
  orientée	
  statistiques	
  plus	
  que	
  gestion	
  de	
  données	
  massives.	
  	
  
L’ENSAI	
  	
  
L’ENSAI	
   a	
   aussi	
   ouvert	
   une	
   filière	
   «	
  data	
   science	
   et	
   big	
   data	
  ».	
   Plus	
   informatique	
   que	
  
l’ENSAE.	
  	
  
Paris	
  6	
  
Paris	
   6	
   va	
   ouvrir	
   un	
   master	
   de	
   data	
   science	
   «	
  Données,	
   Apprentissage,	
   et	
   Connais-­‐
sances	
  »,	
   succédant	
   au	
   Master	
   actuel	
   IAD, orienté	
   plutôt	
   informatique	
   et	
   data	
   mining,	
  
mais	
  qui	
  devrait	
  évoluer.	
  	
  
CNAM	
  
Le	
  CNAM	
  a	
  des	
  formations	
  prévues	
  pour	
  la	
  rentrée	
  2014	
  :	
  des	
  certificats	
  maison	
  sur	
  un	
  
an	
   (certificat	
   de	
   spécialisation,	
   mi	
   informatique,	
   mi	
   statistique,	
   pour	
   ingénieurs	
   en	
  
poste	
  ;	
  certificat	
  de	
  compétences,	
  niveau	
  licence,	
  visant	
  les	
  besoins	
  de	
  gestion	
  de	
  data	
  
centers),	
  évolution	
  d’un	
  parcours	
  du	
  Master	
  Statistique	
  vers	
  le	
  «	
  Big	
  Data	
  »	
  incluant	
  des	
  
modules	
  d’informatique	
  	
  
Le	
  CNAM	
  travaille	
  par	
  ailleurs	
  sur	
  une	
  offre	
  de	
  MOOC,	
  dans	
  la	
  prolongation	
  de	
  leur	
  expé-­‐
rience	
  de	
  formation	
  à	
  distance.	
  Mais	
  pour	
  l’instant,	
  rien	
  n’est	
  prévu	
  sur	
  la	
  data	
  science.	
  
	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  
5	
  Sophy	
  Caulier,	
  La	
  montée	
  en	
  puissance	
  de	
  la	
  Datamasse,	
  Le	
  Monde	
  10.12.2013.	
  
HEC	
  
HEC	
  a	
  créé	
  une	
  filière	
  Big	
  Data	
  et	
  business	
  analytics	
  en	
  partenariat	
  avec	
  IBM.	
  Il	
  s’agit	
  de	
  
sensibiliser	
  de	
  futurs	
  responsables	
  business	
  et	
  manageurs	
  aux	
  possibilités	
  de	
  l’utilise	
  de	
  
l’analyse	
  de	
  données	
  massives.	
  
	
  
Plateforme	
  de	
  l’Institut	
  Mines-­‐Télécom	
  et	
  Genes	
  
	
  
La	
  plateforme	
  d’expérimentation	
  sur	
  les	
  Big	
  Data	
  offrira	
  un	
  grand	
  corpus	
  de	
  données	
  et	
  
intègrera	
  des	
  technologies	
  matérielles,	
  logicielles.	
  Accès	
  de	
  l’OpenData	
  ou	
  des	
  données	
  
privées	
  en	
  mode	
  sécurisé.	
  Exploitation	
  en	
  mode	
  SAAS/PAAS	
  par	
  un	
  catalogue	
  de	
  ser-­‐
vices	
   et	
   applicatifs.	
   La	
   plate-­‐forme	
   est	
   une	
   initiative	
   de	
   l'Institut	
   Mines	
   Télécom	
   à	
   la-­‐
quelle	
  s'est	
  associée	
  le	
  Genes.	
  Son	
  utilisation	
  n'est	
  pas	
  réservée	
  aux	
  seuls	
  chercheurs	
  de	
  
ces	
   institutions	
  ;	
   elle	
   se	
   destine	
   également	
   à	
   des	
   chercheurs	
   de	
   tout	
   organisme	
   et	
  
d’entreprises	
  (PME	
  et	
  grands	
  groupes)	
  en	
  dehors	
  de	
  toute	
  exploitation	
  	
  commerciale	
  
Associations	
  professionnelles	
  
• http://data-­‐tuesday.com/	
  (Open	
  data,	
  data	
  viz,	
  big	
  data)	
  
• http://www.alliancebigdata.com/	
  (un	
  portail	
  Web)	
  
• http://www.kdnuggets.com/	
   («	
  Data	
   Mining	
   Community's	
   Top	
   Resource	
  	
  
for	
  Data	
  Mining	
  and	
  Analytics	
  Software,	
  Jobs,	
  Consulting,	
  Courses,	
  and	
  more»)	
  
• http://ww.gfii.fr/	
  (GFII	
  -­‐	
  Les	
  acteurs	
  du	
  marché	
  de	
  l'information	
  et	
  de	
  la	
  connaiss
ance)	
  
	
  
	
   	
  
Annexe	
  C	
  :	
  Some	
  courses	
  in	
  the	
  world	
  
	
  
Une	
  étude	
  publiée	
  en	
  Angleterre	
  en	
  novembre	
  2013	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  	
  
(http://www.e-­‐skills.com/research/research-­‐publications/big-­‐data-­‐analytics/#November%20report)	
  
indique	
  avoir	
  identifié	
  	
  31	
  000	
  	
  emplois	
  de	
  spécialistes	
  big	
  data	
  et	
  383	
  000	
  d’utilisateurs	
  
de	
  big	
  data.	
  En	
  janvier	
  2013	
  l’étude	
  avait	
  identifié	
  3	
  790	
  offres	
  d’emploi	
  en	
  UK	
  pour	
  le	
  
3ème	
  trimestre	
  2012,	
  dont	
  42%	
  pour	
  des	
  postes	
  de	
  développeurs,	
  10%	
  des	
  architectes,	
  
8%	
  des	
  analystes	
  et	
  6%	
  des	
  administrateurs,	
  avec	
  une	
  croissance	
  de	
  912%	
  sur	
  les	
  5	
  
dernières	
  années.	
  	
  
Aux	
  Etats-­‐Unis,	
  la	
  société	
  http://www.wantedanalytics.com	
  indique	
  que	
  88	
  000	
  offres	
  
d’emploi	
  en	
  septembre	
  2013	
  réclamaient	
  des	
  compétences	
  «	
  big	
  data	
  ».	
  Les	
  formations	
  
devraient	
  donc	
  viser	
  à	
  couvrir	
  des	
  besoins	
  à	
  la	
  fois	
  de	
  spécialistes	
  (analystes,	
  adminis-­‐
trateurs,	
   architectes	
   et	
   développeurs)	
   et	
   d’utilisateurs	
  ;	
   ce	
   qui	
   recoupe	
   les	
   trois	
   do-­‐
maines	
   indiqués	
   précédemment	
   (informatique,	
   statistiques	
   et	
   expertise	
   métier).	
   Une	
  
étude	
   sur	
   les	
   besoins	
   en	
   outils	
   Big	
   data	
   dans	
   la	
   région	
   de	
   Washington	
   DC	
  
http://bigdatastudio.com/2013/10/20/3707/	
   	
   fait	
   apparaître	
   des	
   besoins	
   informa-­‐
tiques	
   standard,	
   à	
   côté	
   d’autres	
   très	
   spécifiques	
   (Hadoop,	
   MapReduce)	
  :	
   le	
   besoin	
   en	
  
développeurs	
  est	
  très	
  significatif.	
  	
  
Voir	
  	
  
• http://datascience101.wordpress.com/2012/04/09/colleges-­‐with-­‐data-­‐science-­‐
degrees/	
  et	
  	
  
• http://www.kdnuggets.com/education/index.html	
  	
  
pour	
  une	
  liste	
  complète.	
  
Quelques	
   pays	
   semblent	
   en	
   avance	
  :	
   US	
   (California),	
   Israel,	
   Singapoure.	
   Par	
   exemple,	
  
Israël	
  est	
  depuis	
  des	
  années	
  leader	
  en	
  fouille	
  de	
  données	
  et	
  machine	
  learning.	
  Ils	
  ont	
  de	
  
nombreux	
   projets	
   en	
   data	
   science	
   avec	
   des	
   compagnies	
   multinationales	
   qui	
   installent	
  
des	
  équipes	
  de	
  R&D	
  en	
  Israël	
  dans	
  ces	
  domaines	
  et	
  des	
  startups.	
  Nous	
  n’avons	
  pas	
  eu	
  le	
  
temps	
  d’obtenir	
  d’information	
  de	
  pays	
  comme	
  la	
  chine	
  ou	
  la	
  Corée.	
  	
