Reprise du message précédent :
Perso malgré un boulot à plein temps et 2 enfants en bas âge j’ai réussi à me faire quelques MOOCs Coursera et Udemy en environ 18 mois.  
 
Après il faut être suffisamment motivé et y prendre suffisamment de plaisir pour réussir à faire ça entre 22h et minuit en semaine et le week-end plutôt que de faire de la Xbox ou de regarder les Mystères de l’Amour.

Hello !
 
Y'a des gens ici qui connaissent (plus que la plaquette ) BCG Gamma ?
 
Niveau scientifique ça se situerait où entre boîte conseil en data classique ( appliquer les algo qui marchent pas trop mal sur les données clients) et division research de grosse boîte de l'internet ?
 
Je serai preneur des retours si vous en avez

C'est globalement pas hyper avancé par contre très gros profil et beaucoup d'argent. Tu vas faire du crunch de tableau excel avancé en gros
je doute qu'ils fassent de la R&D, encore moins en Deep

55k en jd c pas mal par contre  

Voilà

L'important n'est pas ton salaire en JD mais celui dans 5 ans...

 
Ouaip moi jmen branle perso ça me fait pas rêver le conseil  

Ce qui m'importe c'est plus mon expertise dans 5 ans surtout
 
Si c'est pour maîtriser les plug in ML d'excel

Délate pas khey    
 
A toi les =MOYENNE(), =ECARTYPE() et les bons jours t'auras même droit au =DROITEREG()    
 
Si ça c'est pas de la compétence de Data Scientist de haut vol  

En fait, je fais déjà du ML sans le savoir  

 

Ce monde binaire : je veux dire y a vraiment beaucoup de places entre les deux

 
On reconnait ceux qui ont des jobs bullshit, perso je sais même pas ouvrir excel j'ai jamais eu à le faire. Paz sur toi    

Hello,
 
Des gens dans le milieu qui sauraient la fourchette de salaire pour :
 
-Data scientist junior
-Pas d'XP, juste des stages
-Domaine : assurances
-Lieu : Région parisienne
-Ecole d'ingé A-/B
 
Annuel brut, décomposé en fixe/variable/primes. (Le bas et le haut du panier)
Ainsi que le temps de travail hebdomadaire en moyenne dans le secteur (assurance).

T’es stagios khey    
 
La seule chose que t’aies jamais ouvert dans une entreprise c’est tes fesses que t’as vendu 1300€ brut/mois  

 
Dans 2 mois on poste chacun nos fiches de paie ça ta va ?  

65K brut a Paname et toi ikho?    
 
J’espère que t’as pas oublié de cocher la case « puceau » pour la situation conjugale de ton dossier Pôle Emploi  

 
On peut parler en net et oublie pas que j'ai 22 ans  

Mes potes de promo m'ont dit leur salaire (1ère embauche), ils ont entre 42k (Bordeaux data ingénieur) et 60k (truc bullshit dans le conseil à paris), le tarif normal ça a l'air d'être 45k, plus si t'es une meuf ou beau gosse

Si la boîte en question est un assureur avec une grille de salaires bien établie, ça va faire du 45k tout compris.
50k tout compris si on peut déroger à la grille.
 
Le temps de travail hebdo, ça va pas chercher bien loin dans ce secteur de planqué. Mais si tu en es déjà à te poser ce genre de question à ton âge, je crains le pire pour plus tard

Pour les jeunes diplômés, je vais vous partager le conseil que j'ai donné à un ancien stagiaire.
 
Pour votre premier job, fuyez les grosses boîtes. Les grosse boîtes, c'est l'enfer : trop de process, trop de politique, pas assez de flexibilité... C'est idiot mais dans une grande entreprise, vous vous retrouverez confrontés à des problèmes débiles qui vous empêcheront de progresser. Par exemple, on vous confiera souvent un laptop bas de gamme sur lequel vous serez infoutus de faire la moindre analyse pertinente en un temps raisonnable, tout simplement parce qu'on donne le même laptop à tous les "collaborateurs", qu'ils soient data scientists ou non. L'accès à la donnée sera un autre frein tout comme la disponibilité d'outils de travail.
 
