Top la vidéo ! Il faudrait faire une vidéo sur la relation entre Data Scientist et Data Engineer. Je suis Data Engineer depuis de nombreuses années et il peut y avoir de nombreuses frictions haha !
Excellente vidéo !! SURTOUT LE POINT 4 qui est très très IMPORTANT en entreprise ! Je remplacerai le « NON » par « OUI MAIS j’ai d’autre truc à faire plus important» :D Aujourd'hui les métiers de la Data sont devenu des fourres tout !
Nul n'est parfait, bien sûr et on apprend chaque jour, plutôt chaque heure.. Ces 10 conseils sont vraiment importants et utiles, surtout venant de quelqu'un qui a 10 ans d'expérience dans le domaine.
Super vidéo (bon on est habitué avec toi ;)), tu penses qu'un diplome ou une certification est nécessaire ? (Si je prouve mon expérience via des projets et que je me rend utile a la commu.)
Bonjour Anis, merci pour cette vidéo très instructive. Je te suis depuis le début de la chaine et suis toujours très agréablement surprise par le contenu proposé :)
En entreprise, il y a aussi cette sorte de data scientists qui ne comprennent que la tache, les inputs et les outputs mais jamais ce qui a à l'intérieur. Ils n'ont clairement pas les bagages mathématiques et pourtant ont de temps en temps plus de succès vis à vis de la hiérarchie que ceux qui comprennent l'algo de A à Z. C'est très frustrant car ils ne savent que manipuler des boites noirs. Mais ajouter une loss, comprendre un code pytorch ou un papier c est autre chose.
Salut, je viens de m'abonner. Merci pour la vidéo ! Quand tu parles d'autres vidéos (celle sur les salaires par exemple), ça serait cool si tu pouvais mettre le lien dans la description. Merci ! 👌🏻👌🏻
Superbe vidéo, très utile pour se donner une idée plus réaliste du métier ! Parcontre, il faut rajouter un espace entre les timestamps et les 2 points sinon ils ne fonctionnent pas
Excellente vidéo, très instructive. Je suis également data scientist, et je m'interrogeais sur un point pour quelque j'aurais aimé avoir ton avis. On voit depuis quelques temps émerger pas mal de librairies d'auto-machine/deep learning comme AutoML, AutoScikit, Auto Keras. Est-ce que ce type de librairies n'est pas en train de signer d'une certaine façon la mort du métier ? Effectivement on peut considérer le fait qu'un data scientist doit être en mesure de comprendre l'ensemble du pipeline depuis le business understanding, le nettoyage de la data, l'EDA, jusqu'au développement des modèles, le déploiement et la pérennité du modèle. Cependant est-ce qu'il ne serait pas "dangereux pour le métier" que des entreprises se passent de spécialistes (outre la R&D) pour de la prod uniquement avec de tels frameworks ?
Les question ethiques étant en train de venir sur le devant de la scène devraient bloquer ça. Je t'invite à regarder le projet de régulation EU sur l'IA pour constater qu'on ne pourra pas se reposer directement sur de l'auto-ml
@@bastienzimmermann4244 Ah super pour l'info merci, aurais-tu un lien vers un document officiel ? Je me posais la question car j'ai travaillé chez une grand groupe qui justement développait un pôle IA, à mon appréciation sans véritables problématiques à traiter et plus pour le principe de faire de l'IA (manque de données). Cela ne m'étonnerait pas que pour avoir des résultats rapidement ils aient recours à ce genre de solutions.
@@bastienzimmermann4244 Je me suis penché sur la référence que tu m'as donnée,bon le document est assez long mais en effet j'avais relevé cet aspect négatif de gestion des cas limite. Je crois aussi avoir vu un soucis lié à l'aspect pour le coup très "boite noire" des modèles alors mis en place, si utilisés tels quels.