  
Moocs	
  dans	
  Coursera	
  	
  
• Introduction	
  to	
  data	
  science:	
  B.	
  Howe	
  –	
  U.	
  Washington	
  
(https://www.coursera.org/course/datasci)	
  
• Machine	
  learning:	
  A.	
  Ng	
  –	
  U.	
  Stanford	
  (https://www.coursera.org/course/ml)	
  
• Neural	
  Networks	
  for	
  Machine	
  Learning:	
  G.	
  Hinton	
  –	
  U.	
  Toronto	
  
(https://www.coursera.org/course/neuralnets)	
  	
  
• Social	
  network	
  Analysis:	
  L.	
  Adamic	
  –	
  U.	
  Michigan	
  	
  
(https://www.coursera.org/course/sna)	
  	
  
IBM	
  http://bigdatauniversity.com/	
  (around	
  Big	
  data	
  and	
  data	
  analysis)	
  
Singapore	
  undergraduate	
  
The	
   Bachelor	
   of	
   Science	
   (Business	
   Analytics)	
   degree	
   program	
   is	
   an	
   inter-­‐disciplinary	
  
undergraduate	
  degree	
  program	
  offered	
  by	
  the	
  School	
  of	
  Computing	
  with	
  participation	
  
from	
  the	
  Business	
  School,	
  Faculty	
  of	
  Engineering,	
  Faculty	
  of	
  Science,	
  and	
  Faculty	
  of	
  Arts	
  
and	
  Social	
  Sciences.	
  This	
  is	
  a	
  four-­‐year	
  direct	
  honours	
  program	
  which	
  offers	
  a	
  common	
  
two-­‐year	
  broad-­‐based	
  inter-­‐disciplinary	
  curriculum	
  where	
  all	
  students	
  will	
  read	
  mod-­‐
ules	
  in	
  Mathematics,	
  Statistics,	
  Economics,	
  Accounting,	
  Marketing,	
  Decision	
  Science,	
  In-­‐
dustrial	
  and	
  Systems	
  Engineering,	
  Computer	
  Science	
  and	
  Information	
  Systems.	
  	
  
http://www.comp.nus.edu.sg/undergraduates/ug-­‐bsc-­‐ba_prospective.html	
  
Singapore	
  master	
  	
  
http://msba.nus.edu/	
  
Singapore	
  Industry:	
  Big	
  Data	
  analytics	
  and	
  data	
  scientists	
  training	
  center	
  opens	
  
1. Dell,	
  Intel	
  Corporation,	
  and	
  Revolution	
  Analytics	
  have	
  set	
  up	
  a	
  Big	
  Data	
  Innova-­‐
tion	
   Center	
   in	
   Singapore.	
   The	
   new	
   center	
   brings	
   together	
   expertise	
   across	
   all	
  
three	
  organizations	
  to	
  provide	
  extensive	
  training	
  programs,	
  proof-­‐of-­‐concept	
  ca-­‐
pabilities	
  and	
  solution	
  development	
  support	
  on	
  big	
  data	
  and	
  predictive	
  analytic	
  
innovations	
  for	
  Asia	
  market.	
  
2. As	
  part	
  of	
  efforts	
  to	
  provide	
  more	
  receptacles	
  for	
  "expert"	
  level	
  skills	
  training,	
  
Singapore's	
  Infocomm	
  Development	
  Authority	
  (IDA)	
  has	
  announced	
  two	
  Centers	
  
of	
  Attachment	
  (COA)	
  in	
  partnership	
  with	
  EMC	
  and	
  Microsoft	
  respectively.	
  
U.C.	
  Berkeley	
  Master	
  of	
  Information	
  and	
  Data	
  Science	
  
2	
  years	
  fully	
  on	
  line	
  
Caltech	
  
Learning	
  from	
  data.	
  Yaser	
  Abu-­‐Mostafa.	
  http://work.caltech.edu/lectures.html	
  	
  
Cornell	
  Tech	
  
Joint	
  Cornell-­‐Technion	
  campus	
  in	
  NYC.	
  Data	
  management/analysis	
  is	
  one	
  focus.	
  
New	
  York	
  University	
  Masters	
  
The	
  new	
  NYU	
  Center	
  for	
  Data	
  Science	
  is	
  offering	
  a	
  2	
  year	
  MS	
  in	
  Data	
  Science	
  requiring	
  a	
  
strong	
  background	
  in	
  math,	
  computer	
  science	
  and	
  statistics.	
  	
  
http://datascience.nyu.edu/.	
  	
  	
  
Israel	
  
Master	
  program	
  at	
  Ben	
  Gurion	
  University	
  in	
  “Data	
  Science	
  and	
  Business	
  intelligence”	
  ;	
  
mostly	
  academic.	
  	
  
Interesting	
  courses	
  at	
  Tel	
  Aviv	
  :	
  http://www.cohenwang.com/edith/bigdataclass2013/	
  
	
  
Filière	
  d’un	
  Master	
  Erasmus	
  Mundus	
  
Master	
  Erasmus	
  Mundus	
  IT4BI	
  «	
  Information	
  Technologies	
  for	
  Business	
  Intelligence	
  »,	
  
http://it4bi.univ-­‐tours.fr/.	
  Erasmus	
  Mundus	
  est	
  un	
  programme	
  européen	
  de	
  coopéra-­‐
tion	
   et	
   de	
   mobilité	
   dans	
   le	
   domaine	
   de	
   l’enseignement	
   supérieur	
  
(http://eacea.ec.europa.eu/index_en.php).	
  	
   Ce	
   programme	
   de	
   2	
   ans	
   a	
   pour	
   objectif	
   de	
  
former	
  des	
  informaticiens	
  pour	
  comprendre	
  et	
  développer	
  des	
  stratégies	
  décisionnelles.	
  
Délivré	
  par	
  ULB	
  en	
  Belgique,	
  Univ.	
  de	
  Tours	
  (Patrick	
  Marcel),	
  Central	
  Paris,	
  Politècnica	
  
de	
  Catalunya,	
  la	
  TU	
  Berliun.	
  Volker	
  Markl	
  à	
  TU	
  Berlin	
  a	
  une	
  filière	
  Big	
  data.	
  
Annexe	
  D	
  :	
  Remerciements	
  
Nous	
  remercions	
  les	
  personnes	
  suivantes	
  pour	
  des	
  discussions	
  et	
  leurs	
  commentaires	
  
sur	
   des	
   versions	
   de	
   ce	
   rapport.	
   Leurs	
   contributions	
   n’entraînent	
   pas	
   nécessairement	
  
leurs	
  adhésions	
  à	
  toutes	
  ses	
  recommandations.	
  	
  
	
  
Marie-­‐Aude	
  Aufore	
  (Central	
  Paris)	
  
Francis	
  Bach	
  (ENS,	
  Inria)	
  
Christine	
  Ballagué	
  (Telecom	
  Paris,	
  CNNum)	
  
Noureddine	
  Belkhatir	
  (IUT	
  Grenoble)	
  	
  
Marc	
  Chemin	
  (Cap	
  Gemini)	
  	
  
Vassilis	
  Christophides	
  (Technicolor)	
  
Jean-­‐Louis	
  Constanza	
  (Criteo)	
   	
  
Matthieu	
  Cornec	
  (Cdiscount)	
  
Yves	
  Denneulin	
  (IMAG)	
  
Antoine	
  Frachau	
  (Directeur	
  Génes)	
  	
  
Patrick	
  Gallinari	
  (Paris	
  6)	
  
Pascal	
  Guitton	
  (Inria)	
  	
  
Radu	
  Ispas	
  (Keyrus)	
  	
   	
  
Daniel	
  Kaplan	
  (Fing,	
  CNNum)	
  
Nicolas	
  Kayser-­‐Bril	
  (Data	
  	
  journalist)	
  
Brigitte	
  Plateau	
  (Ensimag)	
  
Julien	
  Pouget	
  (ENSAE)	
  	
  
Pierre	
  Senellart	
  (Telecom	
  Paris)	
  
	
  
	
  
	
  
	
  

Contenu connexe

Tendances

Euratech'trends : Machine Learning
Euratech'trends : Machine LearningEuratech'trends : Machine Learning
Euratech'trends : Machine Learning
EuraTechnologies
 
Formation professionnelle "Big data : concepts et enjeux"
Formation professionnelle "Big data : concepts et enjeux"Formation professionnelle "Big data : concepts et enjeux"
Formation professionnelle "Big data : concepts et enjeux"
Philippe METAYER
 
Baina bigdata le futur eldorado
Baina bigdata le futur eldoradoBaina bigdata le futur eldorado
Baina bigdata le futur eldorado
Karim Baïna
 
EuraTech Trends : Big Data
EuraTech Trends : Big DataEuraTech Trends : Big Data
EuraTech Trends : Big Data
EuraTechnologies
 
Des données au savoir : big data et data mining
Des données au savoir : big data et data miningDes données au savoir : big data et data mining
Des données au savoir : big data et data mining
Pierre-Alain Four
 
Datasio - Big Data Congress Paris 2012
Datasio - Big Data Congress Paris 2012Datasio - Big Data Congress Paris 2012
Datasio - Big Data Congress Paris 2012
datasio
 
Parcours Big Data @ Cetic (6 mai 2014)
Parcours Big Data @ Cetic (6 mai 2014)Parcours Big Data @ Cetic (6 mai 2014)
Parcours Big Data @ Cetic (6 mai 2014)
Agence du Numérique (AdN)
 
Big data : défis & technologies
Big data : défis & technologiesBig data : défis & technologies
Big data : défis & technologies
Mohamed Ramzi Haddad
 
Valtech - Du BI au Big Data, une révolution dans l’entreprise
Valtech - Du BI au Big Data, une révolution dans l’entrepriseValtech - Du BI au Big Data, une révolution dans l’entreprise
Valtech - Du BI au Big Data, une révolution dans l’entreprise
Valtech
 
"Diego Kuonen, maître des «mégadonnées»"
"Diego Kuonen, maître des «mégadonnées»""Diego Kuonen, maître des «mégadonnées»"
"Diego Kuonen, maître des «mégadonnées»"
Prof. Dr. Diego Kuonen
 
