Introduction:

Avec la numérisation, nous vivons une époque passionnante où les données affluent de partout (appareils mobiles, ordinateurs, etc.). Ces informations sont collectées, stockées et traitées afin de leur donner un sens. C'est-à-dire que ces informations sont utilisées pour prendre des décisions marketing, résoudre des problèmes complexes, réagir plus rapidement au changement et comprendre le monde qui nous entoure. Cependant, donner un sens à ces informations peut être subtil lorsque vous ne savez pas par où commencer ni comment vous y prendre ; Et c'est là que la science des données entre en jeu.

1.Definition

La science des données est l'utilisation de méthodes pour analyser des quantités massives de données et extraire les connaissances qu'elles contiennent. La science des données est une combinaison de connaissances analytiques en mathématiques et en statistiques, de connaissances en programmation informatique nécessaires pour travailler avec des données et d'un domaine d'expertise. Le domaine d'expertise est l'élément fondamental en science des données car sans cet élément on est appelé à être mathématicien, statisticien ou programmeur. Le data scientist est alors chargé d'analyser, de traiter, de modéliser les données puis de les interpréter pour une éventuelle prise de décision.

Les secteurs d'activité utilisant la data science dans la prise de décision ne font que croître, on peut ainsi citer :

• Les data scientists en marketing utilisent la régression logistique pour prédire et anticiper le taux de désabonnement (perte) de clients de votre produit ou service vers celui du concurrent ;
• Les ingénieurs en architecture utilisent l'apprentissage automatique pour optimiser l'efficacité énergétique dans la conception de bâtiments modernes ;
• Dans le domaine médicale, les data scientists travaillent sur la personnalisation des plans de traitement et l'utilisation de l'informatique de la santé pour prédire et anticiper les problèmes de santé futurs chez les patients à risque ;
• Dans le monde automobile, grâce à la technologie de conduite assistée, les informations recueillies auprès des véhicules sillonnant les villes sont utilisées pour améliorer leurs systèmes de navigation, connaître l'état de santé du véhicule, etc...;

Ces quelques exemples nous permettent de conclure que la science des données fait partie intégrante de notre avenir.

Les données sont importantes et pour les apprendre, nous devons connaître les différents types de données dont nous disposons.

2. Types de données

En science des données, il existe de nombreux types de données différents :

• Données structurées;
• Non structurées ;
• Données en langage naturel;
• Données générées par la machine ;
• Données basées sur des graphiques ;
• Audio, vidéo et images ;
• Streaming;

2.1 Structured data

Les données structurées sont des types de données qui sont formatées et dépendent d'un modèle prédéfini. Ils sont facilement traitables et accessibles par les humains et les ordinateurs. Ils sont généralement stockés dans une base de données et le langage de requête structuré est le moyen privilégié pour les gérer.

2.2 Données non structurées

Les données non structurées sont des données qui ne dépendent d'aucun modèle. Ils ne sont pas faciles à intégrer dans un modèle de données car le contenu est spécifique au contexte ou variable. Ils n'ont pas de règles ni de format et ne peuvent pas être facilement utilisés par les programmes.

2.3 Données en langage naturel;

Le langage naturel est un type particulier de données non structurées ; Elles concernent des données qui sont utilisées dans le NLP (Natural Language) qui est une branche de la science des données. Il permet aux ordinateurs d'analyser, de comprendre le langage humain et de générer des interactions, transformant les données brutes en conversation intelligente.

2.4 Données générées par la machine ;

Les données générées par la machine sont des informations créées automatiquement par un ordinateur, un processus, une application ou une autre machine sans intervention humaine. Les données générées par la machine deviennent une ressource de données majeure et continueront de le faire. Des exemples de données machine sont les journaux de serveur Web, les enregistrements des détails des appels.

2.5 Données basées sur des graphiques ;

Les données de graphe ou de réseau sont, en bref, des données qui se concentrent sur la relation ou la contiguïté des objets. Les structures de graphe utilisent des nœuds, des arêtes et des propriétés pour représenter et stocker des données graphiques. Les données basées sur des graphiques sont un moyen naturel de représenter les réseaux sociaux, et leur structure vous permet de calculer des métriques spécifiques telles que l'influence d'une personne et le chemin le plus court entre deux personnes.

2.6 Audio, vidéo et images ;

L'audio, l'image et la vidéo sont des types de données qui posent des défis spécifiques à un data scientist. Les tâches qui sont triviales pour les humains, telles que la reconnaissance d'objets dans des images, s'avèrent difficiles pour les ordinateurs.

2.7 Données en streaming (continu)

Bien que les données en continu puissent prendre presque toutes les formes précédentes, elles ont une propriété supplémentaire. Les données circulent dans le système lorsqu'un événement se produit au lieu d'être chargées dans un magasin de données dans un lot. Bien qu'il ne s'agisse pas vraiment d'un type de données différent, nous le traitons ici comme tel car vous devez adapter votre processus pour traiter ce type d'informations.

Nous connaissons donc maintenant les différents types de données et nous découvrirons ensuite les compétences dont nous avons besoin pour être des data scientists

3. Comment être un data scientist

De nos jours, certaines écoles proposent désormais des programmes spécialisés adaptés aux exigences pédagogiques pour poursuivre une carrière en data science, donnant aux étudiants la possibilité de se concentrer sur le domaine d'études qui les intéresse le plus, et dans un délai plus court. Certaines compétences sont nécessaires pour devenir data scientist :

• Statistiques
• Mathématiques
• Programmation informatique
• Apprentissage Automatique
• Manipulation et analyse des données
• Data Visualization
• L'apprentissage en Profondeur
• Compétences en communication
• Curiosité

C'est bon pour l'instant, alors devenons data scientist😉