Reprise du message précédent :
Merci à vous deux
 
Je regarde ton livre, il a l'air très complet mais les exos sont pas corrigés, c'est dommage...    
 

 
les exos corrigés spour les noobs

Bonjour,
 
Est-ce que le métier de data scientist / machine learning offre une belle progression en terme de salaires ? Est-ce qu'il est facile de passer d'un emploi à un autre ou aller à l'international ?
 
Je suis un ingénieur avec quelques années d'expérience. Je termines actuellement un MBA.
Pour la prochaine rentrée, je suis admis dans deux mastères spécialisés:
- un en data science
- un management des systèmes d'info et transformation digitale (HEC-Mines)
 
Pour le moment, je travaille dans l'industrie, c'est plus ou moins intéressant mais le salaire y est faible.
Je souhaite me ré-orienter.
Les data sciences m'intéressent et j'aimerais, à terme, créer ma propre entreprise.
Je pense que les data sciences offrent de nombreuses opportunités de créations d'entreprise.
 
D'un autre côté, les carrières en IT semblent plus rémunératrices si je dois rester "simple" salarié.
En cas d'échec sur une création d'entreprise, le master IT permet de mieux se refaire.
 
Est-ce qu'aujourd'hui un data scientist débutant peut espérer approcher les 80k au bout de quelques années ou il reste un "technicien" en bas de l'échelle ?
Que me conseillerez-vous ?

Salut, un bon bouquin/ site / n'importe quoi pour le deep learning ?  je suis en M2 data a paris, je commence mon stage en avril et je préfère prendre un peu d'avance...

Le deep learning book est bien fait je trouve. Parfait pour lire à tête reposée avant avril.

Je pense aussi que cette lecture vaut le coup en DL
http://parrt.cs.usfca.edu/doc/matr [...] ign=buffer

Pour répondre à ta question sur les salaires, selon ma courte expérience, tu peux flirter avec les 80k-90k de package dans des grosses structures après 5 ans d'expérience en ayant fait des changements de postes pour faire des jumps.

Aux US et au UK les salaires semblent plus élevés.

Voici un lien qui te donne une idée de ce que tu pourrais espérer toucher en France:

http://datarecrutement.fr/offres-e [...] ement/#s=1

Bien sûr ces fourchettes sont indicatives et sujettes à négociation mais ça donne une vague idée de ce que tu peux espérer toucher.

https://www.amazon.com/Deep-Learnin [...] rning+book Celui ci donc ? C'est disponible à ma BU.
 
Merci aussi pour le site Je vais attaquer tout ça doucement.

Merci pour ta réponse

Tout le monde fait de la Data Science maintenant, beaucoup de monde débarque sur le marché du travail donc les salaires vont finir par se lisser... je pense.

 
C'est en partie l'objet de ma question.
Est-ce que les postes de data scientists avec 5 ans d'exp à 70-80k sont vraiment représentatifs du marché ou s'agit-il des 5%-10% les mieux lotis ?
Est-ce vraiment raisonnable d'espérer un tel salaire au bout de 5 ans ?
Est-ce que la masse des étudiants qui vont sortir dans quelques années vont avoir des salaires similaires aux développeurs "lambda" ?
 
Ou est-ce que les besoins croissants en experts en machine learning et intelligence artificielle vont maintenir des salaires élevés dans ce domaine ?

 
Je sais pas trop, je suis encore étudiant. D'autre pourront te répondre plus précisément (Rontgen etc.).  
 
Mon point de vue : Oui après 5 ans d'XP, ça me parait pas aberrant. Je pense que les élèves des top écoles + top M2 (MVA typiquement) (+thèse) seront toujours aussi courtisés, je pense cependant que l'immense contingent d'étudiants surfants sur la hype sans réelles compétences/appétences verront leur salaire revu à la baisse. (Typiquement dans mon école y'en a plein qui se disent "passionnés" de data ou de machine learning alors qu'ils sont assez bidons... enfin plutôt, sans préjuger de leur compétences, je suis quasi certain que c'est uniquement du à la mode )
 
Je sais pas si il y a un besoin aussi important que ça...

Comme toute hype, le soufflé va retomber.
 
Je parie pour ma part sur un lissage des salaires à moyen terme, les 80k ne seront plus qu'à portée de quelques très bons data scientists ou de ceux qui ont profité de la hype pour gonfler leur salaire plus tôt. Et encore... Quant aux "data scientists" juniors sortis d'école, ils se retrouveront à terme au même niveau que les ingénieurs en informatique (ils sont déjà à peine au-dessus aujourd'hui de mon point de vue).
 
Pour ma part, je recommande aux data scientists avec qui je bosse de se chercher une porte de sortie à horizon 2-3 ans. La gouvernance de la donnée (i.e. les aspects organisationnel et juridique) et tout ce qui tourne autour des API seront pour moi les sujets bankables dans les prochaines années.

