Reprise du message précédent :
Merci d'y jeter un oeil Rasthor  
 
https://github.com/Waleem/MSM

Tu utilises quel OS ?

Windows 10

Quelle fonction fait planter le truc ?
 
Quel est le message d'erreur ?

Voila ce que je lance et ce que ça me dit :
 
source("Msm.R" )
source("Msm_A.R" )
source("Msm_clustermat.R" )
source("Msm_decompose.R" )
source("Msm_grad.R" )
source("Msm_hessian_2_sided.R" )
source("Msm_likelihood2.R" )
source("Msm_ll2.R" )
source("Msm_marginals.R" )
source("Msm_mat_power.R" )
source("Msm_parameter_check.R" )
source("Msm_predict.R" )
source("Msm_states.R" )
source("Msm_std_err.R" )
source("Msm_varcovvar.R" )
source("RcppExports.R" )
 
> load("calvet2004data.rda" )
> ret <- na.omit(as.matrix(calvet2004data$caret))*100
> fit <- Msm(ret)
Error in .Call("MSM_Msm_ll_cpp", PACKAGE = "MSM", pimat0, omegat, A) :  
  "MSM_Msm_ll_cpp" not available for .Call() for package "MSM"> load("calvet2004data.rda" )
> ret <- na.omit(as.matrix(calvet2004data$caret))*100
> fit <- Msm(ret)
Error in .Call("MSM_Msm_ll_cpp", PACKAGE = "MSM", pimat0, omegat, A) :  
  "MSM_Msm_ll_cpp" not available for .Call() for package "MSM"
 
 
Donc ça rentre bien dans la fonction principale Msm mais au moment d'appeler le code C++ ça plante

J'ai le meme probleme, j'y travaille.

Problem solved je crois:

Il faut installer ces deux packages:
install.packages("Rcpp" )
install.packages("RcppArmadillo" )

Et charger les modules .cpp qui sont dans le dossier 'src' comme cela:
sourceCpp("src/Msm_ll_cpp.cpp" )
sourceCpp("src/Msm_likelihood_cpp.cpp" )

etc...

Ensuite ca devrait marcher.

Je viens de le faire avant de voir ta réponse.  
 
J'ai une erreur, ca me dit qu'il faut que j'installe RTools.
 
Je refait tourner une fois que c'est installé et je reviens voir si je m'en sors toujours pas

Les joies de R

Clairement ce truc est absolument infect, pire que VBA, niveau portabilité

Mais vu la complexité du bousin, J'ai pas envie de réviser un truc qui existe déjà

109 Commonly Asked Data Science Interview Questions
https://www.springboard.com/blog/da [...] questions/

Au fait, j'ai une question:
 
J'ai un tas de donnees, disons des mots qui apparaissent des documents différents (bien sur, c'est des milliers de mots parmi des centaines de dizaines).
 
Pour chaque mot, j'ai son rang dans les docuemt y1, y2, y3 (via un score calcule selon une formule).
 
Document   y1  y2   y3
Mot X1         1   3      1
Mot X2         2   2      3
Mot X3         3   1      2
Mot X4         2   4      4
 
 
Je cherche a faire un clustering entre les mots, voir lesquels sont dans des rangs élevés dans les mêmes documents.
 
Comment pourrais-je faire cela de façon correct ?  
 
Pour le moment, je fais ca avec du K-Means clustering ou DBSCAN.
 
Mais je ne sais pas si ça marche bien sur les ranks.
 
Un autre problème est que j'ai plein de valeurs manquantes (quand le mot n’apparaît pas dans le document). Le K-Means ne marche pas avec des valeures manquantes.
Donc je remplace par une valeurs max qui correspond aux nombres total de mots.
 
J'ai aussi pense a utiliser le score directement. Les valeurs sont très biaisées, mais si j'utilise un log, ca ressemble a une distribution normale, ce qui est ideal. Mais il reste le problème des valeurs manquants a gérer. Je peux mettre un score de 0, mais apres impossible de changer en log.
 
J'utilise scikit-learn.

tu peux utiliser une gaussian mixture + EM pour le problème des valeurs manquantes
enfin pas sur que ce soit mieux que de donner une valeur arbitraire cohérente avec le pb    
 
le reste aucune idée jamais vraiment travaillé avec du texte

Merci.
 
Ce n'est pas vraiment le probleme que ce soit du texte.
 
On pourrait faire la même chose avec des coureurs de marathon et les différentes courses dans l'annee.
 
Course               y1  y2   y3
Coureur X1         1   3      1
Coureur X2         2   2      3
Coureur X3         3   1      2
Coureur X4         2   4      4

perso ça me semble cohérent de faire du clustering sur les rangs, mais peut être tester avec plusieurs distances aussi si tu veux pas trop pénaliser des comportements genre un mot rank 1 partout sauf rank 999 à un endroit
sinon ça semble cohérent aussi de mettre au dernier rang possible ceux qui n'ont pas de score, ça serait bête de perdre l'info qu'ils sont pas dans le texte
 
mes 2 cents (qui valent pas grand chose, j'ai quasi jamais fait de ML autre part que sur des images)

 
1) Utilise tf–idf pour ta vectorization pour ne garder que les top  X mots qui ajoutent de l'information à ton exemple
2) En utilisant cette matrice tu peux utiliser le K-means clustering (un exemple ici : tf–idf). Le problème que la matrice soit en majorité faite de 0 ne pose pas de problème d'un point de vue programmation, à toi de voir si tu as assez de documents pour que ca fasse sens d'un point de vue statistique
3) Si le K-means ne fonctionne pas, essaie la cosine similarity, je pense que c'est disponible sur scikit

Ca reviendrait un peu a utiliser le score que je mentionnais (au lieu du rank).

