Reprise du message précédent :
C'est toujours pas abandonné scilab ?

Non, ça a été racheté par ESI Group.
Je connais le business developer Scilab, j'ai presque envie de lui transférer ton message pour me marrer

Bonjour,
 
Je souhaite faire une formation via CPF. Quelqu'un en a déjà fait une ? Ca vaut le coup niveau boost du CV
 
Merci d'avance.

 
C'était dit sans aucune méchanceté, j'étais vraiment persuadé que ça n'existait plus, ou que c'était sur le point de mourir... J'ai tenté et vite abandonné à une époque

Salut les data scientists et autres machine teachers !
 
J'aimerais intégrer le master 2 MVA (ou équivalent, je pense surtout à celui de l'X) l'année prochaine et j'aimerais que vous m'aiguilliez sur les cours de maths à choisir en M1 à P6 de manière à optimiser mes chances à la fois d'être sélectionné et d'y réussir du mieux possible !
 
Je dois choisir deux UE à 12 ECTS au premier semestre et 2*12 ETCS + 6 ECTS ou 12 +3*6 au deuxième. Sans dépasser 36 ECTS dans une catégorie (même si je peux suivre certains cours en plus sans passer les partiels). Un joyeux bordel, je suis complètement paumé.
 

 

 
Quels-sont les cours à préférer selon vous ? J'ai pensé à bases d'analyse fonctionnelle et probas approfondies au premier, et aux deuxième je vois surtout le module sur les stats bayésiennes et stats compu, mais bon...
 
Merci d'avance pour vos réponses !

Je recommande fortement de prendre Analyse convexe.

Statistiques bayésiennes aussi!

Pour avoir fait la plupart des matières que tu cites l'an dernier, je te recommande :
Au S1 : stats (c'est ta matière phare, passe pas à côté et gu.yader est un prof génial), proba approfondie (mais le prof a changé, je ne sais pas ce qu'il vaut)
Au S2 : t'as plein de choix possibles mais prends soit analyse convexe soit analyse fonctionnelle approfondie (cours dense mais qui ouvre sur l'analyse convexe et l'optimisation contrairement à celui du premier semestre qui ouvre sur les distributions et les EDP). J'ai fait stats bayesiennes mais il paraît que stats en grande dim est mieux. Je recommande vraiment proba nums pour faire du monte-carlo et beaucoup de tp.

Pour compléter les crédits qui te manque sans déborder sur le max de matières auxquelles tu as droit en "aléatoire" :
- calcul sci pour les grands systèmes linéaires (problématique importante et tu vois plein de méthodes nums pour l'optim et la factorisation de matrices, et réviser l'algèbre linéaire ne fait pas de mal) c'est un cours en c++
- si tu ne prends pas proba approfondie au S1, prends processus de sauts pour traiter proprement les chaînes de markov
- pense au TER, ils proposent toujours des sujets appliqués ou théoriques en stats mais tu peux proposer des trucs. J'ai fait un sujet sur un ensemble de méthodes de monte-carlo basée sur les processus de Markov déterministes par morceaux par exemple (pdmp)

Merci pour vos réponses rapides et précises !
 
J'ai validé deux cours de stats en L3 à P6 : 3M247 et 3M248, ça vaut quand même de prendre le cours de stats au S1 Dr_Zaius ?
 
Proba num ça m'intéresse beaucoup mais j'espère juste que c'est faisable à distance (je suis pas en présentiel), je sais que le cours en C++ ne l'est pas, même si j'ai des cours de C++ dans mon M2 actuel et que j'en ai fait un peu avant.  
 
Donc pour le moment je pars sur :
 
- BAF (12) et Probas approfondies (12) au S1
- Analyse convexe (6), Données massives (6), Bayésiennes (6) et probas num (12) au S2
 
Avec en bonus calcul sci et le TER pour le côté recherche.
 
Merci infiniment les gars ! Toujours au top.

On peut trouver les PDF de ces cours quelque part ?

Oui si tu cherches via leur code tu devrais pouvoir en trouver la plupart, pas forcément la dernière version mais c'est déjà ça.