Salut, vidéo sympa. Par contre tu parles bien plus du métier d'ingénieur MLops que du métier de Data Scientist (d'ailleur un data scientist peut tres bien se passer de machine learning !). Tes points sont cependant très pertinents quand au métier d'ingé software, le ML c'est bien plus qu'un notebook. En tant qu'ingé R&D j'apprécie que tu encourages à lire des papiers régulièrement c'est nécessaire dans le milieu du ML. Attention, il est difficile savoir choisir ses papiers ; leur nombre explose et chaque branche du ML se ramifie de plus en plus donc chaque papier devient hyper-spécialisé et donc plus distant de la réalité terrain. Pour tout débutant je conseillerai d'assister à une conférence ML pour s'approprier les codes du milieu et comprendre les enjeux du domaine (50 $ pour assister à 1 semaine de NeurIPS c'est donné et c'est aussi l'opportunité de cotoyer les meilleurs éléments de l'IA !)
Les définitions des métiers sont très relatives à l'entreprise, au pays etc. Cependant, il y a toute fois un consensus qui a émergé qui s'accorde à dire que le Data scientist est celui qui pratique le plus de ML. Un data scientist qui ne fait pas de ML se rapproche plutôt du métier de Data analyst. L'ingénieur MLops s'occupe plus de la mise en production, il n'a généralement pas besoin d'être autant un "expert" en ML que le Data scientist. Bien sûr ces "définitions" sont comme je l'ai dit très relatives.
Ouf enfin une chaîne en français,je suis nouveaux dans ce domaine et je suis perdu par ce que je sais pas trop par quoi commencer ni ce que je dois savoir,vue que je me forme en :learn by doing ,donc je sait pas si je suis dans le bon cadre ,les devanciers se serait bien si vous pouvez me donner des directives.Je m’abonne de suite à la chaîne
J'ai commencé ma formation de Data Scientist, suis au fond de la cave. Plus de 3 jours pour faire un examen d'une heure. Avec tous les cours, Google...
Salut Anis, dis moi je voudrais savoir si les certifications Python (PCAP, PCPP...) représentent une plus-value lors d’un entretien; outre le fait de présenter quelques projets, ou bien sont-ils seulement utiles pour ceux qui vise à être formateur ? Dernière chose, j'aspire à me lancer dans la Data Science afin d'être Data Analyst et j'avais toujours cette même impression concernant le Data Scientist qui est considéré comme l'homme à tout faire, un peu comme le développeur full-stack dont les critères recherchés sont hyper frustrants !!! merci pour avoir levé les ambiguïtés
Salut superbe vidéo. Infiniment merci. Toutefois je comprends déjà bien la plupart des algorithmes de Machine et Deep Learning. Quelqu'un pourrait-il me conseiller 2 ou 3 certifications orientées Machine ou deep learning que je puisse faire pour avoir un meilleur cv sur le marché pour un premier emploi en France comme ailleurs. La plupart des certifications que je connais sont surtout orientés Big Data.
Bonjour et merci beaucoup pour tes contenus de qualité. J'ai une question en tant que futur débutant en DS stp. J'aimerais m'orienter vers le secteur de la finance ou de l'assurance et je me demandais si réaliser un projet sur la gestion de risques serait un atout lors d'un entretien?
Pour l'assurance fait un projet un dataset style credit brancaire/domaine sensible - fait ton modele tout bien tout propre - Puis fais une analyse poussée des biais/éthique ou bien applique des methodes XAI pour expliquer comment faire accepter à l'utilisateur les resultats de ton modele. Ex: model: crédit refusé -> modele+XAI : ton credit est refusé parceque il te manque X, Y etc... ou alors tu pourrais faire Z pour obtenir ton pret Satisfaction garantie !
Bonne vidéo ! Je suis en prépa pour faire Mathématiques appliquées et Modélisation à Polytech Nice penses-tu que je pourrais aisément exercer en temps Data scientist? au vu de la formation et de l'école aussi.
Tiens j'ai vu un article sur medium récemment qui dit que le métier des data sciences va disparaître dans 10 ans, toi qui es dedans, ça te semble une assertion pertinente ?
Super intéressant merci, je me demandais si on avait pas des modèles qui ressortent constamment quel que soit les jeux de données, ou que Celui-ci va plutôt répondre à une question précise et permettre d'axer la stratégie de l'entreprise dans une certaine direction(au profit d'une autre) quitte à parfois négligée un pan entié des données ? En gros où se placer en l'absence de DSI si j'ai bien compris ?
