Reprise du message précédent :

Je dirais plutôt que ça se tasse, au contraire.

Au début de la hype, à peu près n'importe quel data scientist pouvait viser sans souci du 70 voire 80k. Maintenant, avec l'arrivée des premières vagues de jeunes diplomés en data science, le fait que tout le monde se prétende data scientist sans forcément l'être réellement, les salaires baissent. Je vois énormément de data scientists (et pas les plus mauvais) émarger péniblement à 40/45k à Paris. Les SSII proposent désormais du data scientist à 600 balles la journée, l'intérêt de prendre un data scientist cher en interne se réduit donc d'autant (contrairement au risque). Sur des postes de data architect, tous les cabinets de recrutement qui m'ont contacté me disent que je suis hors marché : d'après eux, un data architect expérimenté peut difficilement émarger à plus de 80k. Bref, ça se normalise. Je souhaite d'ailleurs bon courage aux data scientists embauchés à prix d'or pour bouger sans changer de poste, or la question de savoir ce qu'on fait après de la data science est toujours ouverte dans les entreprises.

edit : vision parisienne du marché, je ne prétends pas que cela soit vrai ailleurs.

T'en connais beaucoup des DS à Paris sans responsabilite managériale à 70/80k ? Autour de moi, à 2/3 d'expérience j'en ai pas vu beaucoup. Sur glassdoor aussi j'en ai pas trouvé des masses.
Tes data points bossent dans quels secteurs et ont combien d'années d'expérience ?
D'ailleurs on pourrait donner les chiffres autour de nous pour se faire une idee plus précise du marché.

Edit: trop d'infos

De toute manière dans 2 ans on sera tous au SMIC (pour ceux qui auront encore un  poste)
 
https://www.techrepublic.com/articl [...] cientists/

Ça me conforte dans l'idée de ne jamais mettre les pieds à Paris ! Je reçois plusieurs offres par semaine à 100-120k...

Tu es basé où et as combien d'années d'exp ?

+1
De facon generale, j'ai l'impression qu'il y a beaucoup d'ingés ML génériques, qui sont capables de travailler avec n'importe quel genre de données mais qui peuvent manquer d'esprit analytique ou de méthodologie (parce qu'ils n'ont pas fait de PhD), ou utiliser des infos de manière sous-optimale (parce qu'ils ne sont pas forcément spécialistes du domaine)
Par contre, ceux qui ont a la fois un profil ML et une expertise/connaissance du domaine (par ex, un expert en traitement de signaux audio, en NLP, en imagerie satellitaire ou médicale) en général après quelques années d'xp ou une thèse, ca c'est plus rare donc précieux et les boites acceptent de mettre plus d'argent pour ces profils

Question de goût... Je préfère 100k à Paris que 120k ou que que ce soit en Allemagne (puisque je crois que c'est de l'Allemagne dont il s'agit). Mais c'est très bien que tout le monde ne veuille pas venir à Paris, l'immo est déjà assez cher comme ça
 
Mouais, pas convaincu. Faut pas trop s'enflammer sur la notoriété du LIP6 non plus, certes reconnu dans le milieu académique mais peu connu dans le milieu professionnel.
Quant aux postdocs à l'étranger, par expérience ils ont plutôt tendance à ne jamais revenir

 On se demande bien pourquoi ?

Moi je suis revenu, mais je me suis toujours demandé si c'était pas une connerie

Sinon, ca fait longtemps qu'on a pas mis a jour le sondage. Des idées ?

un avis sur ce master en data science ?
 
https://www.universite-paris-saclay [...] ntation-m2
https://www.universite-paris-saclay [...] inance.pdf
 
 
j'hésite entre suivre ce master à la place de ma 3A, ou suivre la 3A en maths app/stats/ML de mon école et suivre des cours optionnels de finance dans mon école(possibilité d'obtenir un master en finance).
 
je précise, mon projet pro (assez ouvert pour l'instant) c'est de travailler dans la data science/actuariat/gestion du risque/Asset Management dans une banque ou dans une compagnie d'assurance.
 
 
thanks

Études des participants ? DUT / Licence / Master (fac, ingé, ou les deux), double-diplôme / Doctorat

 
principalement fac de math/info, école d'ingé Ensiie et Telecom Sudparis.  
 
