Recommandé
Recommandé
Contenu connexe
Similaire à Make Data Science Great Again. Pourquoi et comment crafter la Data Science sur mesure?
Similaire à Make Data Science Great Again. Pourquoi et comment crafter la Data Science sur mesure? (20)
Plus de Anastasia Bobyreva
Plus de Anastasia Bobyreva (10)
Make Data Science Great Again. Pourquoi et comment crafter la Data Science sur mesure?
- 2. #MakeDataScienceGreatAgain @lievAnastazia Make Data Science Great Again.
- 3. #MakeDataScienceGreatAgain @lievAnastazia Pourquoi et comment crafter la Data-Science sur mesure ?
- 8. #MakeDataScienceGreatAgain @lievAnastazia Tailler la Data-Science comme tailler un costume
- 10. #MakeDataScienceGreatAgain @lievAnastazia Axiome #1 Axiome #2 Axiome #3 Axiome #4 Axiome #5 Axiome #6 Axiome #7
- 11. #MakeDataScienceGreatAgain @lievAnastazia Axiome #1 Axiome #2 Axiome #3 Axiome #4 Axiome #5 Axiome #6 Axiome #7 Action #1 Action #2 Action #3 Action #4 Action #5 Action #6 Action #7
- 12. #MakeDataScienceGreatAgain @lievAnastazia On a de la Data ! Trouve nous l’innovation !
- 13. #MakeDataScienceGreatAgain @lievAnastazia Axiome #1 Quand un data-scientist sait ce qu'il doit chercher dans des données, il peut mettre beaucoup du temps à le trouver, et le résultat n’est pas garanti.
- 15. #MakeDataScienceGreatAgain @lievAnastazia Variables à explorer Algorithmes à comparer
- 16. #MakeDataScienceGreatAgain @lievAnastazia Quand un data-scientist sait ce qu'il doit chercher dans des données, il peut mettre beaucoup du temps à le trouver, et le résultat n’est pas garanti. Alors quand il ne sait pas ce qu’il doit chercher, c’est garanti qu’il ne trouvera rien Axiome #1
- 18. #MakeDataScienceGreatAgain @lievAnastazia La data a des morphologies differentes..
- 19. #MakeDataScienceGreatAgain @lievAnastazia Commencez par organiser et observer les données SANS la Data-Science
- 20. #MakeDataScienceGreatAgain @lievAnastazia Force à bien organiser la data (base de données et pipelines de prétraitement) AVANTAGES
- 21. #MakeDataScienceGreatAgain @lievAnastazia Force à bien organiser la data (base de données et pipelines de prétraitement) Permet de découvrir simplement les patterns et les règles métiers cachées dans la data AVANTAGES
- 22. #MakeDataScienceGreatAgain @lievAnastazia Force à bien organiser la data (base de données et pipelines de prétraitement) Permet de découvrir simplement les patterns et les règles métiers cachées dans la data Invite à porter attention à la qualité et à l’accessibilité des données AVANTAGES
- 23. #MakeDataScienceGreatAgain @lievAnastazia On a la Data et on n’a même pas besoin de faire de la data-science pour créer de la valeur !
- 24. #MakeDataScienceGreatAgain @lievAnastazia On a la Data et on sait qu’on peut encore aller plus loin !
- 26. #MakeDataScienceGreatAgain @lievAnastazia Definition de la Data Science “La science des données est l'extraction de connaissance d'ensembles de données. Elle emploie des techniques et des théories tirées de plusieurs autres domaines plus larges des mathématiques, la statistique principalement, la théorie de l'information et la technologie de l'information, notamment le traitement de signal, des modèles probabilistes, l'apprentissage automatique, l'apprentissage statistique, la programmation informatique, l'ingénierie de données, la reconnaissance de formes et l'apprentissage, la visualisation, l'analytique prophétique, la modélisation d'incertitude, le stockage de données, la compression de données et le calcul à haute performance. Les méthodes qui s'adaptent aux données de masse sont particulièrement intéressantes dans la science des données, bien que la discipline ne soit généralement pas considérée comme limitée à ces données.La science des données (en anglais data science) est une discipline qui s'appuie sur des outils mathématiques, de statistiques, d'informatique (cette science est principalement une « science des données numériques ») et de visualisation des données. ”
- 27. #MakeDataScienceGreatAgain @lievAnastazia La Data-Science est un domaine pluridisciplinaire extrêmement vaste, avec un grand nombre de spécialisations différentes, qui supposent des techniques et des compétences différents Axiome #2
- 29. #MakeDataScienceGreatAgain @lievAnastazia Allez, je vais arriver à faire marcher mon algorithme de traitement d’image sur le texte...
