00:00 / 36:28
839
#1 Chapitre 1 : Introduction
#1
Chapitre 1 : Introduction
#2
Chapitre 2 : Présentation
00:49
#3
Chapitre 3 : La naissance et l'évolution de la boîte
01:43
#4
Chapitre 4 : La méthodologie pédagogique
05:04
#5
Chapitre 5 : La plateforme de skill assessment
08:08
#6
Chapitre 6 : Les différents profils d'apprenants
09:57
#7
Chapitre 7 : Comment apprendre les maths en ligne ?
13:52
#8
Chapitre 8 : Qui sont les profs de DataScientest ?
16:24
#9
Chapitre 9 : Persona type d'entreprises clientes
19:12
#10
Chapitre 10 : Comment rester au fait des tendances ?
23:29
#11
Chapitre 11 : La data pour piloter l'entreprise
28:07
#12
Chapitre 12 : La data pour tous
31:54
#13
Chapitre 13 : Écouter les spécialistes
33:19
#14
Chapitre 14 : Conclusion
34:42
#6 : Charles Sutton (CTO @ DataScientest) - La pédagogie de la data
Published on January 8, 2023
•Intelligence Artificielle - Data Driven 101 - Le podcast IA & Data 100% en français•Ils ont voulu développer une petite plateforme de test pour le recrutement en Data Science et ils ont fini par créer un énorme organisme de formation continue en data.
👉 Quelle place pour les autodidactes dans le monde de la Data ?
👉 Comment s’adapter efficacement aux profils très différents qui souhaitent se former ?
👉 Comment rester au courant des pratiques d’entreprise dans ce monde en constante évolution ?
Charles Sutton, CTO de DataScientest, est l’invité de Marc Sanselme dans l’épisode 6 de Data Driven 101.
Il nous partage le recul que lui offre sa position d’entrepreneur qui a vu passer plus de 7000 apprenants.
Définitions / références
Skill assessment : Évaluation de compétence (recrutement)
Python : langage de programmation
Coursera : plate-forme de cours en ligne
IT : technologie de l’information (ordinateurs, stockage, réseaux…)
B to B : business to business, commerce d’entreprise à entreprise
Boot camp : programme intensif
MOOC (Massive Open Online Course) : Cours en ligne via une plateforme
Notebook : interface de programmation très utilisée en Data Science
Computer Vision : Branche de l’algorithmique qui concerne le traitement des images et de leur signification
NLP (Natural Language Processing) : Branche de l’algorithmique qui concerne le traitement du texte et de sa signification
Flagship : Produit phare
Deep learning (réseaux de neurones profonds) : Type d’algorithme de Machine Learning
MLOps : Gestion de la maintenance, du déploiement et de l’utilisation en production des modèles de Machine Learning
ML engineering (Machine Learning Engineering) : Ingéniérie autour du Machine Learning
PhD : doctorat
BI (Business Intelligence) : Analyse de donnée destinée à une meilleure compréhension du business
Doers : « faiseurs » , ce qui font
Software: logiciel
PoC : Proof of Concept, Démonstration de faisabilité
Data Warehouse : Infrastructure de stockage des données sous forme structurées
Data Lake : Infrastructure de stockage des données sous forme non-structurées
BU : BUSINESS UNIT, sous partie d’une organisation dédiée à un marché spécifique
Power BI (Microsoft) : Logiciel de Business Intelligence
DBT : Logiciel de Data Engineering
Hébergé par Ausha. Visitez ausha.co/politique-de-confidentialite pour plus d'informations.
Powered by Ausha 🚀