Big Data, Charles Huot, Aproged,février 2013
Big Data, Charles Huot, Aproged,février 2013Big Data, Charles Huot, Aproged,février 2013
Big Data, Charles Huot, Aproged,février 2013
ADBS
 
Livre blanc "Big Data" de l'EBG
Livre blanc "Big Data" de l'EBGLivre blanc "Big Data" de l'EBG
Livre blanc "Big Data" de l'EBG
Margarita Zlatkova
 
Conférence big data
Conférence big dataConférence big data
Conférence big data
Stéphane Traumat
 
15 03 16_data sciences pour l'actuariat_f. soulie fogelman
15 03 16_data sciences pour l'actuariat_f. soulie fogelman15 03 16_data sciences pour l'actuariat_f. soulie fogelman
15 03 16_data sciences pour l'actuariat_f. soulie fogelman
Arthur Charpentier
 
Introduction au Big data
Introduction au Big data Introduction au Big data
Introduction au Big data
fatimabenjelloun1
 
Competitic big data et commerce
Competitic   big data et commerceCompetitic   big data et commerce
Competitic big data et commerce
COMPETITIC
 
Présentation sur le Data Mining
Présentation sur le Data MiningPrésentation sur le Data Mining
Présentation sur le Data Mining
Takfarinas KENOUCHE
 
Analyse spatiale en Big data
Analyse spatiale en Big dataAnalyse spatiale en Big data
Analyse spatiale en Big data
Soufiane ElATEF✔️
 
TransAlgo
TransAlgoTransAlgo
TransAlgo
Nozha Boujemaa
 

Tendances (20)

Euratech'trends : Machine Learning
Euratech'trends : Machine LearningEuratech'trends : Machine Learning
Euratech'trends : Machine Learning
 
Formation professionnelle "Big data : concepts et enjeux"
Formation professionnelle "Big data : concepts et enjeux"Formation professionnelle "Big data : concepts et enjeux"
Formation professionnelle "Big data : concepts et enjeux"
 
Baina bigdata le futur eldorado
Baina bigdata le futur eldoradoBaina bigdata le futur eldorado
Baina bigdata le futur eldorado
 
EuraTech Trends : Big Data
EuraTech Trends : Big DataEuraTech Trends : Big Data
EuraTech Trends : Big Data
 
Des données au savoir : big data et data mining
Des données au savoir : big data et data miningDes données au savoir : big data et data mining
Des données au savoir : big data et data mining
 
Datasio - Big Data Congress Paris 2012
Datasio - Big Data Congress Paris 2012Datasio - Big Data Congress Paris 2012
Datasio - Big Data Congress Paris 2012
 
Parcours Big Data @ Cetic (6 mai 2014)
Parcours Big Data @ Cetic (6 mai 2014)Parcours Big Data @ Cetic (6 mai 2014)
Parcours Big Data @ Cetic (6 mai 2014)
 
Big data : défis & technologies
Big data : défis & technologiesBig data : défis & technologies
Big data : défis & technologies
 
Valtech - Du BI au Big Data, une révolution dans l’entreprise
Valtech - Du BI au Big Data, une révolution dans l’entrepriseValtech - Du BI au Big Data, une révolution dans l’entreprise
Valtech - Du BI au Big Data, une révolution dans l’entreprise
 
"Diego Kuonen, maître des «mégadonnées»"
"Diego Kuonen, maître des «mégadonnées»""Diego Kuonen, maître des «mégadonnées»"
"Diego Kuonen, maître des «mégadonnées»"
 
Big Data, Charles Huot, Aproged,février 2013
Big Data, Charles Huot, Aproged,février 2013Big Data, Charles Huot, Aproged,février 2013
Big Data, Charles Huot, Aproged,février 2013
 
Livre blanc "Big Data" de l'EBG
Livre blanc "Big Data" de l'EBGLivre blanc "Big Data" de l'EBG
Livre blanc "Big Data" de l'EBG
 
Conférence big data
Conférence big dataConférence big data
Conférence big data
 
Datamining damien-jubeau
Datamining damien-jubeauDatamining damien-jubeau
Datamining damien-jubeau
 
15 03 16_data sciences pour l'actuariat_f. soulie fogelman
15 03 16_data sciences pour l'actuariat_f. soulie fogelman15 03 16_data sciences pour l'actuariat_f. soulie fogelman
15 03 16_data sciences pour l'actuariat_f. soulie fogelman
 
Introduction au Big data
Introduction au Big data Introduction au Big data
Introduction au Big data
 
Competitic big data et commerce
Competitic   big data et commerceCompetitic   big data et commerce
Competitic big data et commerce
 
Présentation sur le Data Mining
Présentation sur le Data MiningPrésentation sur le Data Mining
Présentation sur le Data Mining
 
Analyse spatiale en Big data
Analyse spatiale en Big dataAnalyse spatiale en Big data
Analyse spatiale en Big data
 
TransAlgo
TransAlgoTransAlgo
TransAlgo
 

En vedette

Arbres de régression et modèles de durée
Arbres de régression et modèles de duréeArbres de régression et modèles de durée
Arbres de régression et modèles de durée
Kezhan SHI
 
Eurocroissance arnaud cohen
Eurocroissance arnaud cohenEurocroissance arnaud cohen
Eurocroissance arnaud cohen
Kezhan SHI
 
Norme IFRS - Pierre Thérond - Université d'été de l'Institut des Actuaires
Norme IFRS - Pierre Thérond - Université d'été de l'Institut des ActuairesNorme IFRS - Pierre Thérond - Université d'été de l'Institut des Actuaires
Norme IFRS - Pierre Thérond - Université d'été de l'Institut des Actuaires
Kezhan SHI
 
Loi hamon sébastien bachellier
Loi hamon sébastien bachellierLoi hamon sébastien bachellier
Loi hamon sébastien bachellier
Kezhan SHI
 
Détection de profils, application en santé et en économétrie geissler
Détection de profils, application en santé et en économétrie   geisslerDétection de profils, application en santé et en économétrie   geissler
Détection de profils, application en santé et en économétrie geissler
Kezhan SHI
 
Machine learning pour les données massives algorithmes randomis´es, en ligne ...
Machine learning pour les données massives algorithmes randomis´es, en ligne ...Machine learning pour les données massives algorithmes randomis´es, en ligne ...
Machine learning pour les données massives algorithmes randomis´es, en ligne ...
Kezhan SHI
 
Insurance fraud through collusion - Pierre Picard
Insurance fraud through collusion - Pierre PicardInsurance fraud through collusion - Pierre Picard
Insurance fraud through collusion - Pierre Picard
Kezhan SHI
 
Les enjeux de la dépendance – laure de montesquieu, scor
Les enjeux de la dépendance – laure de montesquieu, scorLes enjeux de la dépendance – laure de montesquieu, scor
Les enjeux de la dépendance – laure de montesquieu, scor
Kezhan SHI
 
Optimal discretization of hedging strategies rosenbaum
Optimal discretization of hedging strategies   rosenbaumOptimal discretization of hedging strategies   rosenbaum
Optimal discretization of hedging strategies rosenbaum
Kezhan SHI
 
From data and information to knowledge : the web of tomorrow - Serge abitboul...
From data and information to knowledge : the web of tomorrow - Serge abitboul...From data and information to knowledge : the web of tomorrow - Serge abitboul...
From data and information to knowledge : the web of tomorrow - Serge abitboul...
Kezhan SHI
 
ALCOHOLISMO
ALCOHOLISMOALCOHOLISMO
ALCOHOLISMO
IYRR
 
Veille marketing choisir ses outils 2
Veille marketing choisir ses outils 2Veille marketing choisir ses outils 2
Veille marketing choisir ses outils 2
Françoise Grave
 
Como hacer una presentacion bueno
Como hacer una presentacion buenoComo hacer una presentacion bueno
Como hacer una presentacion bueno
raquelmagisterio
 
Web 2
Web 2Web 2
Web 2
emanuel-05
 
Investigación~ conceptos y formulas
Investigación~ conceptos y formulasInvestigación~ conceptos y formulas
Investigación~ conceptos y formulas
RocioDiazCastorena
 
Tendencia de los negocios
Tendencia de los negociosTendencia de los negocios
Tendencia de los negocios
PaulaRueda15
 
Sigmund freud
Sigmund  freudSigmund  freud
Sigmund freud
Cleo Vzqz
 
Naturales
NaturalesNaturales
Tarea2 equipo 4 3er.sem.
Tarea2   equipo 4 3er.sem.Tarea2   equipo 4 3er.sem.
Tarea2 equipo 4 3er.sem.
OSCAR ARQUIETA
 

En vedette (20)

Arbres de régression et modèles de durée
Arbres de régression et modèles de duréeArbres de régression et modèles de durée
Arbres de régression et modèles de durée
 
Eurocroissance arnaud cohen
Eurocroissance arnaud cohenEurocroissance arnaud cohen
Eurocroissance arnaud cohen
 
Norme IFRS - Pierre Thérond - Université d'été de l'Institut des Actuaires
Norme IFRS - Pierre Thérond - Université d'été de l'Institut des ActuairesNorme IFRS - Pierre Thérond - Université d'été de l'Institut des Actuaires
Norme IFRS - Pierre Thérond - Université d'été de l'Institut des Actuaires
 
Loi hamon sébastien bachellier
Loi hamon sébastien bachellierLoi hamon sébastien bachellier
Loi hamon sébastien bachellier
 
Détection de profils, application en santé et en économétrie geissler
Détection de profils, application en santé et en économétrie   geisslerDétection de profils, application en santé et en économétrie   geissler
Détection de profils, application en santé et en économétrie geissler
 
Machine learning pour les données massives algorithmes randomis´es, en ligne ...
Machine learning pour les données massives algorithmes randomis´es, en ligne ...Machine learning pour les données massives algorithmes randomis´es, en ligne ...
Machine learning pour les données massives algorithmes randomis´es, en ligne ...
 
