Maîtriser R et SQL

pour la Data Science

Si vous décidez de vous lancer dans l'univers de la Data, vous allez découvrir un nouvel univers stimulant, ouvert et rémunérateur :

• Les problématiques sur lesquelles vous allez travailler sont extrêmement diverses : 
  • Prévoir le nombre de ventes dans les mois futurs
  • Déterminer le meilleur moment pour faire une action
  • Analyser automatiquement des scanners pour déterminer des cancers
  • Trouver les meilleurs prospects pour une entreprise en partant de sa base de données
  • Prévoir le comportement des marchés financiers pour investir sur la bourse
  • Déterminer la meilleure offre d'assurance en fonction des caractéristiques de son client
  • ...
• Il est encore possible pour des autodidactes de percer dans cet univers : 
  • Les universités et les grandes écoles ne produisent pas assez de travailleurs pour pourvoir l'offre
  • Toutes les entreprises cherchent à valoriser leur data car elles savent qu'elles leur permettront de battre la concurrence. Même si elles n'ont pas encore commencé à déployer des processus basés sur la Data, elles ont conscience qu'il va falloir investir dans ce domaine
• Le salaire des data scientist est plus important que celui des autres postes digitaux (développeur front, back office, designer) à expérience égale : 
  • Il y a moins de candidats sur ces postes
  • De plus en plus d'industrie se rendent compte qu'elles ont besoin de Data Scientist pour devenir plus compétitifs et gagner des parts de marché

La Data Science n'est pas une technologie comme les autres. Elle ne permet pas simplement de mieux communiquer ou de mieux travailler comme le fait internet. Elle permet de prévoir l'avenir sur une problématique dédiée et à partir de cette prévision de prendre des décisions.

Cette caractéristique permet non seulement de simplifier le travail des personnes utilisant la Data Science mais à moyen terme de purement et simplement les remplacer, et cela dans tous les domaines.

Il n'y aura bientôt plus que 3 types de personnes :

• Les personnes qui diront aux ordinateurs comment raisonner et comment fonctionner
• Les personnes qui devront raisonner et faire ce que les ordinateurs leur diront
• Les personnes qui n'auront pas de travail

Vous savez que la Data Science va changer la société. Mais vous avez peur de sauter le pas. Vous vous dites que ce n'est pas pour vous. Vous vous dites que c'est trop compliqué. Vous vous dites que vous n'avez pas les compétences en mathématiques, que vous ne savez pas programmer, que votre métier n'a rien à voir avec ce métier qui vous semble si compliqué.

Cette peur qui vous paralyse, vous n'êtes pas la seule à la ressentir. En effet de très nombreuses personnes la ressentent et n'osent pas se tourner dans cette voix. Or cette peur est basée sur des présupposés totalement faux une fois qu'on a commencé à s'intéresser au domaine.

En effet pour être Data Scientist, il n'y a pas besoin d' :

• Etre excellent en mathématiques. En fait, un Data scientist fait très peu de mathématiques compliquées. Tous les algorithmes qu'il utilise sont en effet masqué par des objets informatiques qui cachent la complexité théorique. Vous n'avez à qu'à comprendre quoi utiliser à quel moment. Mais vous n'aurez jamais à faire ces opérations mathématiques par vous-même. Vous utiliserez des boites à outils qui le feront pour vous. Il vous faut seulement apprendre à utiliser ces boites à outils. 
• Etre excellent programmeur. Un Data Scientist code en effet 80% du temps. Mais le type de script qu'il développe est beaucoup plus simple qu'un vrai développement informatique. Il n'est jamais question de classes, d'objets, d'héritage, de programmations fonctionnelles, ... Il s'agit de code simple utilisant des programmes disponibles qui sont spécialisés dans le traitement de la données

En 2016 a commencé mon périple dans le monde merveilleux de la Data. Après avoir passé plusieurs années comme chef de projet, je décide de changer de vie en me positionnant sur un poste de Data Scientist, poste pour lequel je n'avais aucune compétence de base. Je savais certes programmer, mais je n'avais jamais fait de Python ni de R depuis plusieurs années. J'avais certes un petit bagage mathématiques, mais je n'avais pas pratiqué cette discipline depuis près de 6 ans.

J'ai réussi à convaincre mes employeurs de ma capacité à monter en compétence très rapidement pour être opérationnel en 3 mois. 3 mois est pour moi le parfait timing pour :

• Ingurgiter le maximum de données 
• Tester le maximum de code
• Se lancer dans des projets prometteurs pour valider ces connaissances d'un point de vue globale

Il y a, sur le marché, 2 grands types de formation :

• Les formations de type MOOC, qui peuvent être gratuits ou payants et qui sont basés sur des vidéos et des exercices en ligne. Le point positif de ces formations est qu'on peut les faire où l'on veut et quand l'on veut. Le point négatif est qu'on ne peut que très rarement poser des questions avec le formateur. On peut donc se retrouver facilement bloqué par une notion qu'on n'a pas comprise. Ces formations sont 
  • Soit totalement gratuits, qu'on trouve sur Youtube
  • Soit gratuits, avec une option de certification payante, par exemple sur Coursera ou sur OpenClassRoom qui coûte 500 euros par mois
  • Soit payant sur Udemy ou Udacity, qui coute entre 150 et 1300 euros
• Les formations en présentiel où un professeur vient et présente à un groupe d'élèves les notions à apprendre et leur demande de faire des exercices. L'avantage est d'avoir un accès privilégié au formateur. L'inconvénient est que cet accès est très court dans le temps, le prix de ces formations est prohibitif et qu'il faut bloquer des jours pour se former. Ces formations sont données par des 
  • Ecoles d'ingénieur, comme Telecom Paris et qui coûte plus de 10 000 euros
  • Startups spécialisées comme Jedha qui coûte 4500 euros

Moi j'ai personnellement eu la chance de pouvoir faire les 2 : j'ai dépensé des milliers d'Euros pour pouvoir me former en continue sur le Web mais aussi avec des data scientistes sur des jours dédiés.

Et j'en suis venu à la conclusion qu'il y a une meilleure méthode pour se former à la Data Science qui permettrait :

• D'apprendre à son rythme
• D'avoir accès à un professeur lorsqu'on en a besoin
• De pouvoir travailler de n'importe où

Et à un prix compétitif

Ce que je vous propose est de réunir le meilleur des 2 mondes :

• Une formation qui vous permet d'étudier n'importe où, dans tous les pays, et n'importe quand, quand vous avez le temps
• Une formation qui vous laisse étudier à votre rythme
• Une formation qui vous permet de vous concentrer sur une notion à la fois et qui oblige à faire des choses par vous même pour vous prouvez que vous pouvez vous débrouiller seul
• Une formation où vous devez interagir avec un professeur tout au long de la formation pour : 
  • Valider que vous avez tout compris
  • Répondre à vos questions

Bref, une formation où on vous pousse à aller au bout et en vous donnant les moyens d'y arriver, et tout cela en 3 mois.