• Bases d'analyse fonctionnelle

• Probabilités approfondies

• Pour statistiques, le poly n'est plus dispo en ligne, je peux l'envoyer par MP (je ne crois pas avoir le droit de le poster ici). Il est en 2 parties,  

une partie stats maths qui ressemble à ça : http://www.lsta.upmc.fr/guyader/fi [...] atMath.pdf
une partie stats appliquées qui ressemble à ça : https://www.lpsm.paris//pageperso/r [...] rtie_2.pdf
 

• Analyse fonctionnelle approfondie et calcul des variations

• Statistiques bayésiennes

• Pour statistiques en grande dimension, je ne trouve que le lien vers le poly d'introduction (qui contient néanmoins le plan complet du cours). Je dois avoir une version précédente complète du poly que je peux MP.

• Processus de saut

• Pour probas numériques et statistiques computationnelles, le poly est en deux parties dont la première n'est pas en accès libre mais je peux fournir en MP. La partie stats computationnelle est ici : http://www.lpsm.paris/pageperso/re [...] _final.pdf

• Pour analyse convexe, je ne retrouve pas de poly mais il en existe un.

Merci je vais récupérer ça pour jeter un coup d'œil.

Sinon j'ai une petite question.

J'ai un algorithme pour suivre l'état d'un matériel. Quand certaines conditions sont rencontrées je lève une alerte.
J'ai un historique de vraies alertes que j'anticipe toujours (donc à priori objectif atteint). Mais j'aimerais quantifier la performance de mon algo.
Quelles options verriez vous ?
Je pensais à ceci:
- repérer la date d'une vraie alerte.
- remonter jusqu'à mon warn s'il existe
- compter faux/vrais positifs/négatifs
- compter le nombre de jours pour avoir un scoring plus pertinent ?

Mais si j'ai levé une alerte 6 mois avant ça n'a aucun sens (on fini toujours par avoir une défaillance), il faudra tenir compte de ça

Ne peut-être pas partir sur l’idée de jours “simples” mais plutôt de temps d’utilisation de ton matériel. Ensuite c’est peut-être une discussion à avoir avec des experts dudit matériel afin de t’orienter au mieux.

Alors oui tu as raison. Le matériel est utilisé entre zéro et 4 fois par jour. Donc on partirait plutôt sur un nombre d'utilisation.
L'utilisation en elle même ne dure que 1h30 à 2h à chaque fois mais je ne récupère qu'une seule information à la fin.

Hey  
 
Bon, ça n'a pas vraiment été abordé en profondeur, j'ai posé la question sur le topic EK mais je la pose aussi ici (certains d'entre vous doivent s'y connaître un peu ) :  
 
Pour une carrière en finance quantitative aujourd'hui, et avec pour ambition de bosser en HF (Jump Trading, Tower Research) an tant qu'algo trader/quant researcher, mieux vaut (encore) faire EK ou bien MVA (et équivalent, même s'il semble être le master roi et le plus quantitatif des M2 Data Science/ML) ?  
 
Les cours du MVA me semblent plus ciblés sur les besoins actuels du marché.  
 
Merci

ca vaut quoi les jobs de ML dans les big 4?
 
Example:
 
https://eygbl.referrals.selectminds [...] sory-48544
 

Je sais pas trop, mais ce me fait pas trop rêver
Mon heuristique c'est que souvent les trucs cools a faire en ML, c'est quand on bosse dans le cœur de métier de la boite
Et ça en général soit on le fait en interne, soit on fait appel à une boîte très spécialisée, mais je suis a priori un peu sceptique sur le genre de trucs qu'on refile a une boîte du style EY
Je peux tout a fait me tromper mais j'imagine que ce sera probablement de l'analyse générique de données clients

Je crois qu'exiger une expérience sur Watson est assez explicite concernant la technicité du travail. De mémoire j'avais vu des postes de consultant big data en big 4 qui demandaient des diplômés d'ESC... Une camarade de promo d'une connaissance est allée chez EY, et d'après lui elle était plutôt dans le premier décile en moyenne Bien entendu comme dans tous les gros groupes la question peut être équipe dépendante et un diamant peut se cacher dans la fange.

La réponse est dans le passage suivant à mon avis :

4 types d'activité : de l'intégration (sujet très chiant au demeurant), de la qualité/data gouvernance (encore plus chiant), du reporting (oui enfin de la BI quoi, appelons un chat un chat) et donc de l'analytique, ce dernier pilier étant celui qui abrite l'activité data science.
 
En pratique, ça veut dire qu'en tant que consultant, tu as de grandes chances de te retrouver sur un projet qui n'a rien à avoir avec la data science ou le ML. En ce moment, la tendance est visiblement de faire des audits des équipes et projets data existants.

