C'est l'histoire d'un mec ... qui veut se mettre à la DataScience . Après moult péripéties, je me suis lancé à corps perdu dans la Data Science au printemps 2017 : motivé et armé de MOOC, je suis parti à l’assaut des ressources pour être Data Scientist. Ah mais au fait, ça veut dire quoi Data Scientist ? Scientifique de la donnée ? Plus on apprend, plus on se rend compte de son ignorance. Beaucoup de vocabulaire et de jargon dans ce domaine ! Piouf, heureusement, sur mon chemin j’ai aussi appris sur moi-même, ma manière et mes capacités d’apprendre. Vous voulez vous lancer vous aussi ? Mais ne savez pas par où commencer ? En fait, c’est simple. C’est l’histoire d’un mec... Talk donné à la soirée Toulouse Data Science (TDS) du lundi 11 décembre 2017. : https://www.meetup.com/Tlse-Data-Science/events/245536866/ Plus d'infos sur mon blog : https://medium.com/@Maxime_/

1. Se lancer dans la Data Science ...

3. Objectifs

4. Objectifs
● Démystifier ce domaine et son jargon pour les
néophytes

5. Objectifs
● Démystifier ce domaine et son jargon pour les
néophytes
● Partager les ressources utiles / inutiles pour
débuter dans le domaine

6. Objectifs
● Démystifier ce domaine et son jargon pour les
néophytes
● Partager les ressources utiles / inutiles pour
débuter dans le domaine
● Aider les gens qui se posent la question à
entamer ou pas une reconversion

7. Roadmap

8. Roadmap
1. My journey

9. Roadmap
1. My journey
2. Mooc

10. Roadmap
1. My journey
2. Mooc
3. Ressources & Tips

11. Qui es
Data Scientist ?

12. 1. C’est l’histoire d’un mec

15. Mathias @herberts

16. Mathias @herberts

17. Méthode CRISP-DM

19. Minute Papillote

22. Leonardo Noleto

23. OverFitting

25. ● en R

26. ● en R
● 5-7h /semaine

27. ● en R
● 5-7h /semaine
● 9 semaines de cours

28. ● en R
● 5-7h /semaine
● 9 semaines de cours
● Très concret

29. 1h tous les matins

38. Après la pluie ...

41. C’était le début de l’histoire

42. 2. MOOC

46. ● en R
● 5-7h /semaine
● 9 semaines de cours
● Très concret

47. 1. Intro

48. 1. Intro
2. Linear Regression

50. 1. Intro
2. Linear Regression
● MoneyBall
● MoneyBall in NBA

51. 1. Intro
2. Linear Regression
● MoneyBall
● MoneyBall in NBA
3. Logistic Regression
● Framingham Heart Study
● Election Forecasting

52. 1. Intro
2. Linear Regression
● MoneyBall
● MoneyBall in NBA
3. Logistic Regression
● Framingham Heart Study
● Election Forecasting
4. Trees
● Décisions de la cour suprême

53. 1. Intro
2. Linear Regression
● MoneyBall
● MoneyBall in NBA
3. Logistic Regression
● Framingham Heart Study
● Election Forecasting
4. Trees
● Décisions de la cour suprême
5. Text analytics
● Tweets : pro ou con apple

55. 1. Intro
2. Linear Regression
● MoneyBall
● MoneyBall in NBA
3. Logistic Regression
● Framingham Heart Study
● Election Forecasting
4. Trees
● Décisions de la cour suprême
5. Text analytics
● Tweets : pro ou con apple
● Watson in Jeopardy
● Enron : Predictive coding

56. 6. Clustering1. Intro
2. Linear Regression
● MoneyBall
● MoneyBall in NBA
3. Logistic Regression
● Framingham Heart Study
● Election Forecasting
4. Trees
● Décisions de la cour suprême
5. Text analytics
● Tweets : pro ou con apple
● Watson in Jeopardy
● Enron : Predictive coding