 
 
 
les sciences du vivant ne m'interesse pas vraiment  
 
ce qui me fait vraiment hésiter c'est que  
 
_ le master est très recent
_ qu'il n'y pas de gros projet
_ que le parcours orienté finance est selectif
_ que les cours ont lieu à des endroits assez éloignés (cachan/saclay/evry)
_ il y a certains cours qui sont des cours d'info, que je peux donc apprendre moi meme, ou que j'ai déjà fait en partie (introduction aux bases de données, machine learning avec python).

Si tu veux bosser en banque/assurance, mieux vaut viser les écoles/masters disposant d'un partenariat ou d'une chaire commune avec un groupe bancaire

 
le problème c'est que les master en finance sont vraiment centrée finance de marché, ce qui m’intéresse peu, intellectuellement et du fait que le domaine n'est pas spécialement un domaine d'avenir (et assez spécialisé par ailleurs)
 
je n''arrive pas à choisir entre :
 
_ une formation, à mon avis, de moins bon niveau, mais plus centrée sur ce que je veux faire, voir un peut trop spécialisé en data science...
 
_ et une formation de meilleur niveau, mais plus centrée sur la modélisation statistique dans son ensemble.
 
 
 
en terme de contenu la différence, c'est que l'équivalent de  10 ETCS d'info et 6 ECTS de ML du master sont remplacés dans mon école par un projet en ML de 8 ECTS et 4 ECTS de statistique (la différence en ECTS est du au stage qui ne compte pas le même nombre de crédits)

Je ne t'ai pas dit de t'orienter vers un master en finance mais vers un organisme disposant d'un partenariat avec un groupe bancaire ou un assureur.

 
enfaite,le problème est que la plupart des parcours proposée par mon école avec de véritables partenariats avec des assureurs/banques me sont fermés (sauf master math financières) : apparemment je ne viens pas de la bonne filière de prepa .
 
pour résumer le problème:
 
j'hésites entre:
 
_faire un master en data science
 
_faire la 3A en stats/ML de mon école et en // un master en finance (en finance, pas en mathématiques financières).
 
 
le but c'est de ne pas trop me spécialiser et d'avoir un dossier solide pour postule à un GP dans une banque//assurance (plutôt assurance en faite).

Dans mon équipe, on ne recrute pas des candidats parce qu'ils ont fréquenté tel master ou suivi telle formation... On préfère les recruter sur des critères que j'estime plus pragmatiques : maîtrise des techniques de data science et ML, connaissance des concepts mathématiques sous-jacents, maîtrise d'au moins un langage de programmation scientifique (un vrai), connaissances linguistiques, etc. On évite soigneusement les profils trop perchés (le postdoc qui a passé trop de temps dans son labo universitaire typiquement), les gens qui ont des approches dogmatiques ("j'ai fait que du R, Python c'est nul" ) et ceux qui sont infoutus d'expliquer pourquoi une liste de chaînes de caractères occupe plus d'espace en mémoire que le nombre total de caractères multiplié par l'occupation mémoire d'un caractère.

Plutôt que de broder sur du vide, c'est quoi l'école en question ?

Télécom SudParis

 
Je sais pas trop, c'est vraiment si grave que ça ?
 
Je dirais qu'une liste est un seul objet alors que si tu multiplies les caractères tu crées un nouvel objet à chaque fois et donc ça occupe plus de place mais je me plante peut-être complètement ?

En tout cas, c'est bien vrai !
 

