Reprise du message précédent :

 
Pour la formation, à mon avis le MVA c'est la meilleure option (grosse réputation en France et à l'étranger, cf. les alumni qui sont partis chez les grands noms de la Silicon Valley + profs et cours de qualitay +coût de scolarité epsilonesque comparé à un master aux US ).
 
Pour le boulot, tu devrais trouver ton bonheur à Londres, avec moult cogips qui font des $$$ dans la finance avec du ML  

Ok, je pensais pas que le MVA était réputé à ce point.  
Je pense pas que j'aurai la motivation de faire un phd
 
Et plutôt accent sur les applications je dirais
 

 
Ouais il est top, je pense que si tu veux faire quant il est même préférable au EK après l'X.
 
Le business semble suivre une tendance qui va vers des quants stats arbs plus que vers des quant derivatives. De plus en plus d'offres de stages, buy side ou sells sides sont orientés ML (pricing avec du clustering en sell side), et moultes stratégies basées sur ML/DL en buy side.
 
Par contre, cf mon expérience personnelle, en entretien, j'ai eu aucune questions en datascience mais la dose en calcul sto (que tu peux bosser par toi même)
 
Donc go MVA (dans trois ans )

Ok, en plus c'est parfait on est admis d'office donc j'aurai pas besoin de travailler  
 
 
Par contre, pour être quant il y doit quand même y avoir un très gros réseau au EK, non ?

D'ailleurs tu t'orientes vers quel domaine toi finalement ?

Python ou R ?

R clairement pour moi.  

En plus, vu la hype du machine learning, il est en pleine explosion.  
A mon époque y'avait a peine 50 eleves et je pense que c'était pas trop dur de rentrer, cette année  il y en a 150 (pour 400 candidatures) et c'est quasiment que du groupe A.
 

Bah c'est sur que le EK a un gros réseau en banque, mais avec le MVA tu auras un spectre beaucoup plus large de débouchés .
Enfin je sais pas, t'es deja sur de vouloir bosser en banque ?
 

Je déteste la syntaxe de R mais faut avouer que c'est pratique pour faire certains trucs rapidement.
Je préfère quand meme Pythion de maniere generale
 

Pareil la syntaxe de R je n'ai pas accroché du tout. J'ai toujours fait avec Python pour des experiments. Après j'imagine que certaines communautés ont plus l'habitude de R

R, c'est beaucoup plus poussé pour les statistiques. Avec bioconductor, ggplot2.

Python, c'est un vrai langage de programmation a tout faire. Avec scipy, numpy, scikit-learn, TensorFlow, pandas, matplotlib.

Au final, c'est une question de choix personnel. Pour ma part, j'essaie de tout faire en Python.

Dites, je suis en processus de recrutement pour du ML pour la finance/assurance.
Je vais avoir des exercices lors du dernier entretien, mais je sais pas sur quoi ca va porter, vous avez une petite idée ?  
 
 
J'ai deja fait tout les exo de ML de coursera et cie en python/Matlab, mais je me demande si ca va pas etre des trucs theoriques sur papier...

 
Ça reste à voir,  mais j'aimerais bien combiner finance et machine learning. La je passe les rounds en finance mais c'est principalement du au fait que va recrute très en avance.  
 
Machine learning tout court me gênerait pas non plus, j'ai postule,  mais t'as pas mal de concurrence sur les sujets vraiment intéressants donc pourquoi pas un doctorat.  
 
C'est assez chaud de se projeter je trouve. Dans ton cas je comprends que tu n'es pas trop envie de faire de doctorat,  c'est un peu le soucis du système français

Python sans hésitation  

 
Ah ouai effectivement, j'étais juste étonné parce que pour nous le master est open bar alors que c'est pas du tout le cas des masters de certaines autres universités.
 

 
 
Non pas du tout, je ne suis pas sur de vouloir aller en banque et pas sur non plus de vouloir faire du ML (en fait je ne suis même pas sur de faire un truc technique )
 
 

 
 
ok    
Il y avait une 3A/des cours de machine learning ou tu t'es formé seul ? Si tu t'es formé seul, ça m'intéresserait d'avoir tes sources

 
Pour le MVA, je crois que la moitié des places est trustée par les X, pour les autres il faut quand même un dossier et une école de provenance solides. De plus, fait étonnant, j'ai l'impression qu'il y en a pas mal qui continuent dans la recherche avec une thèse après le master (à confirmer).

Edit

Edit: J'ai trouvé

Yo
J'aurais du commencer par demander ici.
Vous avez des références (bouquins) à conseiller en réseaux bayésiens ?
Je suis en train de suivre un cours sur le sujet (classification et apprentissage), et je voudrais bien une référence un peu clair des th. de dépendances/indépendances et les formules d'inférences/MAP.

