Didier Gaultier, Directeur Data Science & IA (Business & Decision), identifie quatre difficultés principales auxquelles se heurtent souvent les projets Data Science, avec des pistes concrètes à mettre en œuvre pour les surmonter. 1. L'enjeu de la donnée « en silos » Il est très fréquent aujourd'hui que les données en entreprise soient « silotées »: chaque métier dispose de son propre système d'information (SI). Projet Data: Les 5 étapes cruciales by DataScientest. La donnée constituant la base du projet, il est crucial pour les entreprises de s'inscrire dans une démarche Data Centric en: Plaçant la donnée au centre du SI: construction de datalake/datahub; Disposant d'une équipe dédiée; Mettant en place une gouvernance des données. 2. Les prérequis et l'organisation du projet Avant de pouvoir effectuer un cadrage du projet et lancer un éventuel pilote, deux prérequis sont essentiels. J-16 Roadshow Data Cloud 09 Juin 2022 | 08h30 – 14h00 Marseille S'inscrire Comprendre les enjeux métiers La bonne compréhension du métier et de ses problématiques doit être acquise.
Notre projet est une Application Web permettant une visualisation de données sur le comportement touristique au sein du réseau de transport parisien (focus sur le Métro). Pour cela, nous avons eu recours à une quantité massive de données provenant de sites de réseaux touristiques tels que Tripadvisor ou Panoramio, représentant des photos prises par des touristes… En analysant et visualisant les données proches des stations de Métro dans une approche Data Science, l'équipe a réussi à déterminer le comportement touristique dans Paris en fonction de différents facteurs comme la date et les saisons, la nationalité, le sexe et l'age. 10 projets de big data intéressants – Kaspersky Daily – | Blog officiel de Kaspersky. L'application permet aussi la visualisation des données sur les nouvelles lignes de Métro (15 à 18). Plus d'infos
Ce projet est réalisé dans le cadre d'un concours de Data Science organisé par la plateforme Kaggle. En effet Kaggle, organise des concours Internationaux sur le thème de la Data Science. Ce concours prend place de juin 2015 à juin 2016. Data science : une compétence en demande croissante. Plus de 936 équipes et 1209 candidats participent à ce concours international à but éducatifs pour les curieux de la data science. Pour participer à ce concours « Classification des Crimes à San Francisco », il nous a été nécessaire de générer des modèles de prédiction basé sur les différents types de délits, en utilisant des algorithmes de Machine Learning et plus particulièrement grâce au Deep Learning. SmartCube – Données des transports communs parisiens en temps réel Arthur ELIE (chef de projet) – Alan CHAN – Bruno LUCAS Le projet SmartCube a pour objectif de proposer une plateforme permettant la gestion et la mise en relation d'objets domotiques. La plateforme Jeedom est un logiciel open source qui facilite grandement cette gestion. Grâce à sa flexibilité et aux nombreux paramètres de personnalisation, chaque utilisateur peut créer sa propre domotique Jeedom.
#BitFeed #ITCenter — Intel® IT Center (@IntelITCenter) December 21, 2014 #8. À comprendre que nos langues respirent le bonheur Il s'avère que les langages du monde entier contiennent plus de mots positifs que de mots négatifs et qu'elles nous prédisposent donc au bonheur. #BigData finds human languages exhibit a clear positive bias – — Dave O'Donoghue (@storagesport) February 10, 2015 #9. Â ce que le sport soit encore plus intéressant Les entraineurs sportifs d'élite utilisent les big data pour développer des stratégies, des programmes d'entrainement spéciaux, des programmes alimentaires adaptés, et une interaction encore meilleure avec les fans des sportifs dans l'objectif d'obtenir de meilleurs résultats sur le terrain. How #BigData is changing #basketball: – helps coaches determine how players perform. — Antivia (@Antivia) March 29, 2015 #10. À améliorer les conditions de travail Les chefs savent tout. Ou du moins, ils sauront lorsque l'un de leurs employés est sur le point de quitter l'entreprise – puisque les big data leur diront.
Pour cela, vous pouvez tout d'abord effectuer des ateliers de Design Thinking par exemple qui ont pour objectif de faire ressortir des besoins. Toutes les techniques de Mind Mapping par exemple sont très utiles pour voir les différentes problématiques qui se posent dans l'entreprise par exemple. Bien sûr, il en existe bien d'autres et si cela vous intéresse n'hésitez pas à aller consulter des blogs d'experts en la matière comme la French Future Academy. En tous cas, l'objectif est que les équipes métiers, au cœur du réacteur fasse ressortir un problème à résoudre qu'ils vont pouvoir exposer par la suite. Une fois que le problème à résoudre est défini, il est temps que les équipes métiers et les équipes Data se réunissent et discutent. Les équipes métiers devront expliquer clairement leur besoin aux équipes Data qui vont, elles, s'occuper de le comprendre et de déterminer les technologies à mettre en place. Elles vont aussi déterminer la faisabilité du projet avant toute chose car il arrive très souvent que les projets Data se heurtent à d'autres problématiques annexes.
4. Sélectionner et entraîner un modèle Une fois vos données prêtes vous pouvez vous lancer dans la modélisation. Scikit-Learn met à disposition un multitude de méthodes de régression, de classification et d'ensemble. Le choix du modèle est évidemment à réaliser en fonction de la problématique donnée. Il sera sans doute nécessaire de vous replonger dans la première étape en élucidant la question sur la nature du problème. Ensuite évidemment il n'existe pas un unique algorithme de régression ou de classification. Vous avez deux possibilités: Tous les tester et prendre le plus performant (Sans doute trop coûteux) Arbitrer sur celui à tester en fonction de vos données et des ressources à disposition Une fois que vous avez choisi votre modèle se posera la question du paramétrage: comment optimiser les paramètres de l'algorithme pour limiter l'overfitting*? Envisager une recherche par quadrillage peut-être une solution mais elle peut se révéler également coûteuse en temps suivant vos ressources.