Data Science

Longtemps considéré comme la discipline reine alliant mathématiques appliquées et informatique dans l'industrie, l'optimisation combinatoire s'éclipse aujourd'hui dans l'ombre de son cousin le Machine Learning.Au lieu de considérer les deux sujets indépendamment, nous vous proposons par le biais de cet article, un exemple de contribution du Machine...

L'inférence causale permet d'analyser des données en allant au-delà des corrélations, pour mieux comprendre les liens de causalité et intervenir adéquatement.

En tant que développeur d’application embarquant une brique de Machine Learning notre  principal objectif est d’avoir une application utilisée qui fonctionne sans bogue.Une fois en production et utilisée, il faut anticiper ou identifier les bogues dans notre application et les résoudre au plus vite, afin de maintenir le service rendu et en tirer ré...

Élément clef en logiciel, la sécurité doit bien entendu être considérée en Machine Learning Delivery. Vos modèles une fois en production auront un impact réel sur les utilisateurs et l’organisation qui les ont produits, il est alors nécessaire que personne ne les manipule.

Les avis sur la mise en production du Machine Learning diffèrent. La Matrice Cynefin vous aide donc à prendre des décisions.

Les équipes développant des applications de Data Science investissent beaucoup d’énergie pour identifier et implémenter des métriques de monitoring pertinentes. Nous pensons qu’il est possible de capitaliser sur ce travail en proposant des fonctionnalités supplémentaires à nos utilisateurs afin de renforcer l’impact de nos applications.

Le but de cet article est de vous partager mon expérience de ce service, comment en tant que développeur je l’ai perçu et ce qu’il m’apporte. Je ne vais pas m’attarder sur les éléments profondément techniques de l'implémentation du dit service.Qu’est-ce que Github Copilot ?Github Copilot est la création de la société du même nom visant à améliorer ...

Cet article est le deuxième de la série Analyse de tendances des réseaux sociaux.Dans l'article précédent, nous avons présenté les bases méthodologiques pour analyser des tendances à partir de données de réseaux sociaux. Nous avons notamment expliqué l’importance de bien identifier la population de référence sur laquelle porte notre étude, et de bi...

Les données textuelles en grande quantité sont difficiles à traiter et à interpréter. Il est possible de leur faire dire une chose et son contraire, de telle sorte que des statistiques calculées sur du contenu de réseaux sociaux n’ont de fait aucune valeur si on ne comprend pas  la méthode par laquelle elles ont été obtenues. Dans son talk, Nicolas...

Introduction des auteurs et de l’initiativeDans le cadre des réflexions d’OCTO Technology sur les grands enjeux du monde de la data, Jean-Baptiste Larraufie consultant OCTO et Ming-Li Gridel Directrice Data science chez DataRobot ont amorcé une discussion sur l’évolution des structures data dans les entreprises.En tant que conseiller stratégique su...