Je dirais aussi que les profils les plus recherchés sont ceux qui ont en plus une spécialité, par exemple traitement d'image, analyse du language, etc, plutôt qu'un profil trop générique et qui a moins de valeur ajoutée
Et bien sûr c'est encore mieux avec une connaissance du secteur (defense, medical, business, etc.)
Bon par contre, ça réduit le nombre de possibilités, mais c'est vraiment ce qui se monnaie le mieux

Ouais y’a une version html également

bonjour, quelle formation pour utiliser les outils de deep learning / machine learning dans son metier? je reve un jour de coder des IA intelligentes dans des jeux. sinon etre chef de projet.
 
je viens d'une licence informatique, actuellement en L2, avec une mention bien en musicologie en L1 et j'ai validé mon 1er semestre avec mention tres bien je peux viser quoi?

Un data scientist qui sait coder aussi, ça ca vaut super cher je pense

Je suis sérieux. Un data engineer , un développeur d'infra de prod ml et un data scientist c'est trois metier différent. Quelqu'un capable de faire deux choses de cette liste est une perle rare!
Pas mal de data scientist sont incapable de mettre une vrais appli en prod.

Oui très juste
On trouve de plus en plus de gens qui font du machine learning en écrivant des scripts Python (le plus souvent en enchaînant les appels à des librairies qui font tout), mais qui manquent de compétences de programmation plus bas niveau ou alors de vision globale sur comment mettre le système en production

Et tu en cherche un ?

 
Je ne me moquais pas, je trouve juste la situation cocasse sachant qu'un data scientist est sensé avoir un bon bagage en maths/infos...
 
T'entends quoi par mettre en prod ?

La difference entre faire un poc et une appli scalable.
Deja c'est être capable d'écrire du code documenté, standardisé, testé dockerisé (éventuellement) , d'écrire ces tests automatique. Ca c'est le basique mais qui est déjà pas maîtrisé par tous.

Ensuite en v2 c'est être capable soit même de créer des bout du pipe data, d'intégration continue, d'infra, d'avoir l'expérience de ce qui marche et savoir repondre a des questions du style : quand tu crée un docker de prod tu mets le poids avec ou séparément? comment d'update le model sans les poids, les poids sans le modèle? Comment tu versionne tout tes dataset ? On ship les poids seul ou le modèle compilé Etc... Plein de questions qui ne se posent pas quand tu joue avec kaggle et qui ont des réponses différentes en fonction des cas d'usage.

Ensuite la v3 c'est être capable de créer carrément l'api ml de la boîte pour que , en tant que data scientist, tu n'ais plus besoin de coder pour la mise en prod.

Tout ça c'est ultra stratégiques pour une boîte qui démarre.

Dans l'équipe où je débarque il y a visiblement 1ou 2 gars qui sont dev à l'origine et qui s'occupent plutôt de ces étapes, même si on nous demande de savoir se débrouiller un minimum.

Tu aurais des liens/livres qui expliquent un peu tout ce dont tu parles ? Manière d'être moins con le jour où on m'en parlera.

Pareil que zuf, si t'as des ressources sur tout ça, je suis preneur!

 
Je suis d'accord mais faut pas exagérer non plus. Tu viens de citer le taff d'un:
- Data Engineer
- Dev Backend
- Architecte
- Devops
- Data Scientist
 
Ya un monde entre un data scientist qui sache coder et un penta-engineer qui te ship ton produit from scratch. A un moment faut revoir ses attentes à la baisse aussi. Ou alors accepter quelques années avant d'avoir une beta.  

Oui , c'est 2-3 jobs à la fois d'ingénieur expérimenté je l'ai dit plus haut. Mais a choisir entre mec ultra callé sur la dernière évolutions theoriques des capsules network et un qui est qui est plus callé prod je prends sans hésiter le deuxième
Mais en effet normalement c'est des jobs séparé. Mais plus les uns ont des connaissances de ce que font les autres plus le travail est facile

Ressources...eu non... j'apprends des contacts/rencontres et expert avec qui je bosse. Après c'est juste un conseil général de pas négliger le code et l'infra. Pas que de se concentrer sur les math app. Bien sûr qu'en sortant d'école personnes ne sait faire 15% de tout ça. Mais niveau salaire une compétence double data scientist/devops ou data scientist/data engineer peut être très valorisé dans certaines organisations.

Oui en fait à te lire je me suis douté que c'était ça.. toujours apprendre des experts avec qui on travaille
Perso j'insiste pas trop sur les compétences mathématiques, je suis trop vieux (40) pour ça et je pense pas pouvoir rattraper la technique des plus jeunes. Je tenterai des compétences plus managériales ou architecture, organisation.

drap

Quel bullshit...
 