- 30. #MakeDataScienceGreatAgain @lievAnastazia Action #2 POSITIONNEZ-VOUS
- 31. #MakeDataScienceGreatAgain @lievAnastazia Action #1 POSITIONNEZ-VOUS SE POSITIONNER != SE CLOISONNER
- 33. #MakeDataScienceGreatAgain @lievAnastazia Bac +5 Dev Bac +3 Dev Bac +8 Whatever Bac +5 Whatever Bac +5 Data Science
- 36. #MakeDataScienceGreatAgain @lievAnastazia “Pourtant, ce dernier (Data-Scientist), sans les compétences du Data Engineer ne peut pas forcément coder proprement (voir un résumé du livre Clean code) et livrer facilement un produit maintenable.”
- 37. #MakeDataScienceGreatAgain @lievAnastazia Il n’y a pas de corrélation entre les compétences en data-science appliquée et le niveau d'étude Axiome #3 Bac +5 Dev Bac +3 Dev Bac +8 Whatever Bac +5 Whatever Bac +5 Data Science
- 38. #MakeDataScienceGreatAgain @lievAnastazia Favoriser les candidats qui sont curieux et qui n’ont pas peur de coder ou de rentrer dans le cœur des algorithmes en décortiquant les formules mathématiques ! Action #3 CODE & CURIOUS
- 39. #MakeDataScienceGreatAgain @lievAnastazia Ne pas confondre la data science en entreprise avec une compétition sur Kaggle !
- 40. #MakeDataScienceGreatAgain @lievAnastazia Ne pas confondre la data science en entreprise avec une compétition sur Kaggle ! Le Data-Scientist ne crée pas des algorithmes innovants et complexes pour publier un papier (on n’est plus au labo de recherche !)
- 41. #MakeDataScienceGreatAgain @lievAnastazia Ne pas confondre la data science en entreprise avec une compétition sur Kaggle ! Le Data-Scientist ne crée pas des algorithmes innovants et complexes pour publier un papier (on n’est plus au labo de recherche !) Le Data-Scientist crée de la valeur à partir de données, une valeur perceptible par l’utilisateur et, donc, par le business.
- 42. #MakeDataScienceGreatAgain @lievAnastazia Ne pas confondre la data science en entreprise avec une compétition sur Kaggle ! Le Data-Scientist ne crée pas des algorithmes innovants et complexes pour publier un papier (on n’est plus au labo de recherche !) Le Data-Scientist crée de la valeur à partir de données, une valeur perceptible par l’utilisateur et, donc, par le business. Maîtriser les mathématiques est obligatoire
- 43. #MakeDataScienceGreatAgain @lievAnastazia Ne pas confondre la data science en entreprise avec une compétition sur Kaggle ! Le Data-Scientist ne crée pas des algorithmes innovants et complexes pour publier un papier (on n’est plus au labo de recherche !) Le Data-Scientist crée de la valeur à partir de données, une valeur perceptible par l’utilisateur et, donc, par le business. Maîtriser les mathématiques est obligatoire Langages pour l’expérimentation ou langages pour la production.
- 47. #MakeDataScienceGreatAgain @lievAnastazia La Data-Science est un sport d'équipe Axiome #4
- 48. #MakeDataScienceGreatAgain @lievAnastazia Action #4 COLLABOREZ
- 49. #MakeDataScienceGreatAgain @lievAnastazia Action #4 COLLABOREZ
- 50. #MakeDataScienceGreatAgain @lievAnastazia Expliquez et vulgarisez @MagaliBaude @manudebuire
- 54. #MakeDataScienceGreatAgain @lievAnastazia Daily avec l'équipe R&D http://www.c-sharpcorner.com/UploadFile/d9c992/the-agile-scrum-framework/
- 55. #MakeDataScienceGreatAgain @lievAnastazia Pair programming et revues de code entre data scientists et développeurs
- 56. #MakeDataScienceGreatAgain @lievAnastazia Axiome #5 On bâtit les projets de Data-Science sur plusieurs hypothèses, y compris des hypothèses liées à l’utilisateur final. Connaître ses personae et comprendre leurs besoins est donc crucial pour la réussite de ces projets.