A mon sens, la chose à faire est de démarrer soit en start-up soit dans une SSII spécialisée en data science. C'est pour moi la seule façon de travailler sans grosse contrainte technologique sur de vrais problèmes avec de vraies données bien dégueulasses et avec un minimum de variété. C'est la clé pour progresser, la partie difficile en data science ne se situe pas dans la maîtrise de Python (jamais vu un code de plus de 2000 lignes en data science) ou dans celle des algos (in fine c'est toujours xgboost qui produit le meilleur modèle de toute façon) mais dans la capacité à fournir un livrable ou un résultat qui puisse être utilisé et exploité par les métiers.

Avez vous des liens où l'ont peut voir les bénéfices réel de la data science sur une entreprise ?

Je veux dire niveau bisness. Genre analyse des clients, des ventes,...

Merci.

A cette liste j'ajouterai les "data lab" quand bien choisis. Beaucoup de variance, mais ca permet en général de toucher a tous les métiers. Les equipes sont en général de taille modeste et permettent de toucher au SW engineering, data engineering, machine learning et architectures cloud. Surtout bien se renseigner sur le type d equipe et si possible rencontrer les futurs collègues car l'intérêt de ces equipes sont la présence (ou non) de profil pas mauvais techniquement et très motivés.

Attention tous les "labs" ne se valent pas

Je suis pas du tout d'accord. Enfin à moitié.

Je suis d'accord sur le fait que ce que tout le monde appelle data science aka algos complexes et maitrise de python, en entreprise, c'est complètement bidon. Chez Facebook et Google ou en R&D, why not mais dans ce cas-là autant faire un PhD pour moi, vous vous éclaterez plus mais en entreprise la data science c'est faire du flouze avec les data, et pour cela certes avoir des bases solides en ML/stats permet d'avoir une panoplie d'outils complète mais c'est avant tout la connaissance data/métier et la bonne comm' des résultats qui va faire la diff. Trop de gens veulent faire des modèles complexes avant même de comprendre la problématique business en problématique data, les modèles et les langages, c'est que des outils, c'est important de les avoir pour ne jamais être limité mais c'est jamais une nécessité ?

L'ultime conseil que j'aurai à donner pour un DS junior: apprendre à valoriser son travail, trouver un moyen de chiffrer ce que vous faites car vous allez jamais impressionner personne si vous dites "mon modèle a 100% d'accuracy", personne sauf les mecs sur HFR alors que foutre un ROI sur un truc tout con et le CFO va vous faire l'amour.

Pour ce qui est du choix des grandes entreprises, pour bosser dans une GROSSE entreprise (+ de 50 milliards de CA ), y'a une vraie connaissance de la data et des contraintes techniques très bien maitrisées avec le souci de fournir à leur DS le matériel adéquate. Pour moi dans les grosses entreprises, c'est surtout un problème politique aka un même sujet peut être traité par plusieurs entités (datalab, datascience pole, direction informatique voire marketing...) et chacun veut le mérite du sujet aux beaux yeux des dirigeants donc 0 partage

Perso je conseille à un junior de pas aller en SSII ou startup no name mais plutôt taper des gros noms tout de suite au travers d'une société de conseil, perso avec mes grosses firmes sur le CV, j'ai déjà des offres à 100K à l'étranger sans trop forcer.

Bon après je suis biaisé, mais pour moi la data science business est plus intéressante que la data science technique si on peut différencier ça comme ça. Passer mon temps à train test et faire des accuracy, ça me rappelle trop la fac.

On est bien d'accord là-dessus...
 
Le Data Lab, ça vaut le coup de le rejoindre quand il est parvenu à se sortir des griffes du reste de l'organisation mais ça, c'est difficile à estimer avant d'y être. Enfin en même temps, à l'inverse, le Data Lab complètement hors sol n'est pas la panacée non plus. Il faut un minimum d'intégration avec le métier sans se coltiner les contraintes techniques et technologiques inhérentes à l'entreprise (du genre "le cloud c'est non" alors que le département IT met 2 mois à provisionner une VM - c'est du vécu !).