Sinon, pour moi, la pratique de la data s'achève probablement bientôt...
J'entends par là la data au sens data science, ML, etc. Je resterai d'une certaine façon dans la data mais plutôt à un niveau IT.
 
Bien content de quitter ce domaine où règnent en maîtres le bullshit et l'absence de standards. Ce joyeux bordel va finir par imploser un jour ou l'autre...
 
Le bon côté pour vous, c'est que j'arrêterai de vous les briser avec MATLAB, même si je reste persuadé de la puissance du bidule par rapport à l'open source

@BlastaaMoof: t'aurais pas des anecdotes de bullshit à nous raconter .. Histoire qu'on rigole un peu

+1, raconte

Explique

Nous on en a plein.

-Des mecs qui font 80% des trucs a la main et qui disent qui font de l'ia.

-Les gars qui disent qu'ils apprennent sur des données physiquement impossible a acquérir.

-Les gars qui se brandent ''ia'' mais qui derrière font juste du soft ''non mais nous l'ia c'est pour les vc et les clients, en pratique on fait variance moyenne ca suffit largement pour notre application''.

-Les gars qui utilisent des données propriétaire de smartphones pour compter les gens tout en bullshitant qui font de l'ia prédictive sur les images satellite open, source de nuit, en utilisant l'ecrairage urbain car c'est plus hype....

-Les mecs pour qui le moteur ia est un ftp qui renvoie a Madagascar...

-les mecs qui disent que leurs ia détecte des objets de 5m sur des images de 10m de resol.

-les gars qui embauchent des phd en math pour les faire labelliser des images toute la journée parcequ'ils sont trop nul pour avoir une db et une solution de labellisation

Etc...etc...

La base

Ne généralise pas sur une mauvaise expérience. Par exemple nous on s'oblige a standardiser les framework et les méthodes pour la partie IA comme soft. On a une CI pour nos modèles avec des tests automatique fonctionnel et de perfo, un framework standard dev et de prod etc...

Moi je fais beaucoup de modèles très basiques, mais au moins personne n'etiquette ça IA ou machine learning

Cool
Tu bosse chez qui ?

La moindre regression lineaire ou clustering, c'est deja du machine learning en soi.

On peut se faire aider rapidement sur un exercice MATLAB du cours de ML de Andrew ng sur ce topic?

Probablement

Chez ma boîte
Mais les startups ia sérieuse bossent toutes comme ça à ma connaissance (après je connais pas tout le monde loin de là)

C'est pas faux... Mais si je pouvais faire un peu de clustering de temps en temps je serais content
Depuis 2 mois je suis cantonné à du simple monitoring, ça devient un peu ennuyeux.
Heureusement de temps en temps j'ai des trucs un peu plus élaborés à faire mais c'est rare. Sans forcément faire des algos trop poussés, faire plus d'analyse et moins de dev serait déjà une bonne chose...

PiC PoC (Proof of Concept) in Data Science : pour éviter les bullshit et échecs :
https://dataanalyticspost.com/reuss [...] a-science/
Ce blog est généralement très intéressant par ailleurs

Voici l'exercice
 

 
Ma réponse lignes 23 et 24. Ligne 23 est bonne.
 
Ligne 24 est fausse. c'est censé renvoyer un vecteur 3*1 mais je n'arrive pas à trouver comment.
 
Je ne sais pas si je peux poster les slides ici mais j'ai trouve une version publique de son cours avec les formules en page 18:
http://cs229.stanford.edu/notes/cs229-notes1.pdf
 
Merci !

Je pense que le problème c'est que X ne contient pas une donnée mais plusieurs (en l'occurence ici, m)
Ta cost fonction est définie comme une somme d'erreur sur toutes les données, donc tu dois aussi faire la somme sur toutes les données dans le calcul du gradient; c'est ce qui va te permettre de passer de 3xm à 3x1

Petite pause détente

Penses tu que la gait analysis fasse partie de ces spécialités ?

putain j'y ai pensé mais je me suis dit que c'était trop facile j'ai même pas tenté
 
Merci beaucoup
 

Salut salut !
 
J'ai longtemps hésité avant de poster ici, mais vous m'avez l'air super compétents en matière de monde pro alors ça me fera un bel éclairage sur la question (et puis le topic dort un peu ces derniers temps   ). Alors que j'ai longtemps considéré qu'une thèse ce n'était pas fait pour moi et que jamais je n'y toucherais, j'envisage de plus en plus la possibilité d'en faire une. Mais je suis plutôt dans le flou quant à sa pertinence ou son utilité professionnelle.
 