Je suis en M2 Modélisation en Ecologie, on fait 90% de data science donc, et je rajouterais que quiconque est intéressé par le domaine devrait être conscient que la data science, comme la plupart des autres sciences, n'est pas aussi "sexy" que ce que la vulgarisation fait percevoir. Faire de l'IA c'est super cool, mais c'est difficile et souvent frustrant ou insatisfaisant (en tout cas du point de vue d'un étudiant de M2). Il faut bien en être conscient pour ne pas être surpris et risquer d'être dégouté par le domaine après avoir commencé à s'investir...
Il y a quoi que tu trouves frustrant et que tu aimes pas?(je n'y connais pas grand chose donc sans vocabulaire 😂 compliqué). D'ailleurs ton master c'est un master recherche ?
@@nyxnix2479 Ce n'est pas tant des choses que je n'aime pas, mais il faut se rendre compte que travailler dans ce domaine, c'est principalement être calé en maths et en statistiques. La partie programmation des algorithmes (le plus "sexy"), c'est presque le plus simple. Il faut quand même que je nuance un peu : si ça t'intéresse il faut essayer, tenter ta chance, parce que c'est un domaine génial, mais simplement c'est un important d'être conscient de ces informations. Oui c'est un master de recherche (je commence tout juste la thèse en IA).
@@Droiduxx j'aime beaucoup les maths(je fais des maths fonda même , un peu trop fonda pour etre DS d'ailleurs)mais souvent on me dit justement que les maths ne servent à rien... Il y a quoi comme maths d'ailleurs ?et c'est si difficile que ça ? Et bon courage pour ta thèse, 💪
@@nyxnix2479 Les maths servent toujours ! En machine learning j'utilise surtout des notions de statistiques inférentielles, de calcul matriciel et des études de fonctions (dérivées, convergence...), en gros. C'est possible de faire des algorithmes de ML sans forcément passer par tout ça, mais tu risque de ne pas comprendre ce que tu fais et ce n'est pas viable dans un cadre de recherche en tout cas. Ce n'est pas une question de difficulté, il faut aimer ! Merci ;)
Je suis master 1 DS et je trouve ces 10 points très pertinents ! J’aimerai bien que tu fasses la vidéo sur les process à suivre dans des grosses boites ! Merci 🙏
Salut je sais pas si tu verras ma réponse mais est-ce que tu peux me donner ton adresse mail ? je rejoins une école en IA et j'ai beaucoup de questions sur le sujet
Top la vidéo ! Il faudrait faire une vidéo sur la relation entre Data Scientist et Data Engineer. Je suis Data Engineer depuis de nombreuses années et il peut y avoir de nombreuses frictions haha !
Excellente vidéo !! SURTOUT LE POINT 4 qui est très très IMPORTANT en entreprise ! Je remplacerai le « NON » par « OUI MAIS j’ai d’autre truc à faire plus important» :D
Aujourd'hui les métiers de la Data sont devenu des fourres tout !
Nul n'est parfait, bien sûr et on apprend chaque jour, plutôt chaque heure.. Ces 10 conseils sont vraiment importants et utiles, surtout venant de quelqu'un qui a 10 ans d'expérience dans le domaine.
Super vidéo (bon on est habitué avec toi ;)), tu penses qu'un diplome ou une certification est nécessaire ? (Si je prouve mon expérience via des projets et que je me rend utile a la commu.)
Très bien votre vidéo. Ce serait intéressant de faire une vidéo sur le point 9.
Bonjour Anis, merci pour cette vidéo très instructive. Je te suis depuis le début de la chaine et suis toujours très agréablement surprise par le contenu proposé :)
Merci d’être toujours aux rendez vous sur les vidéos de la chaîne😊
En entreprise, il y a aussi cette sorte de data scientists qui ne comprennent que la tache, les inputs et les outputs mais jamais ce qui a à l'intérieur. Ils n'ont clairement pas les bagages mathématiques et pourtant ont de temps en temps plus de succès vis à vis de la hiérarchie que ceux qui comprennent l'algo de A à Z. C'est très frustrant car ils ne savent que manipuler des boites noirs. Mais ajouter une loss, comprendre un code pytorch ou un papier c est autre chose.