Globalement je te trouve plutôt d'accord avec moi Au moins sur le volet "la data science n'est qu'un outil et non une finalité" où on dit grosso modo la même chose.
 
Pour ce qui est du plan de carrière, si ton kif c'est de rentrer dans une grosse boîte et de t'en servir comme tremplin, je maintiens : mieux vaut démarrer en SSII ou en start-up, y faire deux ans, se créer une réelle connaissance de la discipline et de ses enjeux et ensuite candidater dans un grand groupe. A mon sens, c'est bien plus simple que de tenter le grand groupe directement et cela donne des arguments bien plus percutants pour négocier sa rémunération, là où l'évolution "naturelle" du salaire dans un grand groupe est ridicule.

Intéressante votre discussion à propos des datalab. Qu'on s'accorde bien tous, qu'est-ce que vous entendez par datalab ? Je vois plein de grosses boîtes qui monte des soi-disant datalab.
 
Est-ce un pôle bien distinct de l'entreprise où l'on fait converger tous les projets liés à la data de tous les autres départements ?  
L'avantage IMO c'est que ça permet d'avoir une sorte de référence sur les données de l'entreprise et que ce qu'on a appris/fait pour un premier projet peut être ré-exploité pour un autre projet similaire. Qu'est-ce que vous en pensez ?  
 
Quelles sont pour vous les critères d'un bon datalab ?  
 
Est-ce au niveau du workflow (est-ce que le datalab doit s'occuper de la définition du problème jusqu'à la mise en prod et monitoring du modèle déployé ? ou au contraire plutôt fournir un support aux autres départements et les former à entretenir leur pipeline eux mêmes ?)  
 
Au niveau de la composition d'équipe ? Junior/senior. Data engineer/Data scientist/ Software developer ?

Le risque de la SSII pour moi, et c'est quelque chose que je vois au quotidien, c'est la stagnation voir la régression des connaissances pour la plupart

Un datalab chacun a sa définition mais en général c'est monté un pôle purement de data science (data engineer, data scientist) avec 0 personnes du métiers qui vont travailler sur des grands projets (donc 0 demande ad-hoc bidon de geraldine du marketing qui veut un extract et un excel ).

En général, de ceux que j'ai vu, y'a toujours un problème de valorisation de ce qu'ils peuvent faire et résultat ils font pas longs feu ...

Pour moi un bon datalab c'est des data engineer qui peuvent maintenir un datamart à part, des data scientist qui savent créer des projets de valeurs ou des outils facilement mis en production pour le métier avec un bon manager qui les met à l'abri des demandes de productions qui peuvent venir parasiter le travail.  Dans les faits, c'est beaucoup plus compliqué, on en revient toujours à un problème de politique pour moi

En général oui le lab identifie les projets et les exécute du poc a la mise en prod/maintenance. Profils en général juniors. Turnover assez important a cause du manque de connection avec le business et de facto du manque de possibilités d'évolution en interne.

Start-up c'est pas mal, ça a l'air moins bidon qu'en cogip et ça paie pas mal (>=45k 1st embauche)
 
Y'a certaines de recherche en cogip où c'est pas mal, là où j'ai fait mon stage ils ont investis dans du matos assez stylé, les données sont là y'a pas de soucis  
Bon le pb c'est que t pas bien payé et y'a pas trop d'expertise ML donc bon

Donc un bon datalab c'est une équipe qui bosse dans son coin, avec un management à part. Qui fait ce qu'il lui plaît en refusant les demandes  business ?
Je ne m'étonne qu'à moitié que ça ne dure pas longtemps

Ahah pas forcément qui fait ce qui lui plait mais qui a une feuille de route et surtout valorise son travail. Quand je dis demandes business, c'est les demandes ad-hoc dont un data analyst peut très bien se charger. Dans les entreprises à Paris, on cherche des data scientist pour faire des extracts SQL et des Excel + PPT en très grande majorité, tu verrais la MASSE de gens qui ont fait des études stats/info pour la data science qui se retrouvent à requeter sur oracle pour faire des analyses de campagnes sur excel, tu hallucinerais

Là où je bosse par exemple pour revenir au datalab, ils ont une feuille de route, des contacts métiers mais sont super indépendants politiquement et ils valorisent des projets à 70 millions d'euros avec une équipe comme je l'ai décrite.