 
The size of 12 char is 672 bytes
The size of a list containing 12 char is 248 bytes

 
 
data scientist après mon école, cela ne pose aucun problèmes (j'ai checké linkedin et les comptes rendus de stages d'anciens élèves).
 
le soucis c'est que j'ai vraiment pas envie de faire que çà et donc de me spécialiser trop la dedans (j'en fait déjà la moitié de mon temps en ce moment...) . J'aimerai bien voir un peu autre chose en math/info/finance/economie/IT. Mon objectif c'est comme premier job de faire un GP/VIE comme ingé dans le milieu banque/assurance.  La 3A de mon école me préparera bien et est variée, mais j'aimerai recevoir un enseignement en finance plus large.  L'autre soucis,  c'est que pour cet objectif, généralement c'est  que c'est malheureusement la course à l'armement niveau diplôme (même si c'est pas vraiment utile à mon sens), et c'est donc un peu dommage de rester dans l'école en 3A.

 
hum non c'est l'inverse justement.
La liste contient des bytes supplementaires à cause du pointer qui contient l'adresse du prochain element
 

10
24
 
Pour python, asizeof(A) = 50, apparement "in Python 3, strings are always Unicode and the overhead is 49 bytes", donc:

 
Memory usage of a 2 char  51
Memory usage of an list  80
 
cf ici: https://code.tutsplus.com/tutorials [...] -cms-25609
 
my2cents

En python le type list n'est pas une liste au sens informatique du terme. Le type list, c'est des tableaux dynamiques derrière.
Merci Guido  

C'est bien là que se situe la différence.
 
Les valeurs numériques occupent une taille fixe en mémoire (par exemple 8 octets pour un nombre flottant double précision). Du coup, si on souhaite en stocker plusieurs dans une liste, il suffit de les stocker de manière contigue en mémoire sous forme d'un vecteur : il n'y a pas d'overhead dans ce cas, l'occupation mémoire de la liste est égale au nombre de valeurs numériques multiplié par l'occupation mémoire de chaque valeur.
 
A contrario, une chaîne de caractère occupe une taille variable et donc non prédictible en mémoire puisque le nombre de caractères peut être différent d'une chaîne à l'autre. Du coup, on ne peut pas stocker une liste de chaînes de caractères de manière contigue en mémoire. Il faut donc par conséquent se tourner vers des structures de données de type listes chaînées où, par exemple, chaque élément de la liste est stocké avec l'adresse de l'élément suivant. Il y a un overhead dans ce cas.
 
C'est une question que je pose souvent aux gens qui se prétendent "experts Big Data". Je considère que l'on ne peut pas se considérer comme tel si l'on ne sait pas répondre à cette question (et c'est fréquent). En pratique, le côté volumineux de la donnée provient souvent non pas de la donnée elle-même mais de la manière dont la donnée est traitée, ce qui est quand même dommage. Cas le plus classique : les dates stockées sous forme de chaînes de caractères...

Disons que dans ton exemple tu prends la taille de "aa" alors que je prenais la taille de deux fois "a" je suppose que c'est là qu'il y a une différence.

Après attention en python quand tu fais getsizeof il y a un piège ça ne donne que la taille de la liste et pas de la liste et de tous les objets qu'elle contient, c'est pour ça que j'utilise une autre fonction

Ah ben forcément ça aide pas à se comprendre

 
C'est pour ca que je suis passsé au C++, je connais pas trop les details derriere ce cher python

Je m'aperçois par la même occasion que j'ai tout oublié en c++....
J'ai quelques restes en c# et voilà.

Va falloir que je m'y remette

Bonjour,
C'est peut être pas le meilleur lieu pour poster mais j'aurais besoin de conseils .  
Je dois réaliser une vidéo tutoriel sur l'estimation par maximum de vraisemblance  
Pour l'instant j'ai rédigé un cours sur Beamer, il me reste donc à y intégrer ma voix et à réaliser le montage. Je voulais savoir quel logiciel serait le plus adapté pour cela ?
Voici un ordre d'idée de ce que dois réaliser  
https://youtu.be/NnRcXQ1Fxxk

J'utilisais Camtasia perso, ça marchait raisonnablement bien.

J'y pensais mais la version de CAMTASIA est payante non ?  
Du coup j'avais pensé à camstudio, tu connais ?