Je viens d'intégrer le MVA en 4A de l'X. Les cours sont sympas, tout va bien. Comme on s'en douterait de la part de l'ENS, l'encadrement incite très fortement à poursuivre en thèse à l'issue, ce qui a renforcé mes interrogations à ce sujet. Si je devais chercher les arguments pour/contre, schématiquement ça me donnerait à peu près ça :
 
Pour :

• Ça permet d'avoir une légitimité pour bosser à l'international (je m'en fous un peu) ;
• Ce serait nécessaire pour bosser dans tout ce qui est GAFA en France (ce dont je ne suis pas certain d'ailleurs, c'est difficile à dire même en trainant du côté de Glassdoor ou en chouffant les CVs d'anciens sur LinkedIn parce que globalement le milieu est très récent)(mais force est de constater que la question mérite d'être posée, sur plein de problématiques ils sont très très à la pointe et ont des arguments que la recherche publique n'a pas forcément) ;
• Ce serait nécessaire pour travailler sur le côté un peu technique des maths apps, au lieu de se contenter d'une vision très "boite noire" du truc. Si c'est pour seulement faire des "from Keras import NN ad hoc", je ne sais pas trop pourquoi je m'embête à faire des études ;
• C'est potentiellement passionnant scientifiquement parlant. Je suis très fan de Computer Vision, ça m'intéresserait vraiment de pousser là dedans (mais je présume qu'il doit bien y avoir moyen d'en faire sans faire de thèse) ;
• Ça recrute bien en sortie de thèse et ça paye encore mieux ;

Contre :

• À court terme c'est une grosse perte d'argent (ça paye dans les 2k une thèse non ? C'est très largement plus qu'honnête, mais avec un CV X-MVA je me dis qu'il doit y avoir moyen de trouver mieux, a fortiori en prenant en compte trois ans d'augmentation) ;
• Ça prend trois ans, c'est long, et les phd comics font très peur ;
• Compte tenu de la hype absurde sur les problématiques style IA/ML en général, j'ai peur que le fait d'arriver sur le marché du travail trois ans plus tard relativise beaucoup l'intérêt qu'il y a aujourd'hui à faire une thèse. Le marché de l'emploi risque d'être beaucoup plus chargé compte tenu du fait que la moindre école d'ingé, la moindre fac se chauffe pour ouvrir un parcours "ML-DL-CV-NLP-DataScience-Blockchain-GAFAM-StartupNation". C'est quelque chose d'assez difficile à quantifier compte tenu du fait que c'est fortement dépendant de l'évolution du domaine en France d'ici 2022. Quelque part je me dis aussi qu'il faudra bien des gens un peu pointus pour encadrer tout ce joyeux petit monde. Bref, c'est difficile à dire. J'en ai parlé à un prof qui m'a répondu en substance "tkt noob", mais je présume qu'on pourrait développer la question ;
• On a toujours ce mythe de "la thèse ça ne sert à rien pour être ingé en France". On dit aussi que c'est moins vrai en maths apps. Du coup, rumeur + rumeur ça s'annule ? C'est bien flou, difficile à dire dans quelle mesure la thèse a véritablement un impact sur le recrutement, et plus tard la vie professionnelle. Et pourtant c'est vraiment une question centrale du débat thèse ou pas thèse.

Enfin voilà. Il y a une question clé centrale que j'oublie un peu volontairement, c'est de savoir ce que je voudrais faire plus tard, plutôt ingé ou plutôt recherche. Je suis un peu dans le flou, choisir de se lancer vraiment dans la recherche c'est un gros engagement (et ça a un très gros coût d'opportunité), dans le fond je suis assez tenté mais c'est délicat de se prononcer comme ça de loin.
 
D'où ma question : quid    ?
 
Si vous avez de quoi nuancer mes confus préjugés dans un sens ou dans l'autre, je suis volontiers preneur. Mille mercis !

Je suis au MVA cette année aussi, et les réponses à ces questions m'intéresseraient beaucoup... Je poserai des questions supplémentaires après
 
Pour info je me suis résigné cette année à faire une thèse alors que je n'y pensais pas avant  (entre autres pour tes Pour 1, 3 et 5)...