Insurance fraud through collusion - Pierre Picard
Insurance fraud through collusion - Pierre PicardInsurance fraud through collusion - Pierre Picard
Insurance fraud through collusion - Pierre Picard
 
Les enjeux de la dépendance – laure de montesquieu, scor
Les enjeux de la dépendance – laure de montesquieu, scorLes enjeux de la dépendance – laure de montesquieu, scor
Les enjeux de la dépendance – laure de montesquieu, scor
 
Optimal discretization of hedging strategies rosenbaum
Optimal discretization of hedging strategies   rosenbaumOptimal discretization of hedging strategies   rosenbaum
Optimal discretization of hedging strategies rosenbaum
 
From data and information to knowledge : the web of tomorrow - Serge abitboul...
From data and information to knowledge : the web of tomorrow - Serge abitboul...From data and information to knowledge : the web of tomorrow - Serge abitboul...
From data and information to knowledge : the web of tomorrow - Serge abitboul...
 
ALCOHOLISMO
ALCOHOLISMOALCOHOLISMO
ALCOHOLISMO
 
Veille marketing choisir ses outils 2
Veille marketing choisir ses outils 2Veille marketing choisir ses outils 2
Veille marketing choisir ses outils 2
 
EXPEMB_Corporate_FRQ115
EXPEMB_Corporate_FRQ115EXPEMB_Corporate_FRQ115
EXPEMB_Corporate_FRQ115
 
Como hacer una presentacion bueno
Como hacer una presentacion buenoComo hacer una presentacion bueno
Como hacer una presentacion bueno
 
Web 2
Web 2Web 2
Web 2
 
Investigación~ conceptos y formulas
Investigación~ conceptos y formulasInvestigación~ conceptos y formulas
Investigación~ conceptos y formulas
 
Tendencia de los negocios
Tendencia de los negociosTendencia de los negocios
Tendencia de los negocios
 
Sigmund freud
Sigmund  freudSigmund  freud
Sigmund freud
 
Naturales
NaturalesNaturales
Naturales
 
Tarea2 equipo 4 3er.sem.
Tarea2   equipo 4 3er.sem.Tarea2   equipo 4 3er.sem.
Tarea2 equipo 4 3er.sem.
 

Similaire à L'émergence d'une nouvelle filière de formation : data science

Evolutions des compétences des professionnels de l'information
Evolutions des compétences des professionnels de l'informationEvolutions des compétences des professionnels de l'information
Evolutions des compétences des professionnels de l'information
ADBS
 
Métiers compétences
Métiers compétencesMétiers compétences
Métiers compétences
ADBS
 
Evolutions Métiers/Compétences en gestion de l'information
Evolutions Métiers/Compétences en gestion de l'informationEvolutions Métiers/Compétences en gestion de l'information
Evolutions Métiers/Compétences en gestion de l'information
Loïc Lebigre
 
Big Data ete learning Analytics
Big Data ete learning AnalyticsBig Data ete learning Analytics
Big Data ete learning Analytics
Mokhtar Ben Henda
 
Processus de veille en PME/ PMI
Processus de veille en PME/ PMIProcessus de veille en PME/ PMI
Processus de veille en PME/ PMI
Aref Jdey
 
Introduction au Plan de Gestion de Données
Introduction au Plan de Gestion de DonnéesIntroduction au Plan de Gestion de Données
Présentation-Analyse-données-aide-décision-Apicube-Metro'num2015
Présentation-Analyse-données-aide-décision-Apicube-Metro'num2015Présentation-Analyse-données-aide-décision-Apicube-Metro'num2015
Présentation-Analyse-données-aide-décision-Apicube-Metro'num2015
Metro'num 2015
 
Analyse-données-aide-à-la-décision-apicube-metro'num2015
Analyse-données-aide-à-la-décision-apicube-metro'num2015Analyse-données-aide-à-la-décision-apicube-metro'num2015
Analyse-données-aide-à-la-décision-apicube-metro'num2015
Metro'num 2015
 
Big data telecom-evolution
Big data telecom-evolutionBig data telecom-evolution
Big data telecom-evolution
Télécom Paris
 
Compte rendu AI Paris 2017
Compte rendu AI Paris 2017Compte rendu AI Paris 2017
Compte rendu AI Paris 2017
FacilisPro
 
Mastere Specialise Big Data
Mastere Specialise Big DataMastere Specialise Big Data
Mastere Specialise Big Data
Télécom Paris
 
Pourquoi le big data open source ?
Pourquoi le big data open source ?Pourquoi le big data open source ?
Pourquoi le big data open source ?
Stefane Fermigier
 
1 Systhematic - Data Tuesday 26 fev 2013
1  Systhematic - Data Tuesday 26 fev 20131  Systhematic - Data Tuesday 26 fev 2013
1 Systhematic - Data Tuesday 26 fev 2013
Data Tuesday
 
1 fermigierdatatuesdaygtllfev2013-130228083856-phpapp02
1 fermigierdatatuesdaygtllfev2013-130228083856-phpapp021 fermigierdatatuesdaygtllfev2013-130228083856-phpapp02
1 fermigierdatatuesdaygtllfev2013-130228083856-phpapp02
gtll_systematic
 
Parcours de formations DATA ACADEMY
Parcours de formations DATA ACADEMYParcours de formations DATA ACADEMY
Parcours de formations DATA ACADEMY
Technofutur TIC
 
Séminaire BIG DATA, SYNTHÈSE - ORSYS Formation
Séminaire BIG DATA, SYNTHÈSE - ORSYS FormationSéminaire BIG DATA, SYNTHÈSE - ORSYS Formation
Séminaire BIG DATA, SYNTHÈSE - ORSYS Formation
ORSYS
 
Hadoop et le big data
Hadoop et le big dataHadoop et le big data
Hadoop et le big data
Juvénal CHOKOGOUE
 
La data n’a pas besoin d’être « big » pour générer de la valeur
La data n’a pas besoin d’être « big » pour générer de la valeurLa data n’a pas besoin d’être « big » pour générer de la valeur
La data n’a pas besoin d’être « big » pour générer de la valeur
Microsoft Ideas
 
Mémoire de fin d'étude - La big data et les réseaux sociaux
Mémoire de fin d'étude - La big data et les réseaux sociauxMémoire de fin d'étude - La big data et les réseaux sociaux
Mémoire de fin d'étude - La big data et les réseaux sociaux
Chloé Marty
 
Plaquette mastère sciences des données
Plaquette mastère sciences des donnéesPlaquette mastère sciences des données
Plaquette mastère sciences des données
administrateur Alumni GM Rouen
 

Similaire à L'émergence d'une nouvelle filière de formation : data science (20)

Evolutions des compétences des professionnels de l'information
Evolutions des compétences des professionnels de l'informationEvolutions des compétences des professionnels de l'information
Evolutions des compétences des professionnels de l'information
 
Métiers compétences
Métiers compétencesMétiers compétences
Métiers compétences
 
Evolutions Métiers/Compétences en gestion de l'information
Evolutions Métiers/Compétences en gestion de l'informationEvolutions Métiers/Compétences en gestion de l'information
Evolutions Métiers/Compétences en gestion de l'information
 
Big Data ete learning Analytics
Big Data ete learning AnalyticsBig Data ete learning Analytics
Big Data ete learning Analytics
 
Processus de veille en PME/ PMI
Processus de veille en PME/ PMIProcessus de veille en PME/ PMI
Processus de veille en PME/ PMI
 
Introduction au Plan de Gestion de Données
Introduction au Plan de Gestion de DonnéesIntroduction au Plan de Gestion de Données
Introduction au Plan de Gestion de Données
 
Présentation-Analyse-données-aide-décision-Apicube-Metro'num2015
Présentation-Analyse-données-aide-décision-Apicube-Metro'num2015Présentation-Analyse-données-aide-décision-Apicube-Metro'num2015
Présentation-Analyse-données-aide-décision-Apicube-Metro'num2015
 
Analyse-données-aide-à-la-décision-apicube-metro'num2015
Analyse-données-aide-à-la-décision-apicube-metro'num2015Analyse-données-aide-à-la-décision-apicube-metro'num2015
Analyse-données-aide-à-la-décision-apicube-metro'num2015
 
Big data telecom-evolution
Big data telecom-evolutionBig data telecom-evolution
Big data telecom-evolution
 
Compte rendu AI Paris 2017
Compte rendu AI Paris 2017Compte rendu AI Paris 2017
Compte rendu AI Paris 2017
 
Mastere Specialise Big Data
Mastere Specialise Big DataMastere Specialise Big Data
Mastere Specialise Big Data
 
Pourquoi le big data open source ?
Pourquoi le big data open source ?Pourquoi le big data open source ?
Pourquoi le big data open source ?
 
