Reprise du message précédent :

Je ne suis pas le mieux placé pour te répondre. Perso j'ai opté pour la formule : quitter mon job, et me former tout seul (coursera dans un premier temps et d'autres à venir).

Une piste à explorer serait de voir en interne si des postes équivalents existent afin de te faire former entièrement par ta boîte (quitte à partir plus tard). Tu peux même essayer de les convaincre qu'une expertise ML/Big data serait un plus

Je pense que c'est une bonne idée

Les trucs genre Coursera c'est bien pour le début, pour voir si ça t'intéresse vraiment comme domaine mais ça n'a aucune valeur sur le marché du travail et ça ne t'aidera pas vraiment à trouver un boulot

C'est d'ailleurs dommage car dans certains pays ça marche pas mal pour l'employabilite

D'ailleurs je me forme, je bosse, j'apprends plein de trucs. Mais j'avoue je me demande au bout comment ça va se passer pour mon employabilité.
Heureusement j'ai mon doctorat, mais c'est pas vraiment dans le domaine.

Si t'as fait beaucoup de traitement des données, ou modélisation ça peut passer, mieux encore une thèse avec application stat
Par ailleurs c'est comme ça qu'on recrute chez nous (une partie)
 
edit: Une autre partie vient effectivement école d'ingé avec spécialisation DataScience, ou M2 stats
 
edit2: Par ailleurs il y a la possibilité de la formation continue mais faut que la boite soit d'accord, cela doit couter dans les 10k la formation (en fonction de la formation et format choisi), chez nous quelques personnes ont fait cela

Merci pour vos réponses.
 
L'option de rester dans la même boite et demander une formation dans le domaine pourquoi pas mais je ne pense pas que les banques soient les mieux placées / aient les meilleures équipes pour ça, ce sont des grosses boites qui restent un peu trop sur leurs acquis et qui "attendent de voir" quitte a racheter une start-up si elles voient qu'elles sont trop en retard. Et surtout j'ai une grosse envie de quitter le secteur bancaire...
 
Mon problème aussi est qu'actuellement je suis plus du côté "pricing" que traitement de données. Il y a bien sur des stats mais surtout du calcul sto / proba ce qui est pas trop en lien avec l'IA, ML, etc. Et point important: en Finance les datas sont, en comparaison d'autres secteurs, très "propres". On paye cher des data provider pour avoir des datas propres, le système est très structuré, il y a des places de cotation, tous les acteurs utilisent les mêmes ensembles de données, etc. Et les datas sont homogènes, en gros on bosse sur des prix (et les dérivés des prix: volatilité, return etc.). Pas de traitement d'images, de son, de texte, vidéos, etc. d'où mon idée de me former sur ce type de données.
 
Bref je ne me sens pas de me lancer dans des entretiens sans un minimum de formation.

 
En France, oui. Dans les pays anglo-saxons c'est déjà plus reconnus.
Des projets persos ca aide aussi. On peut te demander ton GitHub / sides projects pour voir ce que t'as fait.

Pour quel bénéfice supposé ?

Ethique ? Intérêt ?

C'est une vraie question.
 
Pourquoi passer d'un domaine qui est l'apanage de quelques spécialistes et qui le restera probablement de manière durable à un domaine qui bénéficie d'une grosse hype actuellement mais qui risque de devenir très mainstream d'ici quelques années ?

C'était une vraie réponse
 
Mais par rapport à ton point, ca ne m'étonnerait pas tellement que des modèles statistiques soient plus efficaces que des modèles analytiques (genre Black & Scholes).
Enfin je ne m'y connais pas en finance mais dans d'autres domaines c'est déjà le cas. Du coup, c'est peut être une bonne stratégie de s'y former.
 
Tu as raison de dire que c'est une hype, mais je ne sais pas a quel pont ca va devenir mainstream.  
Des gens qui ont suivi le cours d'Andrew Ng sur Coursera et qui peuvent utiliser quelques librairies Python y'en a des tonnes, mais des gens qui ont vraiment à la fois la compréhension mathématique des méthodes et l'expérience du terrain et des mauvaises données, ca court vraiment pas les rues.

A part trouver un job, tu aurais des tuyaux pour progresser sur tes deux derniers points ?

Salut!  
 
KTH et Polytechnico Milan ça vaut quoi en Data science?  
 
J'ai été admis à ce DD et je me demande si je devrai pas rester en France. Je tente quelques écoles d'ingés et le master DAC de P6.  
 
Il est possible que je décide de rentrer en France après les études, donc j'imagine que le diplôme français sera plus valorisé, mais ces deux années à l'étranger ça a l'air bien marrant.

J'ai une autre question.  
 
Vous pensez qu'une formation en data science ça prépare bien à l’entreprenariat?  
 
Pas mal semblent finir business analyst et j'imagine qu'on développe aussi d'autres soft skills utiles.  
 