Manque de bol par contre, on leur demande de valoriser quasi 200 millions d'euros ANNUEL sinon ils dégagent , ils feront pas long feu

Ce modèle, c'est exactement ce qu'il ne faut pas selon moi.
 
"Maintenir un datamart à part" : cela suppose que le Datalab gère son propre SI en mode shadow IT. Ça peut paraître une bonne idée sur le court terme, notamment pour se libérer des contraintes de IT de l'organisation et générer les "quick wins" tant désirés par le management. Il y a toutefois deux problèmes associés à mon sens.

• Le datamart en question est de facto dissocié du SI de l'entreprise, ce qui veut dire qu'il faut développer et maintenir tous les flux de données qui l'alimentent.
• Cela suppose également que les membres du Datalab gèrent la production de ce qu'ils auront mis en oeuvre. Or, à mon sens, le Datalab est une équipe de développement, pas de maintien en condition opérationnelle. A court terme ça peut fonctionner tant qu'il n'y a pas trop de cas d'usages en production mais au bout d'un moment, cette charge de travail explose au point de devenir un fardeau pour l'équipe et de faire fuir ses membres.

Pour moi, il existe une voie intermédiaire sous forme de pôle d'expertise mais cela suppose que tout le monde y mette un peu du sien (la politique, toujours la politique...) et accepte de ne plus fonctionner en silo.

 
D'un autre côté, la data science ne se résume pas à faire des modèles.
 
Si tu regardes un peu ce qui se fait dans la plupart des départements marketing, les besoins sont archi basiques. Le modèle prédictif, c'est le graal mais d'expérience ça fonctionne souvent assez mal parce qu'on essaie de prédire des phénomènes complexes avec peu de données.
 
Or, dans la plupart des cas, être en capacité de mixer plusieurs sources de données (potentiellement internes et externes) pour faire une segmentation de meilleure qualité est déjà un énorme pas en avant.

Salut tout le monde,
 
J'ai fait un truc assez cool en Deep Learning et j'aimerai valider le tout sur plusieurs jeux d'images MAIS ma connexion de prolo m'empêche de télécharger en un temps raisonnable un dataset >= 2 GB    
 
Vous connaissez des alternatives ? Par ex mettre mon modèle sur un cloud ou bien des jeux de données assez lights  
 
Merci d'avance

Google Colab pour du gratuit ou GCP avec les $300 de free credits (100 ou 200 heures de GPU suivant la config).

Y'a déjà des datasets de pré loadés sur collab ? Si je peux pas DL je peux encore moins uploader dessus (et ça suppose que g réussi à chopper les données qq part)

Tu peux le telecharger directement avec wget ou autre, c'est le principe du cloud, pas besoin de passer par ton ordi ^^

 
Malin tout ça, merci

Du coup j'ai une autre question qui va surement encore paraître teubée mais bon osef c'est comme ça qu'on progresse  

Mon modèle c'est un truc assez avancé avec pas mal de fichiers différents implémentant des opérations customs (i.e pas disponibles en natif sur les API classique, exemple : un module squeeze-and-excitation), je sens que ça va être une galère de tout mettre sur Collab. Est-ce qu'il y a une façon simple / naturelle d'utiliser mon modèle sur le cloud sans à avoir à uploader tous les fichiers et gérer les dépendances, imports et tout ?  

Sachant que je peux pas le sérialiser car j'utilise une classe héritant de Models et c'est pas encore implémenté de ce que j'ai compris (contrairement à la sérialization des layers custom)

Je comprend pas trop ce que tu veux ^^'
 
Colab fonctionne comme sur ton ordi, si t'as besoin de certain fichier perso pour entrainer ton modèle sur ton ordi, Colab en aura besoin aussi. Tu copie tous tes trucs dans google drive et tu travailles dans ce dossier comme tu le ferais sur ton ordi. Faux juste installer les modules important dans collab #requirements.txt

 
Je sais pas trop moi même, je pensais à une espèce de container pour pas à avoir à tout uploader justement