J’ai pas encore commencé ma formation à esilv mais ta vidéo est très intéressante !
Salut du Brésil. J'aime ton vidéo
Très bons points soulevés.
Ils s'appliquent pratiquement tous à tous les profils tech (voir non tech) en entreprise.
Bns super vidéo svp vous pouvez nous faire une vidéo sur les outils qu'un data scientiste a besoin genre les logiciels qu'ils utilise
Pour information, absolument tous ces conseils sont applicables au développement de manière générale
Salut, je viens de m'abonner. Merci pour la vidéo !
Quand tu parles d'autres vidéos (celle sur les salaires par exemple), ça serait cool si tu pouvais mettre le lien dans la description. Merci ! 👌🏻👌🏻
Oui bonne idée ! Je vais faire ça merci
@@DefendIntelligence je t'en prie. Surtout que je viens d'aller voir ladite vidéo et elle est vraiment bien 👌🏻
C'est fait ! Merci beaucoup
Superbe vidéo, très utile pour se donner une idée plus réaliste du métier !
Parcontre, il faut rajouter un espace entre les timestamps et les 2 points sinon ils ne fonctionnent pas
Merci ! Et remerci, j'ai corrigé.
Excellente vidéo, très instructive. Je suis également data scientist, et je m'interrogeais sur un point pour quelque j'aurais aimé avoir ton avis. On voit depuis quelques temps émerger pas mal de librairies d'auto-machine/deep learning comme AutoML, AutoScikit, Auto Keras. Est-ce que ce type de librairies n'est pas en train de signer d'une certaine façon la mort du métier ? Effectivement on peut considérer le fait qu'un data scientist doit être en mesure de comprendre l'ensemble du pipeline depuis le business understanding, le nettoyage de la data, l'EDA, jusqu'au développement des modèles, le déploiement et la pérennité du modèle.
Cependant est-ce qu'il ne serait pas "dangereux pour le métier" que des entreprises se passent de spécialistes (outre la R&D) pour de la prod uniquement avec de tels frameworks ?
Les question ethiques étant en train de venir sur le devant de la scène devraient bloquer ça. Je t'invite à regarder le projet de régulation EU sur l'IA pour constater qu'on ne pourra pas se reposer directement sur de l'auto-ml
@@bastienzimmermann4244 Ah super pour l'info merci, aurais-tu un lien vers un document officiel ?
Je me posais la question car j'ai travaillé chez une grand groupe qui justement développait un pôle IA, à mon appréciation sans véritables problématiques à traiter et plus pour le principe de faire de l'IA (manque de données). Cela ne m'étonnerait pas que pour avoir des résultats rapidement ils aient recours à ce genre de solutions.
Pour l'auto ML la gestion des cas limites est vraiment problematique. -> effets cachés indésirables
@@bastienzimmermann4244 Je me suis penché sur la référence que tu m'as donnée,bon le document est assez long mais en effet j'avais relevé cet aspect négatif de gestion des cas limite. Je crois aussi avoir vu un soucis lié à l'aspect pour le coup très "boite noire" des modèles alors mis en place, si utilisés tels quels.
Super vidéo !
Salut, vidéo sympa. Par contre tu parles bien plus du métier d'ingénieur MLops que du métier de Data Scientist (d'ailleur un data scientist peut tres bien se passer de machine learning !). Tes points sont cependant très pertinents quand au métier d'ingé software, le ML c'est bien plus qu'un notebook. En tant qu'ingé R&D j'apprécie que tu encourages à lire des papiers régulièrement c'est nécessaire dans le milieu du ML. Attention, il est difficile savoir choisir ses papiers ; leur nombre explose et chaque branche du ML se ramifie de plus en plus donc chaque papier devient hyper-spécialisé et donc plus distant de la réalité terrain. Pour tout débutant je conseillerai d'assister à une conférence ML pour s'approprier les codes du milieu et comprendre les enjeux du domaine (50 $ pour assister à 1 semaine de NeurIPS c'est donné et c'est aussi l'opportunité de cotoyer les meilleurs éléments de l'IA !)