C'est préférable à une ESC?  
 

En soi, je ne vois pas particulièrement pourquoi faire de la data science préparerait à l'entreprenariat, cela dit:
- ça a la côte en ce moment, donc c'est probablement plus facile de lever des fonds pour monter une start-up dans ce domaine
- si tu considères ça comme de l'entreprenariat, il y a un marché pour des indépendants/freelance dans ce domaine
 
Pour moi ce qui formerait le plus, c'est d'aller bosser dans une start-up (pas forcément en tant que fondateur), mais ça permet d'apprendre énormément de choses pratiques

 
 
Et du coup, on peut trouver des postes plus facilement en stratup avec un diplôme en data science qu'en ESC nan?  
 
Je me dis que la data science ça peut être utilisé comme moyen pour analyser sa boite comme CEO ou bien ça peut-être la base de pas mal de projets en tant que CTO.  
 
Mais peut-être que je comprends pas très bien ce que c'est.

Je vois ce que tu veux dire, mais c'est pas vraiment le rôle d'un CEO ou CTO de faire ça (enfin, dans le cas ou le produit de la boite n'est pas directement lié à la data science)
Déjà parce que pour avoir des données à analyser sur une boite, faut déjà qu'elle crée le produit et qu'elle le vende à beaucoup de clients
 
Après, c'est toujours utile de s'y connaitre bien sur, mais bon, c'est un peu comme dire que s'y connaitre en webdesign, ca aide car tu pourras faire le site toi même

Dans une startup "lambda" (ie pas directement liée au ML, IA ...), ca va être plus proche du BI que du Data Science.
Même si on voit souvent des jobs mixant BI (plus proche de la statistique, analyse de ce qui s'est passé sur ton site / apps, resultat d'AB testing, conclure sur les nouvelles features, reports, dashboard interne...) avec une touche de Data Science (ou là ca va tourner plus autour des techniques de clustering, forecasting, modele prédictif...).
 
Mais on va dire que c'est rarement 50/50 ton allocation de temps passé sur BI vs DS sur ce genre de poste mixte.

BI = ?

´Business Intelligence'

 
 
De par mon expérience et mon entourage, la plupart des postes en "data science" dans les startup "lambda" définies en haut se finissent irrémédiablement en bi.
Souvent pour les meme raisons: buzzword, mauvaise définitions des besoins, pas d'etl en place etc...
 
Bref à éviter (à part si on aime la bi   )

Pour moi de la DS c'est de la BI. C'est juste qu'on est passé d'un niveau ou on observe le passé pour estimer le futur, à un niveau ou l'on réalise un modèle à partir du passé pour optimiser le futur.
 
Simplement parce que maintenant les outils et machine nous permettre d'avoir la puissance nécessaire pour le faire.
 
Après ce n'est qu'un problème de ressources en temps, argent et capacité de faire un modèle ou non à partir des données que l'on récolte.
 
Mais en tout état de cause, les outils resterons les mêmes (on peux faire de l'Hadoop en BI et ne pas en faire en DS).

 
Tout n'est pas que régression.  
 
DS au sens large, ca inclut des disciplines de machine learning un peu "niches" tels que nlp, image, reinforcement learning etc
 
Alors que BI non. Sinon tout est de la BI dans ce cas là.

Clairement.

Là par contre je suis pas trop d'accord. Pour moi la vision, le traitement du langage, de la parole, ou le contrôle par reinforcement ne sont pas des sous-domaines de la DS. Je les considère comme des disciplines à part entière qui font partie du machine learning, et le ML n'est d'après moi pas un sous-ensemble strict de la DS.
 
La DS de mon point de vue c'est plus le fait de savoir tirer de ces domaines du ML, des autres domaines du ML, des stats, et de la BI les données nécessaires et les savoirs pour utiliser ces données dans le but de prendre des décisions appliquées.  
 
Un chercheur en NLP ou en vision, un ingénieur en NLP ou en vision, font un travail différent de celui du data scientist. Le chercheur va développer de nouvelles méthodes en vue soit de faire avancer le domaine, soit de résoudre un problème appliqué. L'ingénieur fera un peu pareil mais peut être plus du côté adapter ou étendre l'existant et rendre ça utilisable "en vrai". En entreprise, ils construisent un produit autour de ce savoir.  
 
Le data scientist va, par exemple, extraire des infos depuis des tweets ou des textes via du NLP, d'autres infos depuis des images par des techniques de vision, et combiner ça avec des techniques de stats et ML supervisées ou non, et de la visualisation, pour résoudre un problème commercial et expliquer ça à des gens. En ce sens il se rapproche plus de la BI dans ma vision des choses. Cela dit, dans la BI il y a toutes les tâches d'ingestion et management des données qui pour moi ne sont pas de la data science (mais soit de l'administration de BDD, soit de la BI traditionnelle), et j'imagine d'autres choses.