1 Systhematic - Data Tuesday 26 fev 2013
1  Systhematic - Data Tuesday 26 fev 20131  Systhematic - Data Tuesday 26 fev 2013
1 Systhematic - Data Tuesday 26 fev 2013
 
1 fermigierdatatuesdaygtllfev2013-130228083856-phpapp02
1 fermigierdatatuesdaygtllfev2013-130228083856-phpapp021 fermigierdatatuesdaygtllfev2013-130228083856-phpapp02
1 fermigierdatatuesdaygtllfev2013-130228083856-phpapp02
 
Parcours de formations DATA ACADEMY
Parcours de formations DATA ACADEMYParcours de formations DATA ACADEMY
Parcours de formations DATA ACADEMY
 
Séminaire BIG DATA, SYNTHÈSE - ORSYS Formation
Séminaire BIG DATA, SYNTHÈSE - ORSYS FormationSéminaire BIG DATA, SYNTHÈSE - ORSYS Formation
Séminaire BIG DATA, SYNTHÈSE - ORSYS Formation
 
Hadoop et le big data
Hadoop et le big dataHadoop et le big data
Hadoop et le big data
 
La data n’a pas besoin d’être « big » pour générer de la valeur
La data n’a pas besoin d’être « big » pour générer de la valeurLa data n’a pas besoin d’être « big » pour générer de la valeur
La data n’a pas besoin d’être « big » pour générer de la valeur
 
Mémoire de fin d'étude - La big data et les réseaux sociaux
Mémoire de fin d'étude - La big data et les réseaux sociauxMémoire de fin d'étude - La big data et les réseaux sociaux
Mémoire de fin d'étude - La big data et les réseaux sociaux
 
Plaquette mastère sciences des données
Plaquette mastère sciences des donnéesPlaquette mastère sciences des données
Plaquette mastère sciences des données
 

Plus de Kezhan SHI

Big data fiche data science 15 09 14
Big data fiche data science 15 09 14Big data fiche data science 15 09 14
Big data fiche data science 15 09 14
Kezhan SHI
 
Big data ads gouvernance ads v2[
Big data ads   gouvernance ads v2[Big data ads   gouvernance ads v2[
Big data ads gouvernance ads v2[
Kezhan SHI
 
Big data f prez formation_datascience_14-sept
Big data f prez formation_datascience_14-septBig data f prez formation_datascience_14-sept
Big data f prez formation_datascience_14-sept
Kezhan SHI
 
B -technical_specification_for_the_preparatory_phase__part_ii_
B  -technical_specification_for_the_preparatory_phase__part_ii_B  -technical_specification_for_the_preparatory_phase__part_ii_
B -technical_specification_for_the_preparatory_phase__part_ii_
Kezhan SHI
 
A -technical_specification_for_the_preparatory_phase__part_i_
A  -technical_specification_for_the_preparatory_phase__part_i_A  -technical_specification_for_the_preparatory_phase__part_i_
A -technical_specification_for_the_preparatory_phase__part_i_
Kezhan SHI
 
20140806 traduction hypotheses_sous-jacentes_formule_standard
20140806 traduction hypotheses_sous-jacentes_formule_standard20140806 traduction hypotheses_sous-jacentes_formule_standard
20140806 traduction hypotheses_sous-jacentes_formule_standard
Kezhan SHI
 
20140613 focus-specifications-techniques-2014
20140613 focus-specifications-techniques-201420140613 focus-specifications-techniques-2014
20140613 focus-specifications-techniques-2014
Kezhan SHI
 
20140516 traduction spec_tech_eiopa_2014_bilan
20140516 traduction spec_tech_eiopa_2014_bilan20140516 traduction spec_tech_eiopa_2014_bilan
20140516 traduction spec_tech_eiopa_2014_bilan
Kezhan SHI
 
C -annexes_to_technical_specification_for_the_preparatory_phase__part_i_
C  -annexes_to_technical_specification_for_the_preparatory_phase__part_i_C  -annexes_to_technical_specification_for_the_preparatory_phase__part_i_
C -annexes_to_technical_specification_for_the_preparatory_phase__part_i_
Kezhan SHI
 
Qis5 technical specifications-20100706
Qis5 technical specifications-20100706Qis5 technical specifications-20100706
Qis5 technical specifications-20100706
Kezhan SHI
 
Directive solvabilité 2
Directive solvabilité 2Directive solvabilité 2
Directive solvabilité 2
Kezhan SHI
 
Directive omnibus 2
Directive omnibus 2Directive omnibus 2
Directive omnibus 2
Kezhan SHI
 
Tableau de comparaison bilan S1 et bilan S2
Tableau de comparaison bilan S1 et bilan S2Tableau de comparaison bilan S1 et bilan S2
Tableau de comparaison bilan S1 et bilan S2
Kezhan SHI
 
Rapport d'activité 2013 - CNIL
Rapport d'activité 2013 - CNILRapport d'activité 2013 - CNIL
Rapport d'activité 2013 - CNIL
Kezhan SHI
 
Xavier Milaud - Techniques d'arbres de classification et de régression
Xavier Milaud - Techniques d'arbres de classification et de régressionXavier Milaud - Techniques d'arbres de classification et de régression
Xavier Milaud - Techniques d'arbres de classification et de régression
Kezhan SHI
 

Plus de Kezhan SHI (15)

Big data fiche data science 15 09 14
Big data fiche data science 15 09 14Big data fiche data science 15 09 14
Big data fiche data science 15 09 14
 
Big data ads gouvernance ads v2[
Big data ads   gouvernance ads v2[Big data ads   gouvernance ads v2[
Big data ads gouvernance ads v2[
 
Big data f prez formation_datascience_14-sept
Big data f prez formation_datascience_14-septBig data f prez formation_datascience_14-sept
Big data f prez formation_datascience_14-sept
 
B -technical_specification_for_the_preparatory_phase__part_ii_
B  -technical_specification_for_the_preparatory_phase__part_ii_B  -technical_specification_for_the_preparatory_phase__part_ii_
B -technical_specification_for_the_preparatory_phase__part_ii_
 
A -technical_specification_for_the_preparatory_phase__part_i_
A  -technical_specification_for_the_preparatory_phase__part_i_A  -technical_specification_for_the_preparatory_phase__part_i_
A -technical_specification_for_the_preparatory_phase__part_i_
 
20140806 traduction hypotheses_sous-jacentes_formule_standard
20140806 traduction hypotheses_sous-jacentes_formule_standard20140806 traduction hypotheses_sous-jacentes_formule_standard
20140806 traduction hypotheses_sous-jacentes_formule_standard
 
20140613 focus-specifications-techniques-2014
20140613 focus-specifications-techniques-201420140613 focus-specifications-techniques-2014
20140613 focus-specifications-techniques-2014
 
20140516 traduction spec_tech_eiopa_2014_bilan
20140516 traduction spec_tech_eiopa_2014_bilan20140516 traduction spec_tech_eiopa_2014_bilan
20140516 traduction spec_tech_eiopa_2014_bilan
 
C -annexes_to_technical_specification_for_the_preparatory_phase__part_i_
C  -annexes_to_technical_specification_for_the_preparatory_phase__part_i_C  -annexes_to_technical_specification_for_the_preparatory_phase__part_i_
C -annexes_to_technical_specification_for_the_preparatory_phase__part_i_
 
Qis5 technical specifications-20100706
Qis5 technical specifications-20100706Qis5 technical specifications-20100706
Qis5 technical specifications-20100706
 
Directive solvabilité 2
Directive solvabilité 2Directive solvabilité 2
Directive solvabilité 2
 
Directive omnibus 2
Directive omnibus 2Directive omnibus 2
Directive omnibus 2
 
Tableau de comparaison bilan S1 et bilan S2
Tableau de comparaison bilan S1 et bilan S2Tableau de comparaison bilan S1 et bilan S2
Tableau de comparaison bilan S1 et bilan S2
 
Rapport d'activité 2013 - CNIL
Rapport d'activité 2013 - CNILRapport d'activité 2013 - CNIL
Rapport d'activité 2013 - CNIL
 
Xavier Milaud - Techniques d'arbres de classification et de régression
Xavier Milaud - Techniques d'arbres de classification et de régressionXavier Milaud - Techniques d'arbres de classification et de régression
Xavier Milaud - Techniques d'arbres de classification et de régression
 