Les définitions des métiers sont très relatives à l'entreprise, au pays etc. Cependant, il y a toute fois un consensus qui a émergé qui s'accorde à dire que le Data scientist est celui qui pratique le plus de ML. Un data scientist qui ne fait pas de ML se rapproche plutôt du métier de Data analyst. L'ingénieur MLops s'occupe plus de la mise en production, il n'a généralement pas besoin d'être autant un "expert" en ML que le Data scientist. Bien sûr ces "définitions" sont comme je l'ai dit très relatives.
Ouf enfin une chaîne en français,je suis nouveaux dans ce domaine et je suis perdu par ce que je sais pas trop par quoi commencer ni ce que je dois savoir,vue que je me forme en :learn by doing ,donc je sait pas si je suis dans le bon cadre ,les devanciers se serait bien si vous pouvez me donner des directives.Je m’abonne de suite à la chaîne
Bonjour frère. Je suis nouveau également dans le domaine. Ça me plairait si on peut s'entraider
Pas trop twich, y aura t il des redif sur UA-cam ?
J'ai commencé ma formation de Data Scientist, suis au fond de la cave. Plus de 3 jours pour faire un examen d'une heure. Avec tous les cours, Google...
Super vidéo merci beaucoup !
Hello! Très intéressante ta vidéo. Est-ce que tu penses un jour faire une vidéo sur les mouvances DevOps orientées data (DataOps, MLOps,...)? 🙂
beurk
Bonjour . Peux-tu nous expliquer c’est la différence entre un data scientist et un analyste d’affaires svp ? Merci !
Super et très instructif comme d’habitude 💪🏽
Salut Anis, dis moi je voudrais savoir si les certifications Python (PCAP, PCPP...) représentent une plus-value lors d’un entretien; outre le fait de présenter quelques projets, ou bien sont-ils seulement utiles pour ceux qui vise à être formateur ?
Dernière chose, j'aspire à me lancer dans la Data Science afin d'être Data Analyst et j'avais toujours cette même impression concernant le Data Scientist qui est considéré comme l'homme à tout faire, un peu comme le développeur full-stack dont les critères recherchés sont hyper frustrants !!! merci pour avoir levé les ambiguïtés
Nickel, étant data scientist, je plussois tous les points de cette vidéo
Merci ! C'est rassurant qu'on partage tous pas mal de point de constat dans notre métier. :)
Très bonne vidéo, btw, je crois que le point le plus important en data science est probablement l’humilité !
Vous parlez de data Scientist seulement dans ce video ou de Machine Learning Engineer aussi?
Merci pour la vidéo. Et moi j'aurai aimé voir cette vidéo il y a 3 ans mdr
Merci ! N’hésite pas à partager alors pour en aider certains maintenant 😊
Merci pour les infos, de mon côté à 50 ans j'aimerai me réorienter vers ce métier... Qu'en penses tu?
Salut superbe vidéo. Infiniment merci. Toutefois je comprends déjà bien la plupart des algorithmes de Machine et Deep Learning. Quelqu'un pourrait-il me conseiller 2 ou 3 certifications orientées Machine ou deep learning que je puisse faire pour avoir un meilleur cv sur le marché pour un premier emploi en France comme ailleurs. La plupart des certifications que je connais sont surtout orientés Big Data.
Bonjour et merci beaucoup pour tes contenus de qualité. J'ai une question en tant que futur débutant en DS stp. J'aimerais m'orienter vers le secteur de la finance ou de l'assurance et je me demandais si réaliser un projet sur la gestion de risques serait un atout lors d'un entretien?
Pour l'assurance fait un projet un dataset style credit brancaire/domaine sensible - fait ton modele tout bien tout propre - Puis fais une analyse poussée des biais/éthique ou bien applique des methodes XAI pour expliquer comment faire accepter à l'utilisateur les resultats de ton modele. Ex: model: crédit refusé -> modele+XAI : ton credit est refusé parceque il te manque X, Y etc... ou alors tu pourrais faire Z pour obtenir ton pret
Satisfaction garantie !
@@bastienzimmermann4244 Merci beaucoup pour ta réponse !
@@bastienzimmermann4244 qu'est-ce que la méthode XAI?