Nope, c'est sur Scipy: https://docs.scipy.org/doc/scipy/re [...] osine.html
 
En utilisant, ca me donnerait la distance entre chaque mot. Et apres j'utilise cette matrice pour faire un Hierarchical clustering par exemple.

Dans "data scientist", y a "scientist".
 
On devrait interdire à tous ceux qui n'ont pas suivi un vrai cursus scientifique de se lancer dans la data science. La science, ce truc qui nécessite un minimum de curiosité et de débrouillardise, qui impose de lire des papiers pour connaître l'état de l'art et d'en rédiger pour à son tour partager ses travaux...
 
Il faudrait en particulier interdire l'accès à cette discipline à tous les tocards qui sortent des masters en stats. Les stats, c'est pas des maths. Si tu fais des stats et pas des maths, y a une raison, c'est que t'étais trop mauvais pour faire des maths, des vraies. Et pour info, NON, la régression logistique, pénalisée ou pas, c'est pas de l'intelligence artificielle bordel de merde.

J'en peux plus de tous ces nazes au bureau

Les stats c'est des maths
Par contre ça m'étonnerait pas que beaucoup de Data Scientists soient mauvais en "vraies" stats

Je plaide coupable.

Les stats c'est des maths.

Les vrais tocards en data science c'est les types issus du génie logiciel qui ont suivi deux mooc.

 
Pas de violence, c'est les vacances  
Enfin un peu de respect pour la Fete du travail comême

Faut définir ce que tu appelles des vraies stats. En général, les concepts de stats nécessaires au travail d'un data scientist sont assez légers.
Pour ma part, j'ai fait un peu de stats dans le cadre de ma formation initiale en mathématiques (c'était l'une des UE sur un semestre de master), je n'ai malgré cela aucune difficulté à suivre les data scientists dans leurs raisonnements.

Des exemples de profils tocards, je peux t'en sortir un paquet.
Le dev qui a senti le vent tourner et s'est mis à la data en faisant quelques MOOCs et des Kaggles, c'en est un effectivement.
Le pur stateux qui n'a jamais vu d'autre outil que R ou SAS et qui est infoutu de pondre le moindre bout de code bien écrit, c'en est un autre. (NB : R et SAS ne sont pas des langages de programmation.)
L'ingé qui se vend data scientist parce qu'il a un jour écrit un petit code Python qui traite des donneés (no shit, je me demande bien dans quelle discipline on n'est jamais amené à traiter de la donnée), c'en est encore un autre.

Au quotidien, je suis pas loin de péter un câble dans mon environnement actuel.
Entre ceux qui ne comprennent pas la différence entre un fichier et une base de données... parce qu'après tout, un fichier SAS, c'est une table
Ceux qui écrivent des codes R ou Python sans se soucier du typage de leurs données et du coup passent leur temps à me réclamer des bécanes avec des quantités de mémoire délirantes... mais arrêtez avec vos chaînes de caractères putain
Ceux qui utilisent le ML en mode boîte noire comme des gorets sans comprendre ce qui se passe
Ceux qui continuent à discrétiser et binariser toutes leurs données avant de les balancer dans un algo de RF...
Ceux qui en plus ajoutent le carré et le cube de toutes les données pour introduire de la non linéarité...

J'en ai marre.

Change de job.
Monte ta boite.
Achete une ferme dans les Pyrénées.
 
La vie est trop courte pour se faire chier.

C'est quoi ton boulot en fait ?

Data Architect dans la banque.

La violence

Bonjour,
 
Je vais intégrer une formation d'ingénieur en apprentissage et je souhaite me former au ML.
 
J'aimerais savoir s'il y a des apprentis ou des ex-apprentis sur le forum pour partager leurs expériences ?
 
Je suis à la recherche d'une entreprise mais avec le buzz autour du 'Big Data' je me rends compte qu'il y a beaucoup d'offres qui citent les 'buzzword' (Big data, data-scientist..) sans offrir une mission qui implique un réel approfondissement du sujet. On se retrouve à faire du dév web ou logiciel.
 
Merci à vous !

 
J'avoue, même Candès a eu besoin d'appeler Tao à l'aide  
 
Je me sens vachement plus rassuré sur le plan scientifique par un mec qui se dit statisticien que par un mec qui se dit data scientist (ce qui ne te contredit pas d'ailleurs)
 
Sur le plan maths, même en restant sur un programme de base en stats, t'as quand même besoin (quasi au quotidien) de la théorie de la mesure, des processus stochastiques, de l'analyse fonctionnelle pour l'optimisation (un peu de calcul différentiel aussi), beaucoup d'algèbre linéaire, etc. On parle pas forcément d'un M2 fonda mais de solidement maîtriser tout le programme d'une licence de maths et un peu au-delà (juste pour le strict minimum en stats).

Moi je suis scientifique/physicien mais je suis pas au top en maths

 
Et c'est très bien
Tu as réussi à te réorienter, te former, trouver un job (et c'était pas facile), tu fais un truc qui te plait et qui est utile : tout va bien
 
Si tu écoutes certains: si tu n'as fait ULM t'es nul en maths et tu ne peux pas travailler en data science

 
 A confirmer quand même avec une médaille de Fields ... Sinon

Ben Les vraies stats c'est un peu une discipline à part entière quand même. Mon beau-frère est un vrai statisticien c'est carrément autre chose que les collègues issus de biostat par exemple.

Question con, mais si tu leur explique 2/3 trucs ils adaptent leur comportement ou pas?
Le plus important c'est la capacité à évoluer et progresser et apprendre.