Déjà, oui, ce sont des jobs différents, et les boîtes recrutent des personnes différentes pour le faire. Une semaine de travail normale ne comportant que 40 heures, à un moment donné, le fait de tout confier à une seule personne crée plus de problèmes et (surtout) de risques que cela n'apporte de solutions.
 
Au-delà de ça, je veux bien admettre que c'est un plus d'avoir au sein de son équipe des personnes qui maîtrisent plusieurs aspects : data science, mise en production, APIfication, etc. Cependant, je ne me fais aucune illusion sur le degré de maîtrise réel de chacun de ses aspects. Hormis quelques personnes touchées par la grâce, la plupart des gens connaîtront très bien une discipline principale, connaîtront peut-être assez bien une discipline secondaire et auront au mieux des notions d'autres disciplines. Le mouton à 5 pattes qui est un as des mathématiques, un crack en développement et un ninja en admin système, ça n'existe pas.

Je suis assez de l'avis de BlastaaMoof, mais je rajouterais un truc un peu différent.

Je pense qu'il existe des gens compétents sur les aspects maths, ingénierie logicielle, et administration système  - du moins qui ont des bases suffisamment solides pour développer au besoin un de ces aspects, comprendre ce qui se passe, et avoir une vue d'ensemble. Par exemple, j'ai toujours aimé bidouiller sous Linux et coder et j'ai une formation ingénierie + recherche en science, et je connais d'autres personnes dans ce cas. Mais ça ne veut pas dire que tout confier aux mêmes personnes est une bonne idée comme l'explique Blastaa. D'une, ça favorise les cas de "on a cette vision alors on fonce là dedans et personne n'est là pour apporter un autre point de vue", de deux ça rend difficile de se concentrer sur une chose à la fois, et de trois je pense que ce n'est pas forcément une bonne idée pour le moral des employés.

Quand un profil pluridisciplinaire a choisi de développer plus une discipline, et postule pour faire ça, ça peut être très frustrant de découvrir une fois en poste qu'on a aussi tout un tas de trucs à faire au dépens de notre activité censée être principale. Par exemple, une personne qui veut principalement faire de la modélisation et de l'ingénierie logicielle propre peut être assez peu intéressée par l'aspect infrastructure (genre tout ce qui est déploiement avec Docker, Kubernetes etc.) même si elle est qualifiée. La recruter pour lui faire faire ça serait contre-productif et la personne risque de partir assez vite chercher un poste plus adéquat.

Bien sûr que c'est aussi à l'employé de s'adapter aux besoins de l'entreprise, mais si je mentionne ce cas c'est par ce que je l'ai vu arriver plusieurs fois et l'ai vécu moi-même. Il faut que l'entreprise soit très honnête dans son recrutement, mais même en étant transparent il arrive trop souvent que les besoins de l'équipe "shift" vers plus d'infra et d'ingénierie et moins de science et de modélisation. Dans ce cas, je pense qu'il serait bien plus logique de recruter dès le départ des data engineer et des dev ops L'inverse est aussi vrai mais à mon avis plus rare.

Encore une fois je ne dis pas qu'il faut un mouton a cinq pattes.
Simplement en tant que data scientist en formation il ne faut pas négliger la partie info/infra, ce que font pas mal de gens en math app . Même pour de la simple ''culture''.
Ca parlait salaire, je pense que c'est une bonne façon de se démarquer pour avoir une meilleure salaire.

Hadada n'a pas encore cité la qualité principale du génie capable de tout faire seul
 
Il doit être heureux de venir développer une startup de A à Z "payer" en expérience

Le Magic Quadrant 2018 des plateformes de data science et ML a été publié, pour ceux que ça intéresse.

Un peu surpris de l'envolée de H2O.ai qui me semble largement surcotée et de la chute de Dataiku qui me semble au contraire un peu sévère.

Oui je comprends pas l'engouement pour l'auto-machine learning, comment se foutre au chômage plus vite
 
http://www.ds3-datascience-polytechnique.fr
 
Ça a l'air très sympa ! Des gens qui y sont allés l'année dernière ? Une idée du prix ?
 

Petite question toute bête.
J'ai un jeu de données qui ressemble à ça : "nom du pays", "score moyen", "nb échantillons"

Dans le lot j'ai par exemple un pays avec un score moyen 4 fois au dessus des autres mais avec un seul échantillon, contre des centaines pour les autres.
Évidemment c'est pas une moyenne et ça fausse tout.

Quel serait le test le plus approprié pour déterminer si le score calculé pour un pays est significatif ?

Pourquoi tu vires pas tout ce qui présente un échantillon inférieur à x?

C'est ce qu'on faisait mais c'est un peu trop arbitraire. On avait viré tout ceux qui ont un seul échantillon, mais pourquoi pas 2 ou 3 ?

Le principe de base des statistiques c'est d'avoir un échantillon représentatif, là c'est pas le cas non ?