EDIT :
J'avais pas vu la réponse de darms sur l'autre topic

Petite question noob, je fais une logistic regression avec des données quantitative et categorical, j'ai créé des dummies variables pour les categorical (0,1).
 
Faut il faire quelque chose pour les données quantitatives ?
Je peux melanger les deux types ?

 
 
J'espère faire légèrement bifurquer ma carrière dans ce domaine

Tu peux effectivement mélanger les deux types de données, mais:
- si tu as une variable categorical entre 1 et 4 par exemple, c'est important de la transformer en "one-hot vector" c'est a dire [1 0 0 0], [0 1 0 0], ... mais apparemment c'est ce que tu fais déjà
- pour les données quantitatives, ce serait une bonne idée de les normaliser entre 0 et 1 aussi pour pas qu'il y ait de différence d'ordre de grandeur entre les deux types de variables

D'ailleurs beaucoup de gens sur ce fil travaille dans ces domaines ?
 
Nouvel el dorado avec beaucoup de monde, peu de compétents ?

Je travaille dans ce domaine et je pense que pas mal de monde ici aussi.  
C'est clairement le truc à la mode, avec des gens qui en faisaient déjà avant et des nouveaux (arrivistes ou non), avec des incompétents dans chaque catégorie mais pas que, heureusement.  
En tout cas c'est jeune et mouvant !

Il y a quelques temps c'était effectivement l'eldorado parce qu'il y avait pas énormément de JD compétents ni d'outils faciles à utiliser disponibles.
Or le machine learning a explosé récemment ce qui fait que les écoles forment désormais des élèves un peu plus spécialisés, et la communauté est très impliquée dans l'open-source, ce qui a comblé le manque de logiciels.
 
Enfin, malgré tout ca, le marché est quand meme très favorable, surtout pour des personnes un peu expérimentées (je dirais 2-3 ans d'expérience).
Je pense aussi que c'est un bon pari sur l'avenir. Il y a des sous-domaines qui sont clairement en hype, mais je ne vois vraiment pas comment la tendance d'exploiter des données qui sont de plus en plus nombreuses pourrait s'inverser.
 
Pour les JD, faut faire attention à pas tomber sur un des postes de Data Scientist qui consiste "simplement" à nettoyer et consolider les données d'une base de données, ce qui risque de décevoir des gens ayant suivi une formation poussée en stats.

 
 
Comment est-ce qu'on "peut" accéder à ces métiers ? Des formations ou autre à recommander ?
 
Je suis Architecte Database, avec une formation en Math-Info-Finances

Ensimag spé finance ?

Clairement, trop d'abus sur ce nom et de poste qui ne sont vraiment que du data engineering voire du software engineering très général. Il faut creuser pour savoir dans quoi on s'engage !

En France la meilleure formation c'est le m2 mva (disclosure : je l'ai suivi), cest plutôt un truc que tu fais après une Ecole d'inge, mais l'autre jour je discutais avec un type qui La faisait en // de son boulot donc tu peux tenter ça.  
Si tu veux t'autoformer y'a des coursera (le machine learning de andrew ng est bien pour commencer Si tu es un peu rouillé en maths), des cours vidéos, mais ça fourmille et j'ai pas tout comparé donc j'ai pas de trucs précis à recommander.

Merci, c'est déjà pas mal

 
Ca compte si on utilise de temps en temps des régressions linéaires, des support vector machines et du clustering (K-means)?

Que pensez-vous du master Data Sciences de X-Paris-Saclay? Quelqu'un l'a suivi?

Intéressant billet:

How the Circle Line rogue train was caught with data
https://blog.data.gov.sg/how-we-cau [...] 405c86ab6a

Pas mal du tout, pas évident comme données je trouve.
 
Sinon vous auriez des cours pour des gens qui débutent? (excepté ceux mentionné en première page?)
Plus en particulier sur la prédiction des pannes  

Pareil, je serai ultra reconnaissant si on peut partager avec moi poly, cours ou autre pour que je m'y mette
 

Je t'envoie par MP un lien vers les cours d'un prof de mon école d'ingé sur les modèles statistiques en fiabilité C'est pas du ML par contre.

merci. Pas grave. Des stats c'est bien aussi. Faut commencer par le début : o

En fait c'est pas pour moi, c'est pour un ami  
 
Mais en gros l'idée est de prédire la mort de certains capteurs utilisés en prod

 
C'est hot en ce moment la maintenance prédictive Mais attention aux faux négatifs si c'est de l'équipement critique

Vous avez des lectures à recommander pour s'initier au Data Scientisme ( ) ?
 
En anglais ou en français.

Tu as vu la premiere page ?

Je cherchais un livre

 

 

 

 
Si tu cherches bien sur la toile, tu dois pouvoir trouver les PDF de ces livres.