L'émergence d'une nouvelle filière de formation : data science

  • 1. L’émergence d’une nouvelle filière de for- mation : « data scientists » Serge  Abiteboul  (INRIA,  CNNum),  coordinateur             François  Bancilhon  (Data  publica)      François  Bourdoncle  (Dassault  systèmes)   Stephan  Clemencon  (Telecom  ParisTech)    Colin  de  la  Higuera  (U.  Nantes,  SIF)     Gilbert  Saporta  (CNAM)        Francoise  Soulie-­‐Fogelman  (Kxen)     François  Bourdoncle  et  Paul  Hermelin  ont  été  nommés  «  chefs  de  file  »  de  la  filière  Big  Data   française.  Leur  mission  est  d’identifier  les  leviers  que  l’Etat  peut  actionner  pour  favoriser   l’émergence   d’un   marché   du   Big   Data   exportateur   net   et   créateur   d’emplois   en   France.   C’est  donc  un  objectif  économique  et  industriel,  même  si  la  recherche  a,  à  l’évidence,  son   rôle  à  jouer  dans  la  filière.    L’un  des  axes  importants  identifiés  pour  tous  les  secteurs  indus-­‐ triels  qu’ils  ont  souhaité  cibler  est  l’existence,  en  nombre,  de  besoins  de  profils  de  «  data   scientists  ».   Ils  nous  ont  chargés  de  réfléchir  sur  ce  sujet.  Le  but  est  d’écrire  quelques  pages  pour  fin   novembre  2013.  La  réflexion  pourra  évidemment  être  approfondie  par  d’autres  après.       Sujet   La  data  science1  (la  «  science  des  données  »)  et  ses  liens  avec  le  big  data  (parfois  traduit   par   la   «  datamasse  »)   ont   été   beaucoup   discutés.   Voir   par   exemple   la   définition   de   Wikipedia.  Nous  ne  reviendrons  pas  ici  sur  cette  définition  ni  sur  le  fait  qu’il  est  néces-­‐ saire  de  développer  en  France  une  filière  de  formation  de  «  data  scientists  ».  La  France   disposant   d’excellents   enseignements   en   mathématiques,   statistiques   et   informatique,   on  devrait  pouvoir  rapidement  former  d’excellents  data  scientists.  La  question  qui  est   traitée  ici  est  :  «  comment  s’y  prendre  ?  ».   Le  terme  «  data  scientist  »  est  pris  ici  au  sens  large  pour  ce  qui  est  des  compétences,   comme  scientifique  et  ingénieur,  peut-­‐être  technicien,  et  son  domaine  d’application.  Il   recouvre   des   besoins  :   des   entreprises   (ingénieurs,   techniciens)   et   des   institutions   de   recherche  (scientifiques)   Une   mesure   qualitative/quantitative   des   besoins   est   compliquée   et   serait   nécessaire.   Lors  de  rencontres  pour  préparer  ce  rapport,  nous  avons  beaucoup  entendu  :   • C’est  du  buzz  et  il  n’y  a  pas  de  besoin  spécifique  (typiquement  dans  des  entre-­‐ prises  classiques).   • On   va   avoir   besoin   pour   rester   dans   la   course   de   data   scientists   «  haut   de   gamme  »   combinant   des   compétences   gestion   de   données,  machine   learning   et   business/management  (typiquement  aussi  dans  des  entreprises  classiques).     • Le  besoin  explose,  et  on  a  déjà  du  mal  à  trouver  des  spécialistes  (typiquement  des   entreprises  plus  Web).                                                                                                                   1  Davenport  et  Patil,    «  Data  Scientist:  The  Sexiest  Job  of  the  21st  Century  »,  Harvard  Bu-­‐ siness  Review,  2012  
  • 2. • On   est   au   début   de   la   vague   et   on   fonce   vers   la   pénurie   que   connaissent   déjà   d’autres  pays  plus  avancés  comme  les  Etats-­‐Unis.   Les  formations  de  data  scientists  croulent  sous  les  demandes.  Mais  elles  sont  trop  peu   nombreuses  et  récentes  pour  pouvoir  mesurer  une  demande  extrêmement  évolutive.   Méthode  suivie   La  plus  ouverte  et  collaborative  possible  ;  n’hésitez  pas  à  faire  circuler  des  versions  de   ce  texte  et  à  envoyer  vos  commentaires/critiques  à  mailto://serge.abiteboul@inria.fr.     Recommandations Que  faut-­‐il  enseigner  ?   L’histoire2  du  terme  «  data  scientist  »  remonte  aux  années  60    mais  le  consensus  aujour-­‐ d’hui  est  de  définir  le  data  scientist  à  l’intersection  de  trois  domaines  d’expertise3  :  (i)   Informatique,  (ii)  Statistique  et  mathématiques,  et  (iii)  Connaissances  métier.   Liste  indicative  de  cours  pour  illustrer  :   • Analyse  du  problème  et  conception.   • Acquisition   de   données   non   structurées  :   trouver,   choisir,   représentation,   cra-­‐ wling,  scrapping,  ETL.   • Manipulation   de   données  :   nettoyage   (cleansing),   stockage   (NoSQL,   bases   co-­‐ lonnes,   bases   graphes),   analyse   de   qualité,   intégration,   extraction   des   méta-­‐ données,  distribution  des  données.   • Analyse  de  données  :  statistique,  apprentissage  automatique  (machine  learning),   data  et  text  mining),  données  temps  réel  (time  series,  flux  d’évènements),  don-­‐ nées  imprécises/incertaines.   • Utilisation  de  réseaux  sociaux  et  moteurs  de  recherche.   • Passage  à  l’échelle,  parallélisme  (Hadoop,  map/reduce),  cloud  computing,  archi-­‐ tecture  matérielle/logicielle.   • Visualisation  de  données  massives  (data  viz),  explication  des  résultats.   • Exploitation  des  données,  décisionnel  (BI).       • Aspects  légaux,  éthiques  et  sociaux,  confidentialité,  anonymisation,  sécurité.   • Séminaire  de  cas  d’usage  présentant  des  expériences  de  sciences  de  données.   Des  projets  «  les  yeux  dans  les  yeux  de  données  en  vraie  grandeur  »  complémente-­‐ ront  ces  cours  en  faisant  intervenir  tous  les  aspects  de  la  science  des  données,  depuis   l’acquisition  jusqu’au  plan  d’exploitation.  Ces  projets  doivent  encourager  la   créativité   des  élèves  et  s’appuyer,  en  particulier  dans  le  cadre  de  la  formation  continue,  sur  leurs   compétences   existantes,   leurs   intérêts,   leur   domaine   d’expertise.   Ces   formations   s’appuieront  sur  des  outils  logiciels  qui  pourront  être  présentés  par  des  industriels  du   domaine  et  utilisés  pour  les  expérimentations.   Une  telle  formation  est  par  nature  pluridisciplinaire  et  il  est  indispensable  de  ne  pas  oc-­‐ culter  une  de  ses  dimensions  techniques  ou  sa  dimension  métier  :                                                                                                                   2  A  very  short  history  of  data  science,  www.forbes.com.   3  Diagramme  de  Venn  de  la  data  science,  drewconway.com.  
  • 3. • Complétude.  Nous  parlerons  ici  de  formation  «  complète  »  pour  les  formations   tenant  compte  de  ces  aspects  dans  leur  totalité.  Si  nous  insistons  sur  ce  point,   c’est  qu’aujourd’hui,  par  effet  de  mode,  on  fait  parfois  le  marketing  de  formations   informatiques  ou  de  formations  de  statistiques  comme  formation  de  data  scien-­‐ tists.   Une   telle   approche   est   positive   en   ce   qu’elle   permet   de   faire   bouger   les   lignes,  il  ne  faut  pas  que  cela  perdure.  La  formation  doit  être  à  terme  pluridisci-­‐ plinaire.  Selon  les  organismes  formateurs,  on  pourra  avoir  cependant  sans  doute,   à  terme,  des  formations  «  à  majeure  »  informatique,  statistique  ou  métier.   • Différentiation  tardive.  La  formation  doit  offrir  un  tronc  commun  le  plus  géné-­‐ raliste  possible.  La  raison  est  simple  :  il  est  simplement  impossible  d’offrir  des   formations   de   data   scientists   spécialisées   à   chacun   des   métiers   concernés.   La   formation  de  data  scientists  devra  par  contre  offrir  des  spécialisations  métiers  en   fin  de  cursus  peut-­‐être  par  le  biais  d’options,  certainement  à  l’occasion  de  projets   avec  des  interactions  fortes  avec  les  entreprises.   • Illustration.  Un  exemple  très  particulier  permettra  d’illustrer  ces  notions,  celui   de   «  journaliste   de   données  ».   On   a   de   tout   temps   réalisé   la   difficulté   de   faire   comprendre  les  statistiques  aux  décideurs  et  au  grand  public4.  Ce  qui  a  changé,   c’est  que  l’utilisation  de  l’informatique  s’est  généralisée,  et  une  personne,  le  jour-­‐ naliste   de   données,   est   capable   de   trouver   des   données,   de   les   analyser   et   de   communiquer,    d’être  le  lien  entre  les  données  et  les  décideurs,  le  grand  public.   C’est  bien  là  tout  le  spectre  d’un  data  scientist.  On  peut  imaginer  une  option  jour-­‐ nalisme  de  données  dans  une  formation  de  data  scientists  et  évidemment,  comme   nous  l’encouragerons  plus  loin,  l’introduction  de  cours  de  data  science  dans  des   écoles  de  journalismes.   Grands  domaines  :     Aéronautique & Automobile Agriculture Assurance Banque Distribution Energie Luxe & beauté Manufacturing Trading financier Santé Télécommunications Tourisme Transport & Smart Cities   Utilities Publicité E-commerce Environnement Qantified self (= santé) Media & entertainment   Quelques  pistes  d’action  pour  une  réaction  rapide   1. Formations   en   ligne.   Il  faut  développer,  dans  ce  domaine,  les  Moocs  (Massive   on-­‐line  open  courses)  ou  autres  formation  à  distance  en  insistant  sur  la  qualité  et   la  complétude.   De   tels   cours   peuvent   être   déployés   très   vite.   Un   but   serait   no-­‐ tamment  de  rendre  disponible  assez  vite  des  cours  qui  servent  de  référence  dans   le  monde  francophone.   Pour  y  arriver,  on  pourra  s’appuyer  sur  la  plateforme  Fun  du  MESR  ;  il  faudra  af-­‐ fecter  de  vraies  ressources  :  temps  de  préparation  du  cours,  TP,  plateforme  tech-­‐ nique   (matériel,   logiciel   et   jeux   de   données),   support   technique.   Par   exemple,   l’ordre   de   grandeur   pour   produire   un   vrai   Mooc   est   au   minimum   l’équivalent   d’un  professeur  temps  plein  sur  un  an.                                                                                                                       4  Y  a-­‐t-­‐il  des  compétences  “Data”  spécifiques  ?,  fing.tumblr.com.  