58. 6. Clustering
● Netflix recommendation
● Predictive Diagnosis
1. Intro
2. Linear Regression
● MoneyBall
● MoneyBall in NBA
3. Logistic Regression
● Framingham Heart Study
● Election Forecasting
4. Trees
● Décisions de la cour suprême
5. Text analytics
● Tweets : pro ou con apple
● Watson in Jeopardy
● Enron : Predictive coding

59. 6. Clustering
● Netflix recommendation
● Predictive Diagnosis
7. Visualization
● Analytical Policeman (LA)
1. Intro
2. Linear Regression
● MoneyBall
● MoneyBall in NBA
3. Logistic Regression
● Framingham Heart Study
● Election Forecasting
4. Trees
● Décisions de la cour suprême
5. Text analytics
● Tweets : pro ou con apple
● Watson in Jeopardy
● Enron : Predictive coding

60. 6. Clustering
● Netflix recommendation
● Predictive Diagnosis
7. Visualization
● Analytical Policeman (LA)
8. Linear Optimization
● Airline Management Revue
● Radiation Therapy
● Optimisation Usine
1. Intro
2. Linear Regression
● MoneyBall
● MoneyBall in NBA
3. Logistic Regression
● Framingham Heart Study
● Election Forecasting
4. Trees
● Décisions de la cour suprême
5. Text analytics
● Tweets : pro ou con apple
● Watson in Jeopardy
● Enron : Predictive coding

61. 6. Clustering
● Netflix recommendation
● Predictive Diagnosis
7. Visualization
● Analytical Policeman (LA)
8. Linear Optimization
● Airline Management Revue
● Radiation Therapy
● Optimisation Usine
1. Intro
2. Linear Regression
● MoneyBall
● MoneyBall in NBA
3. Logistic Regression
● Framingham Heart Study
● Election Forecasting
4. Trees
● Décisions de la cour suprême
5. Text analytics
● Tweets : pro ou con apple
● Watson in Jeopardy
● Enron : Predictive coding

62. 6. Clustering
● Netflix recommendation
● Predictive Diagnosis
7. Visualization
● Analytical Policeman (LA)
8. Linear Optimization
● Airline Management Revue
● Radiation Therapy
● Optimisation Usine
9. Integer Optimization
● Sports Scheduling
● Operating Room Scheduling
1. Intro
2. Linear Regression
● MoneyBall
● MoneyBall in NBA
3. Logistic Regression
● Framingham Heart Study
● Election Forecasting
4. Trees
● Décisions de la cour suprême
5. Text analytics
● Tweets : pro ou con apple
● Watson in Jeopardy
● Enron : Predictive coding

64. ● Excellente introduction à la DS

65. ● Excellente introduction à la DS
● Très haut niveau : cas pratiques

66. ● Excellente introduction à la DS
● Très haut niveau : cas pratiques
● Dégrossir le vocabulaire

67. ● Excellente introduction à la DS
● Très haut niveau : cas pratiques
● Dégrossir le vocabulaire
● Intuiter certaines notions

68. ● Excellente introduction à la DS
● Très haut niveau : cas pratiques
● Dégrossir le vocabulaire
● Intuiter certaines notions
● Fil pédagogique bien mené

70. ● Slides #so2015
○ mais remasterisé

71. ● Slides #so2015
○ mais remasterisé
● On veut en savoir plus !
○ Quelle est la magie ?

75. ● 11 semaines

76. ● 11 semaines
● 3-4h de cours

77. ● 11 semaines
● 3-4h de cours
● 3-5h de “homeworks”

78. ● 11 semaines
● 3-4h de cours
● 3-5h de “homeworks”
● Octave

79. ● 1. & 2. Linear Regression
○ Cost Function
○ Gradient Descent

80. ● 1. & 2. Linear Regression
○ Cost Function
○ Gradient Descent
● 3. Logistic Regression &
Regularization

81. ● 1. & 2. Linear Regression
○ Cost Function
○ Gradient Descent
● 3. Logistic Regression &
Regularization
● 4. & 5. Neural Networks
○ BackPropagation