@@theoi3921 christophm.github.io/interpretable-ml-book/
Bonne lecture !
Bonne vidéo !
Je suis en prépa pour faire Mathématiques appliquées et Modélisation à Polytech Nice penses-tu que je pourrais aisément exercer en temps Data scientist? au vu de la formation et de l'école aussi.
Carrément
Super vidéo, est-ce possibles de devenir data Scientist en ayant un bac option biochimie ?
Est-ce qu'il y a un lien entre data scientist et analyst ? Est-ce que tu fais les deux dans ton métier ?
Tiens j'ai vu un article sur medium récemment qui dit que le métier des data sciences va disparaître dans 10 ans, toi qui es dedans, ça te semble une assertion pertinente ?
C’est effectivement une bonne question. J’ai fais une vidéo sur ça il y a quelques mois ua-cam.com/video/iXo2KdXqMG0/v-deo.html
@@DefendIntelligence merci je vais voir ça !
Cool
Super intéressant merci, je me demandais si on avait pas des modèles qui ressortent constamment quel que soit les jeux de données, ou que Celui-ci va plutôt répondre à une question précise et permettre d'axer la stratégie de l'entreprise dans une certaine direction(au profit d'une autre) quitte à parfois négligée un pan entié des données ?
En gros où se placer en l'absence de DSI si j'ai bien compris ?
Je suis en M2 Modélisation en Ecologie, on fait 90% de data science donc, et je rajouterais que quiconque est intéressé par le domaine devrait être conscient que la data science, comme la plupart des autres sciences, n'est pas aussi "sexy" que ce que la vulgarisation fait percevoir. Faire de l'IA c'est super cool, mais c'est difficile et souvent frustrant ou insatisfaisant (en tout cas du point de vue d'un étudiant de M2). Il faut bien en être conscient pour ne pas être surpris et risquer d'être dégouté par le domaine après avoir commencé à s'investir...
Il y a quoi que tu trouves frustrant et que tu aimes pas?(je n'y connais pas grand chose donc sans vocabulaire 😂 compliqué).
D'ailleurs ton master c'est un master recherche ?
@@nyxnix2479 Ce n'est pas tant des choses que je n'aime pas, mais il faut se rendre compte que travailler dans ce domaine, c'est principalement être calé en maths et en statistiques. La partie programmation des algorithmes (le plus "sexy"), c'est presque le plus simple. Il faut quand même que je nuance un peu : si ça t'intéresse il faut essayer, tenter ta chance, parce que c'est un domaine génial, mais simplement c'est un important d'être conscient de ces informations.
Oui c'est un master de recherche (je commence tout juste la thèse en IA).
@@Droiduxx j'aime beaucoup les maths(je fais des maths fonda même , un peu trop fonda pour etre DS d'ailleurs)mais souvent on me dit justement que les maths ne servent à rien...
Il y a quoi comme maths d'ailleurs ?et c'est si difficile que ça ?
Et bon courage pour ta thèse, 💪
@@nyxnix2479 Les maths servent toujours ! En machine learning j'utilise surtout des notions de statistiques inférentielles, de calcul matriciel et des études de fonctions (dérivées, convergence...), en gros. C'est possible de faire des algorithmes de ML sans forcément passer par tout ça, mais tu risque de ne pas comprendre ce que tu fais et ce n'est pas viable dans un cadre de recherche en tout cas. Ce n'est pas une question de difficulté, il faut aimer ! Merci ;)
6:33 Grâce à QuipoQuiz ?
J’ai pas la ref 😳😳🙈
@@DefendIntelligence haha 😆 C’est dans les vidéos de Mcfly et Carlito où ils appellent des gens au hasard. 😉
Le j c’est le s
Très éclairant
Je suis master 1 DS et je trouve ces 10 points très pertinents ! J’aimerai bien que tu fasses la vidéo sur les process à suivre dans des grosses boites ! Merci 🙏
Salut je sais pas si tu verras ma réponse mais est-ce que tu peux me donner ton adresse mail ? je rejoins une école en IA et j'ai beaucoup de questions sur le sujet
First ! (Excellent sans même avoir regardé !)
Bordel ce charabia 😆