Reconversion en data science

zestiria

Bonjour
Je voudrais me reconvertir en data science. Pour cela, il faudrait que j'apprenne à faire un modèle, à ajuster un réseau de neurones à des données.
Il y a des cours en ligne , ceux du master Mathématiques, Vision, Apprentissage,  ceux de Stanford, et d'autres aussi.
Et je me demande comment font ceux
- qui trouvent le bon réseau de neurones qui donner le bon modèle
- et dans les compétitions Kaggle, je vois ceux qui ont plein d'idées pour faire des modèles performants.
@vorobichek finalement, comment est-ce qu'on passe de la lecture de transparents sur le machine learning, au fait de pouvoir être employable ?
Merci.

nicolas.patrois

Regarde là :

Mais ne néglige pas pour autant la formation initiale en fac ou en école.

llorteLEG

Hello
Pour les réseaux de neurones, les vrais et bons modèles sont déjà faits (ex : Resnet 50). Il suffit de les prendre et de les adapter à notre sauce. C'est rare qu'on reparte de 0.

Ensuite la data science, c'est de l'entrainement (lol), y a quelques techniques de base à connaitre, les Kaggle te permettent de savoir quelle est la trame classique d'un problème de data science et comment le traiter.
Le plus important si tu veux être employable, c'est que tu saches (bien) coder en Python. Tu ne vas pas forcément entraîner des modèles H24 mais tu seras peut-être amené à coder des API ou à nettoyer des données.
Et comme d'habitude sur Kaggle il y a le biais "les solutions des kaggle les plus mises en avant sont par définition celes les mieux réalisées" 
Révise bien tes cours de stats et de proba, apprends à coder une petite régression logistique à la main et pourquoi pas ton propre réseau de neurones ? Il y a des tutos très bien faits sur le net.

OShine

T'en as déjà marre de l'éducation nationale ? 

zestiria

Il y a des modè-les en Natural Language Processign qui sont déjà disponibles comme Bert, et qu'il faut fine-tuner.
Je n'ai guère de pratique. Il y a des tutoriaux sur Internet, et je ne sais pas par où commencer.

i) Fastai ?
ii) Coursera ?

Je voudrai un cours et des exercices gratuits.

@OShine Je ne suis plus dans l'Education National depuis octobre.

Je vois les offres de travail actuelles, il faut faire du NLP ou de la computer vision, manipuler les transformers.  Pour avoir un travail, il faut vraiment être pointu.

Cyrano

Un conseil. Tu ne vas pas apprendre grand chose en autodidacte. De plus, un employeur rira intérieurement en voyant "s'est formé sur Coursera" dans ton CV. Je pense qu'il ne faut pas avoir le cul en deux chaises.

- Soit tu veux vraiment apprendre et tu refais un master en data-science. Avec ton double master maths/ds tu seras engagé à peu près instantanément.
- Soit tu la joues arrogant. Tu te pointes à des entretiens et tu expliques qu'avec ton diplôme en maths et ta passion pour l'informatique, tu pourras apprendre tout ce qu'il faut sur le tas. Après tout, tes études en maths t'ont apportées toutes les compétences intellectuelles nécessaires pour cela. A partir de là, tu te fais engager et tu te formes via l'entreprise. Au moins tu toucheras déjà un salaire et tu ne perdras pas ton temps. Je connais beaucoup de mathématiciens qui ont été engagés comme cela. 

raoul.S

Par curiosité j'avais suivi ce cours sur Coursera. J'ai appris pas mal de choses (que je commence à oublier... ) mais effectivement le cours seul ne suffit pas même s'il y a des exos pratiques. Je pense que ça aide pour la compréhension théorique mais ensuite il faudrait vraiment mettre beaucoup plus les mains dans le cambouis pour se faire une réelle expérience et tout seul il faut être doué pour cette deuxième étape.

zestiria

Oui, je vois beaucoup de personnes en emploi qui indiquent sur leur profil qu'ils ont suivi ces cours sur Coursera.
C'est un complément en plus de leur formation initiale.
Cela vient en plus de leur diplôme de master.

zestiria

Il y a des postes bien horribles en data sciences. Notamment j'ai vu un poste pour faire du reporting dans une institution financière.
Chaque semaine, il faut produire un rapport : c'est le résultat d'un code rébarbatif  d'extraction de données.
Le travail consiste à le suivre pas à pas et à le débugger. Et il faut le débugger parce que le rapport est attendu chaque semaine.
Cela doit être un calvaire chaque semaine.