82. ● 1. & 2. Linear Regression
○ Cost Function
○ Gradient Descent
● 3. Logistic Regression &
Regularization
● 4. & 5. Neural Networks
○ BackPropagation
● 6. Advice for Applying
Machine Learning

83. ● 1. & 2. Linear Regression
○ Cost Function
○ Gradient Descent
● 3. Logistic Regression &
Regularization
● 4. & 5. Neural Networks
○ BackPropagation
● 6. Advice for Applying
Machine Learning
● 7. Support Vector Machines

84. ● 1. & 2. Linear Regression
○ Cost Function
○ Gradient Descent
● 3. Logistic Regression &
Regularization
● 4. & 5. Neural Networks
○ BackPropagation
● 6. Advice for Applying
Machine Learning
● 7. Support Vector Machines
● 8. Unsupervised Learning &
Dimensionality Reduction
○ PCA

85. ● 1. & 2. Linear Regression
○ Cost Function
○ Gradient Descent
● 3. Logistic Regression &
Regularization
● 4. & 5. Neural Networks
○ BackPropagation
● 6. Advice for Applying
Machine Learning
● 7. Support Vector Machines
● 8. Unsupervised Learning &
Dimensionality Reduction
○ PCA
● 9. Anomaly Detection &
Recommender Systems
○ Gaussian Distribution

86. ● 1. & 2. Linear Regression
○ Cost Function
○ Gradient Descent
● 3. Logistic Regression &
Regularization
● 4. & 5. Neural Networks
○ BackPropagation
● 6. Advice for Applying
Machine Learning
● 7. Support Vector Machines
● 8. Unsupervised Learning &
Dimensionality Reduction
○ PCA
● 9. Anomaly Detection &
Recommender Systems
○ Gaussian Distribution
● 10. Large Scale Machine
Learning
○ Stochastic Gradient Descent
○ Mini-batch Gradient Descent

87. ● 1. & 2. Linear Regression
○ Cost Function
○ Gradient Descent
● 3. Logistic Regression &
Regularization
● 4. & 5. Neural Networks
○ BackPropagation
● 6. Advice for Applying
Machine Learning
● 7. Support Vector Machines
● 8. Unsupervised Learning &
Dimensionality Reduction
○ PCA
● 9. Anomaly Detection &
Recommender Systems
○ Gaussian Distribution
● 10. Large Scale Machine
Learning
○ Stochastic Gradient Descent
○ Mini-batch Gradient Descent
● 11. Photo OCR

89. ● Andrew est un cador et extrêmement
pédagogue

90. ● Andrew est un cador et extrêmement
pédagogue
● Comprend les mécanismes sous-jacents
○ Gradient Descent
○ back propagation …

91. ● Andrew est un cador et extrêmement
pédagogue
● Comprend les mécanismes sous-jacents
○ Gradient Descent
○ back propagation …
● Pas mal de math

92. ● Andrew est un cador et extrêmement
pédagogue
● Comprend les mécanismes sous-jacents
○ Gradient Descent
○ back propagation …
● Pas mal de math
● C'est un vieux sujet mais tellement de
choses à faire

94. ● Mooc enregistré avec sa
webcam, dans un placard

95. Udacity

96. NanoDegree

97. Bilan des MOOC

98. 3. Ressources & Tips

103. Overfitting !

105. Siraj Raval

107. Pocket

108. CS231 - Stanford

111. Learning how to learn

112. https://medium.com/@Maxime_

113. Speed x1.25

114. 3. Ressources & Tips
● Kaggle
● Veille
● Youtube
● Communauté de DataScience

115. 3. Ressources & Tips
LAST BUT NOT
LEAST

117. Leonardo

118. Leonardo
Alexia

119. Leonardo
Alexia
Ivan

120. Leonardo
Alexia
Ivan
Sam Hee

122. 1. My journey
2. Mooc
3. Ressources & Tips

125. https://jeanjo.xyz

127. @Maxime_Pawlak