  • 4. On  s’appuiera  sur  des  cours  existants  de  qualité  pour  développer  une  offre  de   cours  dématérialisés.   Ce  type  de  formation  pourra  servir  à  la  formation  continue  dans  les  entreprises   et  à  la  formation  des  enseignants  eux-­‐mêmes.   2. Curriculum  et   label   «  data   science  ».   On   définira   précisément   un   curriculum   général  de  formation  de  data  scientists  ainsi  que  de  formations  spécialisées  dans   des   domaines   spécialisés   comme   le   marketing,   les   sciences,   le   journalisme.   On   contrôlera  la  qualité  des  formations  de  data  scientists  par  exemple  par  le  biais   d’un  label.   3. Formations   professionalisantes.   On   soutiendra   leur   développement   en   insis-­‐ tant  sur  la  qualité  et  la  complétude  :   a. Stages  courts  de  quelques  jours  (Fac,  CNAM,  écoles,  entreprises  de  formation)   b. Formations  diplômantes  (universités,  CNAM,  IUT,  écoles)   4. Faire  évoluer  les  formations  actuelles   a. Encourager   les   formations   statistiques   à   inclure   plus   d’informatique   et   les   formations  informatiques  à  inclure  plus  de  statistique.     b. Encourager  à  introduire  une  vraie  exposition  aux  aspects  business   c. Mettre  à  leur  disposition  des  intervenants  universitaires  ou  industriels  pour   combler  les  manques.   5. Réseau.  On  associera  les  entreprises  à  la  formation  de  data  scientists  par  le  biais   d’un   réseau   avec   une   communauté   de   partage   de   ressources   (outils,   données,   formation)  et  d’expériences.  Ce  réseau    pourra  en  particulier  proposer  des  pro-­‐ jets  d’expérimentation  aux  élèves.  Il  pourra  aller  jusqu’à  la  mise  en  place  de  col-­‐ laborations  avec  mise  à  disposition  de  personnel.   Ce   réseau   pourrait   se   faire   dans   le   cadre   du   Centre  de  ressource  technologique   proposé  dans  le  cadre  de  la  Filière  Big  data.     6. Nouveaux   centres   d’éducation.   Envisager   des   coopérations   avec   des   écoles   comme   Simplon.co   ou   42  et   des   expériences   nouvelles   d’éducation   des   data   scientists.   Pour  structurer  des  formations  à  plus  long  terme   1. Agir  au  niveau  européen  :  Voir  Annexe  B.   2. Evaluation  :  Réaliser  une  évaluation  des  besoins  tant  qualitatifs  que  quantitatifs.     3. Les   formations   métiers.   Développer   la   formation   de   data   scientists   dans   les   formations  métier  :  Ecoles  d’ingénieurs,  école  de  management  et  de  commerce,   école  de  journalisme,  école  d’administration.   4. Le  droit  des  données.  Développer  dans  les  études  juridiques  la  place  des  droits   du  numérique,  et  en  particulier  des  droits  des  données.   5. Matériel  éducatif  :  développer  une  gamme  de  matériels  éducatifs  ouverts    et  de   qualité  dans  ce  domaine,  comme  des  livres,  des  collections  de  données  tests,  des   Moocs.   6. Assouplissement  des  structures  éducatives  publiques.   a. Il  y  a  de  véritables  volontés  d’enseignants  de  développer  de  nouveaux  en-­‐ seignements  autour  de  la  data  science.  Ces  volontés  sont  freinées  par  des   procédures   –   il   faut   aujourd’hui   plus   de   4   ans   pour   lancer   un   nouveau   master.  Il  faudrait  introduire  plus  de  souplesse/rapidité  en  générale  ou  au   minimum  dans  ce  domaine  où  tout  évolue  très  vite.   b. La  formation  continue  publique  fonctionne  plutôt  bien  en  ce  qui  concerne   la   formation   diplômante.   La   formation   à   la   demande   (stages   intensifs)  
  • 5. rentre  mal  dans  le  cadre  rigide  du  publique.  Il  faudrait  introduire  plus  de   souplesse  dans  l’utilisation  du  personnel  enseignant  ainsi  que  des  presta-­‐ taires  extérieurs.     c. Il  faudrait  faciliter  les  échanges  entre  entreprises  et  centres  de  formation,   par  exemple,  en  simplifiant  les  conventions  de  stages  trop  lourdes  pour   des  stages  très  courts,  ou  en  installant  des  instruments  de  mobilités  pour   que   des   enseignants   puissent   passer   du   temps   dans   des   entreprises,   et   dans  l’autre  sens  aussi.   7. Bac+3.   Envisager   un   parcours   de   licence   bi-­‐disciplinaire   Mathématiques-­‐ Informatique  orienté  autour  des  données  et  permettant  une  formation  équilibrée   qui   pourrait   d'une   part   satisfaire   les   besoins   des   entreprises   à   ce   niveau-­‐là   et   servir  de  socle  à  des  Masters  en  Sciences  de  Données.      
  • 6. Annexe  A  :  European  cooperation   This  comes  right  in  an  objective  of  the  European  community:  Information  and  Commu-­‐ nication  Technologies  in  Horizon-­‐2020  (ICT  15)   Goal   To  contribute  to  capacity-­‐building  by  designing  and  coordinating  a  network  of  European   skills   centres   for   big   data   analytics   technologies   and   business   development.   The   net-­‐ work  is  expected  to  identify  knowledge/skills  gaps  in  the  European  industrial  landscape   and  produce  effective  learning  curricula  and  documentation  to  train  large  numbers  of   European   data   analysts   and   business   developers,   capable   of   (co)operating   across   na-­‐ tional  borders  on  the  basis  of  a  common  vision  and  methodology.   Outcome   Availability  of  deployable  educational  material  for  data  scientists  and  data  workers  and   thousands  of  European  data  professionals  trained  in  state-­‐of-­‐the-­‐art  data  analytics  tech-­‐ nologies  and  capable  of  (co)operating  in  cross-­‐border,  cross-­‐lingual  and  cross-­‐sector   European  data  supply  chains.   A  group  is  being  formed  to  submit  a  proposal  with  Volker  Markl  from  Germany.  For  now,   Serge  Abiteboul  and  Stefan  Clémençon  are  representing  France.      
  • 7. Annexe  B  :  l’existant  en  France     Un  article  récent  du  Monde  de  l’éducation  parle  du  sujet5.   Telecom-­‐Paris   http://www.telecom-­‐paristech.fr/formation-­‐continue/masteres-­‐specialises/big-­‐ data.html  Le  Mastère  Spécialisé  «  Big  Data  :  gestion  et  analyse  des  données  massives  »   qui   a   démarré   cette   année   est   ce   qui   nous   paraît   le   plus   dans   l’esprit   du   programme   complet  précisé  précédemment.  Il  nous  semble  être  la  bonne  base  pour  former  des  «   data  scientist  ».   INP-­‐Grenoble   A  Grenoble  l’Ensimag  et  la  GEM  (Grenoble  Ecole  de  Management)  vont  ouvrir  l’an  pro-­‐ chain  un  Mastère  spécialisé  «  Data  scientists  ».  Semble  tout  à  fait  dans  l’esprit  du  pro-­‐ gramme  complet.  Il  sera  composé  de  5  mois  de  cours  et  10  mois  de  mission  en  entre-­‐ prise.   Il  existe  déjà  un  master  mais  plutôt  MathAppli  avec  juste  une  option  «  data  scientists  ».   L’ENSAE  ParisTech     L’ENSAE  ouvre  en  octobre  2013  une  nouvelle  filière  de  3ème  année  de  son  cycle  ingé-­‐ nieur  :  la  voie  Data  Science.  Cette  filière  permettra,  entre  autres,  d’acquérir  les  compé-­‐ tences  attendues  pour  les  postes  de  Data  Scientist  et  Chief  Data  Officer  qui  émergent   avec  le  développement  des  Big  Data.   L’ENSAE  a  aussi  ouvert  un  master  spécialisé  aligné  sur  cette  troisième  année.     La  formation  est  surtout  orientée  statistiques  plus  que  gestion  de  données  massives.     L’ENSAI     L’ENSAI   a   aussi   ouvert   une   filière   «  data   science   et   big   data  ».   Plus   informatique   que   l’ENSAE.     Paris  6   Paris   6   va   ouvrir   un   master   de   data   science   «  Données,   Apprentissage,   et   Connais-­‐ sances  »,   succédant   au   Master   actuel   IAD, orienté   plutôt   informatique   et   data   mining,   mais  qui  devrait  évoluer.     CNAM   Le  CNAM  a  des  formations  prévues  pour  la  rentrée  2014  :  des  certificats  maison  sur  un   an   (certificat   de   spécialisation,   mi   informatique,   mi   statistique,   pour   ingénieurs   en   poste  ;  certificat  de  compétences,  niveau  licence,  visant  les  besoins  de  gestion  de  data   centers),  évolution  d’un  parcours  du  Master  Statistique  vers  le  «  Big  Data  »  incluant  des   modules  d’informatique     Le  CNAM  travaille  par  ailleurs  sur  une  offre  de  MOOC,  dans  la  prolongation  de  leur  expé-­‐ rience  de  formation  à  distance.  Mais  pour  l’instant,  rien  n’est  prévu  sur  la  data  science.                                                                                                                   5  Sophy  Caulier,  La  montée  en  puissance  de  la  Datamasse,  Le  Monde  10.12.2013.  