- 57. #MakeDataScienceGreatAgain @lievAnastazia “The grow method” “Go back” method “Rebel talent”, Francesca Gino
- 58. #MakeDataScienceGreatAgain @lievAnastazia Action #5 GO BACK to user “The grow method” “Go back” method “Rebel talent”, Francesca Gino
- 59. #MakeDataScienceGreatAgain @lievAnastazia Prototypez les hypothèses liées à l’utilisateur
- 60. #MakeDataScienceGreatAgain @lievAnastazia Avant de passer du temps sur la modélisation d’un algorithme, définir son cadre d’utilisation Action #5 GO BACK to user
- 64. #MakeDataScienceGreatAgain @lievAnastazia Axiome #6 Plus on tarde à mettre le modèle en phase d'A/B testing, plus il y a de chance que le modèle ne soit jamais utilisé en production.
- 65. #MakeDataScienceGreatAgain @lievAnastazia Axiome #6 Plus on tarde à mettre le modèle en phase d'A/B testing, plus il y a de chance que le modèle ne soit jamais utilisé en production. Faites des A/B tests ASAP
- 66. #MakeDataScienceGreatAgain @lievAnastazia Axiome #6 Plus on tarde à mettre le modèle en phase d'A/B testing, plus il y a de chance que le modèle ne soit jamais utilisé en production. Faites des A/B tests ASAP
- 67. #MakeDataScienceGreatAgain @lievAnastazia Action #6 PRATIQUEZ L’AGILITE
- 70. #MakeDataScienceGreatAgain @lievAnastazia Action #6 PRATIQUEZ L’AGILITE Data Science AGILE
- 71. #MakeDataScienceGreatAgain @lievAnastazia Action #6 PRATIQUEZ L’AGILITE Kanban ? Scrum ? Scrumban ?
- 72. #MakeDataScienceGreatAgain @lievAnastazia Action #6 PRATIQUEZ L’AGILITE La systeme de recommandation des videos ( à la YouTube) Epic Construire un prototype d’un système de recommandation avec une approche basé sur le contenu Story 1 En tant qu'utilisateur je veux liké ou disliké les vidéos visionnés afin de donner mon retour explicit sur le contenu Story 2 En tant que data-scientist je veux extraire les méta-informations (titre, genre de vidéos, actrices/acteurs principales, musique) à partir de vidéos afin de les utiliser dans l’algorithme de recommandation.
- 73. #MakeDataScienceGreatAgain @lievAnastazia Expérimentez pour trouver une organisation agile qui sera mieux adaptée à votre métier et à votre équipe !
- 74. #MakeDataScienceGreatAgain @lievAnastazia “It’s always good to be reminded that our knowledge and skill set can be expanded. This, in turn, increases our motivation as well as our humility. “Rebel Talent”, Francesca Gino
- 75. #MakeDataScienceGreatAgain @lievAnastazia “It’s always good to be reminded that our knowledge and skill set can be expanded. This, in turn, increases our motivation as well as our humility. “Rebel Talent”, Francesca Gino Axiome #7 Seul, on va plus vite.
- 76. #MakeDataScienceGreatAgain @lievAnastazia “It’s always good to be reminded that our knowledge and skill set can be expanded. This, in turn, increases our motivation as well as our humility. “Rebel Talent”, Francesca Gino Axiome #7 Seul, on va plus vite. Ensemble, on va plus loin.
- 77. #MakeDataScienceGreatAgain @lievAnastazia Action #7 ALLEZ PLUS LOIN Et plein d’autres confs tech et data !
- 78. #MakeDataScienceGreatAgain @lievAnastazia 7 ACTIONS jusqu’à la DATA-SCIENCE SUR MESURE 1. MESUREZ 2. POSITIONNEZ VOUS 3. CODE & CURIOUS 4. COLLABOREZ 5. “GO BACK” to user 6. PRATIQUEZ L’AGILITE 7. ALLEZ PLUS LOIN