 
Oui tout à fait d'acccord
(sauf que moi j'aime bien la bi ² )
 

 
Pour moi, la différence fondamentale est que dans le BI tu ne parles pas du futur, tu te focus juste sur l'analyse du passé.
Qu'est ce qu'on a fait en termes de metrics sur le dernier mois? (Combien de  $, visiteurs, retention etc...)
Ou est le probleme? Dans quelle situation ca se produit
 
Alors que sur la partie DS tu vas te servir de ses mêmes données historique mais pour estimer, optimiser le futur (et là ca peut prendre pleins de formes différentes)
 
 

ça marche bien le Big Data, même sur HFR, on arrive pas à dire exactement c'est quoi . J'imagine donc encore moins les recruteurs RH savoir également c'est quoi la différence entre BI et DS

Les bugs suite à des mise à jour des packages sous R        
 
Chaque fois je me prends une demi journée dans laggle pour réparer le truc  

Ne pas hésiter à abuser des environnements virtuel (je suppose que ça existe aussi en R) même en local et SURTOUT sur un serveur ou il y'a d'autre projet qui tournent...

Ouai c'est le problème avec les logiciels gratos, n'importe quelle mise à jour et ton code peut ne plus tourner

 
Chez les logiciels payant c'est pas forcément mieux à part pour le support si t'as payé .

 
Je suis d'accord.  
 
Mais où se trouvent les postes de DS ? J'en viens à me demander si cela existe vraiment quand je vois ce que sont devenus mes camarades de master stat (et moi aussi). Au final, on fait tous de la BI (j'entends par là, principalement de traitement de données, des reportings)
 
Il n'y a que dans mon stage de fin d'études où j'ai travaillé sur des modèles prédictifs et encore, c'était réservé aux stagiaires pour qu'ils aient un truc intéressant à mettre dans leur mémoire. Tous les CDI faisaient du reporting et des présentations powerpoint.

 
 
Ca se trouve. Suffit de filtrer toutes les annonces bullshit (ca demande un peu d'apprentissage   ) et dans le tas tu en trouveras forcément deux trois qui correspond à tes attentes.

 
Tu as des astuces pour filtrer ?
Eviter les cabinets de conseil peut-être ?

Je vois que tout le monde conseille d’éviter le BI...
Je suis en stade de recrutement avance pour une position d'ingenieur senior BI pour un leader du commerce en ligne. Suite aux entretiens, les responsabilités vont surtout inclure du développement d'applications ML (core langages: Python, R).
 
L’équipe a l'air super compétente, interview avec data scientists, boite tech très reconnue dans l'IT mais aussi le domaine d'application dans lequel les donnees vont etre utilisees.
 
Vos avis? Les responsabilités ressemblent plus a un "data scientist", le titre indique BI.  
 

Nom de la boîte ?    
 
Python et R existent depuis bien longtemps mais depuis qu' "on" a décidé que c'était les langages pour la data science toute offre avec ces langages fait penser à la data science.
 
L'informatique décisionnelle (BI) est très vaste (data mining*, analyses multidim, reporting, qualité de données, identifier les sources de données, collecter/intégrer/structurer ou non les données, les mettre en forme pour les utiliser...) mais souvent trop vu par le prisme du reporting seul.  
* j'y mets tous les trucs à la mode d'aujourd'hui : R, tous les algorithmes apprenants, supervisés ou non....

Lancement du Data Analytics Post, créé entre autres par Nicolas Vayatis

Bonjour,  
 
Je souhaiterais m'orienter vers le Big data et j'aimerais donc savoir qu'elle est la meilleure voix(opportunités, évolution, reconnaissanc) entre:
 
-Master data science de l'X  
-isup
-ensimag(cursus ingénieur pas le mastère)  
-Supelec+MVA ou master big data à l'EPFL ou un autre partenariat.  
 
Si vous voyez un meilleure moyen je suis preneur !  
 
Cordialement

X+MVA je dirai, non?

Supelec + mva ou supelec option machine learning ça place très bien à ma connaissance. Tous ceux de l'option ont eu des trucs styles.  
 
T'as aussi Télécom +mva.  
 
Je te conseille en tout cas X (grande école) >>supelec, Télécom>ensimag>>isup
 

 
Pour l'Ensimag tu parles de quoi quand tu parles du cursus ingénieur par le mastère ? Si c'est le mastère big data, c'est un cours où il y a quand même une bonne partie de management, presque à l'opposé du MVA. Si tu veux un parcours technique, regarde du côté du master MSIAM.
Vu que à priori tu ferais pas le PGE, je passerais quand même le MVA devant le master data science de l'X, mais c'est 2 très bonnes formations. Le reste du classement pareil que gnarlock.

 
Faudrait surtout que tu dises d'où tu viens et ce que tu fais.
Parce qu'entre un cursus ingénieur à Supelec + MVA et un Master à l'X ça s'adresse pas aux mêmes personnes