  • 8. HEC   HEC  a  créé  une  filière  Big  Data  et  business  analytics  en  partenariat  avec  IBM.  Il  s’agit  de   sensibiliser  de  futurs  responsables  business  et  manageurs  aux  possibilités  de  l’utilise  de   l’analyse  de  données  massives.     Plateforme  de  l’Institut  Mines-­‐Télécom  et  Genes     La  plateforme  d’expérimentation  sur  les  Big  Data  offrira  un  grand  corpus  de  données  et   intègrera  des  technologies  matérielles,  logicielles.  Accès  de  l’OpenData  ou  des  données   privées  en  mode  sécurisé.  Exploitation  en  mode  SAAS/PAAS  par  un  catalogue  de  ser-­‐ vices   et   applicatifs.   La   plate-­‐forme   est   une   initiative   de   l'Institut   Mines   Télécom   à   la-­‐ quelle  s'est  associée  le  Genes.  Son  utilisation  n'est  pas  réservée  aux  seuls  chercheurs  de   ces   institutions  ;   elle   se   destine   également   à   des   chercheurs   de   tout   organisme   et   d’entreprises  (PME  et  grands  groupes)  en  dehors  de  toute  exploitation    commerciale   Associations  professionnelles   • http://data-­‐tuesday.com/  (Open  data,  data  viz,  big  data)   • http://www.alliancebigdata.com/  (un  portail  Web)   • http://www.kdnuggets.com/   («  Data   Mining   Community's   Top   Resource     for  Data  Mining  and  Analytics  Software,  Jobs,  Consulting,  Courses,  and  more»)   • http://ww.gfii.fr/  (GFII  -­‐  Les  acteurs  du  marché  de  l'information  et  de  la  connaiss ance)        
  • 9. Annexe  C  :  Some  courses  in  the  world     Une  étude  publiée  en  Angleterre  en  novembre  2013                                                                                             (http://www.e-­‐skills.com/research/research-­‐publications/big-­‐data-­‐analytics/#November%20report)   indique  avoir  identifié    31  000    emplois  de  spécialistes  big  data  et  383  000  d’utilisateurs   de  big  data.  En  janvier  2013  l’étude  avait  identifié  3  790  offres  d’emploi  en  UK  pour  le   3ème  trimestre  2012,  dont  42%  pour  des  postes  de  développeurs,  10%  des  architectes,   8%  des  analystes  et  6%  des  administrateurs,  avec  une  croissance  de  912%  sur  les  5   dernières  années.     Aux  Etats-­‐Unis,  la  société  http://www.wantedanalytics.com  indique  que  88  000  offres   d’emploi  en  septembre  2013  réclamaient  des  compétences  «  big  data  ».  Les  formations   devraient  donc  viser  à  couvrir  des  besoins  à  la  fois  de  spécialistes  (analystes,  adminis-­‐ trateurs,   architectes   et   développeurs)   et   d’utilisateurs  ;   ce   qui   recoupe   les   trois   do-­‐ maines   indiqués   précédemment   (informatique,   statistiques   et   expertise   métier).   Une   étude   sur   les   besoins   en   outils   Big   data   dans   la   région   de   Washington   DC   http://bigdatastudio.com/2013/10/20/3707/     fait   apparaître   des   besoins   informa-­‐ tiques   standard,   à   côté   d’autres   très   spécifiques   (Hadoop,   MapReduce)  :   le   besoin   en   développeurs  est  très  significatif.     Voir     • http://datascience101.wordpress.com/2012/04/09/colleges-­‐with-­‐data-­‐science-­‐ degrees/  et     • http://www.kdnuggets.com/education/index.html     pour  une  liste  complète.   Quelques   pays   semblent   en   avance  :   US   (California),   Israel,   Singapoure.   Par   exemple,   Israël  est  depuis  des  années  leader  en  fouille  de  données  et  machine  learning.  Ils  ont  de   nombreux   projets   en   data   science   avec   des   compagnies   multinationales   qui   installent   des  équipes  de  R&D  en  Israël  dans  ces  domaines  et  des  startups.  Nous  n’avons  pas  eu  le   temps  d’obtenir  d’information  de  pays  comme  la  chine  ou  la  Corée.     Moocs  dans  Coursera     • Introduction  to  data  science:  B.  Howe  –  U.  Washington   (https://www.coursera.org/course/datasci)   • Machine  learning:  A.  Ng  –  U.  Stanford  (https://www.coursera.org/course/ml)   • Neural  Networks  for  Machine  Learning:  G.  Hinton  –  U.  Toronto   (https://www.coursera.org/course/neuralnets)     • Social  network  Analysis:  L.  Adamic  –  U.  Michigan     (https://www.coursera.org/course/sna)     IBM  http://bigdatauniversity.com/  (around  Big  data  and  data  analysis)   Singapore  undergraduate   The   Bachelor   of   Science   (Business   Analytics)   degree   program   is   an   inter-­‐disciplinary   undergraduate  degree  program  offered  by  the  School  of  Computing  with  participation   from  the  Business  School,  Faculty  of  Engineering,  Faculty  of  Science,  and  Faculty  of  Arts  
  • 10. and  Social  Sciences.  This  is  a  four-­‐year  direct  honours  program  which  offers  a  common   two-­‐year  broad-­‐based  inter-­‐disciplinary  curriculum  where  all  students  will  read  mod-­‐ ules  in  Mathematics,  Statistics,  Economics,  Accounting,  Marketing,  Decision  Science,  In-­‐ dustrial  and  Systems  Engineering,  Computer  Science  and  Information  Systems.     http://www.comp.nus.edu.sg/undergraduates/ug-­‐bsc-­‐ba_prospective.html   Singapore  master     http://msba.nus.edu/   Singapore  Industry:  Big  Data  analytics  and  data  scientists  training  center  opens   1. Dell,  Intel  Corporation,  and  Revolution  Analytics  have  set  up  a  Big  Data  Innova-­‐ tion   Center   in   Singapore.   The   new   center   brings   together   expertise   across   all   three  organizations  to  provide  extensive  training  programs,  proof-­‐of-­‐concept  ca-­‐ pabilities  and  solution  development  support  on  big  data  and  predictive  analytic   innovations  for  Asia  market.   2. As  part  of  efforts  to  provide  more  receptacles  for  "expert"  level  skills  training,   Singapore's  Infocomm  Development  Authority  (IDA)  has  announced  two  Centers   of  Attachment  (COA)  in  partnership  with  EMC  and  Microsoft  respectively.   U.C.  Berkeley  Master  of  Information  and  Data  Science   2  years  fully  on  line   Caltech   Learning  from  data.  Yaser  Abu-­‐Mostafa.  http://work.caltech.edu/lectures.html     Cornell  Tech   Joint  Cornell-­‐Technion  campus  in  NYC.  Data  management/analysis  is  one  focus.   New  York  University  Masters   The  new  NYU  Center  for  Data  Science  is  offering  a  2  year  MS  in  Data  Science  requiring  a   strong  background  in  math,  computer  science  and  statistics.     http://datascience.nyu.edu/.       Israel   Master  program  at  Ben  Gurion  University  in  “Data  Science  and  Business  intelligence”  ;   mostly  academic.     Interesting  courses  at  Tel  Aviv  :  http://www.cohenwang.com/edith/bigdataclass2013/     Filière  d’un  Master  Erasmus  Mundus   Master  Erasmus  Mundus  IT4BI  «  Information  Technologies  for  Business  Intelligence  »,   http://it4bi.univ-­‐tours.fr/.  Erasmus  Mundus  est  un  programme  européen  de  coopéra-­‐ tion   et   de   mobilité   dans   le   domaine   de   l’enseignement   supérieur   (http://eacea.ec.europa.eu/index_en.php).     Ce   programme   de   2   ans   a   pour   objectif   de   former  des  informaticiens  pour  comprendre  et  développer  des  stratégies  décisionnelles.   Délivré  par  ULB  en  Belgique,  Univ.  de  Tours  (Patrick  Marcel),  Central  Paris,  Politècnica   de  Catalunya,  la  TU  Berliun.  Volker  Markl  à  TU  Berlin  a  une  filière  Big  data.  
  • 11. Annexe  D  :  Remerciements   Nous  remercions  les  personnes  suivantes  pour  des  discussions  et  leurs  commentaires   sur   des   versions   de   ce   rapport.   Leurs   contributions   n’entraînent   pas   nécessairement   leurs  adhésions  à  toutes  ses  recommandations.       Marie-­‐Aude  Aufore  (Central  Paris)   Francis  Bach  (ENS,  Inria)   Christine  Ballagué  (Telecom  Paris,  CNNum)   Noureddine  Belkhatir  (IUT  Grenoble)     Marc  Chemin  (Cap  Gemini)     Vassilis  Christophides  (Technicolor)   Jean-­‐Louis  Constanza  (Criteo)     Matthieu  Cornec  (Cdiscount)   Yves  Denneulin  (IMAG)   Antoine  Frachau  (Directeur  Génes)     Patrick  Gallinari  (Paris  6)   Pascal  Guitton  (Inria)     Radu  Ispas  (Keyrus)       Daniel  Kaplan  (Fing,  CNNum)   Nicolas  Kayser-­‐Bril  (Data    journalist)   Brigitte  Plateau  (Ensimag)   Julien  Pouget  (ENSAE)     Pierre  Senellart  (Telecom  Paris)