On me pose souvent la question: pourquoi avoir commencé à apprendre Python plutôt que R?
A la base, je n’ai pas de réponse, si ce n’est le hasard, puisque j’ai commencé à apprendre Python grâce à Codecademy. Et il semblerait que ce soit difficile d’apprendre les deux en parallèle…
Mais les deux s’opposent-ils vraiment? Choisir, c’est renoncer, alors à quoi devons-nous renoncer exactement?
Le Machine learning est un type d’intelligence artificielle (IA) qui permet aux ordinateurs d’apprendre sans être explicitement programmés. Il se concentre sur le développement de programmes informatiques qui peuvent changer lorsqu’ils sont exposés à de nouvelles données.
Le processus d’apprentissage automatique est similaire à celui de l’exploration de données. Les deux systèmes recherchent dans les données pour trouver des modèles. Cependant, au lieu d’extraire les données pour la compréhension humaine, le Machine learning utilise ces données pour détecter des modèles dans ces données et ajuster les actions du programme en conséquence. Par exemple, Facebook utilise l’apprentissage automatique pour ajuster chaque contenu en fonction du profil d’un utilisateur.
Et pourquoi pas…?
En fait, FUN = France Université Numérique. D’accord c’est moins glamour, mais c’est plutôt sympa, vous allez voir!
Dans la lignée de mon article sur Codecademy, je souhaiter présenter ici un autre outil très pédagogique dans le cadre d’un apprentissage pour devenir Data Scientist, sur l’aspect Probabilités maintenant.
Suite à mon apprentissage de Python sur codecademy, je vous propose ici un résumé des principales commandes sur Python.
⇒ Attention néophytes s’abstenir! 🙂
— En cours de rédaction selon l’avancement de mon apprentissage! —
Un petit bijou le programme de codecademy.com! Ca cartonne en ce moment, et pour cause! C’est un site qui permet d’apprendre à coder gratuitement, entre autres, parmi les langages suivants: HTML & CSS, JavaScript, JQuery, PHP, Python et Ruby.
D’où vient le métier du Data Scientist? Il fait partie des métiers à avoir vu le jour récemment, et le nombre de profils LinkedIn contenant le mot-clé DataScientist a été multiplié par 30 sur ce laps de temps (cf. infographie)!
Abordons un peu de technique maintenant: Qui contrôle les normes du Web, qu’est-ce qu’une architecture 3-tiers, qu’est-ce qu’un hub…? Vous séchez?
Voici une infographie que j’ai produite pour mettre en images (et en couleurs!) les notions quelque peu barbares pour les novices à propos des technologies du web.
Voici les principaux éléments de vocabulaire et acronymes à connaître autour de la Data Science et du Big data (cf. sourcing des définitions à la fin du post).
Avec quelques explications vulgarisées selon ma compréhension et des schémas qui me semblent parlants.
N’hésitez pas à ajouter des commentaires, ce post est évolutif!
Qui dit nouveau métier, dit nouveau vocabulaire!
L’objectif de ce post est de lister un panel représentatif des dénominations de métiers trouvées (sans pour autant aborder les qualités requises ainsi que les responsabilités, qui feront l’objet de posts ultérieurs!) pour tenter d’y voir un peu plus clair.
Au fond, l’équation Data Scientist = Data Analyst = Dataminer = Data Architect … est-elle vérifiée?
