Introduction à la science des données Guide du débutant

Introduction à la science des données - Guide débutant

 

Vous n’avez pas vécu sous une pierre ces deux dernières décennies, donc vous pensez peut-être que vous savez, plus ou moins, ce qu’est la science des données. Vous espérez probablement obtenir un bref aperçu de ce qu’elle implique, apprendre ce dont vous avez besoin pour commencer à apprendre la science des données et obtenir un emploi.

Voici les points forts que cet article vous apportera:

  • Le point principal de la science des données: les données entrent, et les idées en sortent. Le travail d’un scientifique des données consiste à gérer ce processus de données à idées à chaque étape.
  • Les outils, technologies et compétences dont vous aurez besoin pour obtenir un emploi dans la science des données.
  • Le paysage général de la science des données en tant que carrière.

Si cela semble être ce que vous recherchez, plongeons-y.

 

Qu’est-ce que la science des données?

 

Comme je l’ai dit plus tôt, la science des données se résume le mieux à un processus de données à idées. En tant que scientifique des données, peu importe dans quelle entreprise vous vous trouvez, vous effectuerez des tâches telles que:

  • Extraction des données
  • Nettoyage ou traitement des données
  • Analyse des données
  • Identification de modèles ou tendances
  • Construction de modèles de prédiction et statistiques basés sur les données
  • Visualisation et communication des données

En bref, vous résolvez des problèmes, faites des prédictions, optimisez des processus et guidez la prise de décision stratégique.

Parce que très peu d’entreprises ont une compréhension précise de ce qu’un scientifique des données fait exactement, vous aurez probablement d’autres responsabilités également. Certains employeurs s’attendent à ce que les scientifiques des données ajoutent des responsabilités en matière de sécurité de l’information ou de cybersécurité à leur rôle. D’autres peuvent s’attendre à ce que les scientifiques des données aient une expertise en informatique en nuage, en gestion de bases de données, en ingénierie des données ou en développement de logiciels. Soyez prêt à porter de nombreux chapeaux.

Ce travail est important non pas parce que Harvard Business Review l’a qualifié de métier le plus sexy du XXIe siècle, mais parce que les données augmentent en volume et que très peu de personnes savent comment les transformer en idées. En tant que scientifique des données, vous voyez la forêt à travers les arbres.

Volume de données/informations créées, capturées, copiées et consommées dans le monde de 2010 à 2020, avec des prévisions de 2021 à 2025

 

 

Concepts clés en science des données

 

Maintenant que vous avez une vue d’ensemble, examinons certains des concepts clés en science des données. Si vous pouvez imaginer ce processus de données à idées, j’identifierai où chaque concept clé intervient.

 

Manipulation des données

 

Au tout début de ce processus, vous avez un ensemble de données, de qualité mixte. Il y a une statistique célèbre (et incorrecte) selon laquelle les scientifiques des données passent 80% de leur temps à nettoyer les données. Bien que ce chiffre ne soit probablement pas aussi élevé, la construction de tunnels et la manipulation des données font partie intégrante du travail.

Imaginez que vous êtes un scientifique des données pour une entreprise de commerce électronique. Là, la manipulation des données pourrait impliquer le nettoyage et la transformation des données de transaction des clients, la fusion et la conciliation des données provenant de différentes sources telles que l’analyse du site Web et les systèmes de gestion de la relation client (CRM), ainsi que la manipulation des données manquantes ou incohérentes.

Vous devrez peut-être normaliser les formats, supprimer les doublons ou les NaN, et traiter les valeurs aberrantes ou les entrées erronées. Ce processus garantit que les données sont précises, cohérentes et prêtes pour l’analyse.

 

Exploration des données et visualisation

 

Une fois que les données ont été maîtrisées, vous pouvez commencer à les examiner. Vous pourriez penser que les scientifiques des données commencent immédiatement à appliquer des modèles statistiques aux données, mais la vérité est qu’il existe trop de modèles. Tout d’abord, vous devez comprendre le type de données que vous avez. Ensuite, vous pouvez rechercher des idées et des prédictions significatives.

Par exemple, si vous êtes un scientifique des données chez GitHub, l’exploration des données consisterait à analyser l’activité et l’engagement des utilisateurs sur la plateforme. Vous pourriez examiner des métriques telles que le nombre de validations, les demandes de tirage et les problèmes, ainsi que les interactions et les collaborations des utilisateurs. En explorant ces données, vous comprenez comment les utilisateurs interagissent avec la plateforme, identifiez les dépôts populaires et découvrez les tendances dans les pratiques de développement de logiciels.

Et comme la plupart des humains analysent mieux la signification des images que celle des tableaux, la visualisation des données est également incluse dans l’exploration des données. Par exemple, en tant que data scientist GitHub, vous pourriez utiliser des graphiques linéaires pour montrer le nombre de commits au fil du temps. Des graphiques à barres pourraient être utilisés pour comparer la popularité de différents langages de programmation utilisés sur la plateforme. Des graphes de réseau pourraient illustrer les collaborations entre utilisateurs ou entre dépôts.

 

 

Analyse statistique

 

À ce stade du pipeline de la science des données, vous avez couvert les deux tiers initiaux. Les données sont là, vous les explorez. Maintenant, il est temps de tirer des enseignements. Enfin, vous êtes prêt à appliquer des analyses statistiques à vos chiffres.

Imaginons que vous êtes un data scientist dans une entreprise comme Hello Fresh. Vous pourriez utiliser des analyses statistiques comme la régression linéaire pour comprendre les facteurs qui influencent la fidélité des clients, des algorithmes de regroupement pour segmenter les clients en fonction de leurs préférences ou de leur comportement, ou des tests d’hypothèses pour déterminer l’efficacité des campagnes marketing. Ces analyses statistiques aident à découvrir des relations, des motifs et des résultats significatifs au sein des données.

 

Apprentissage automatique

 

La chose intéressante à propos des data scientists est qu’ils prédisent l’avenir. Visualisez le pipeline des données aux informations. Vous avez des informations sur la façon dont les choses se sont passées dans le passé et maintenant. Mais votre patron pourrait vouloir demander : que se passe-t-il si nous ajoutons un nouveau produit à notre offre ? Que se passe-t-il si nous fermons le lundi ? Que se passe-t-il si nous convertissons la moitié de notre flotte en véhicules électriques ?

En tant que data scientist, vous regardez dans votre boule de cristal et créez des prédictions intelligentes en utilisant l’apprentissage automatique. Par exemple, disons que vous êtes un data scientist dans une entreprise de logistique comme FedEx. Vous pourriez utiliser des données historiques d’expédition, des données météorologiques et d’autres variables pertinentes pour développer des modèles prédictifs. Ces modèles peuvent prévoir les volumes d’expédition, estimer les délais de livraison, optimiser la planification des itinéraires ou prédire les retards potentiels.

En utilisant des algorithmes d’apprentissage automatique tels que la régression, l’analyse de séries temporelles ou les réseaux neuronaux, vous pourriez prédire l’impact de l’ajout d’un nouveau centre de distribution sur les délais de livraison, simuler les effets de différents changements opérationnels sur les coûts d’expédition, ou prévoir la demande des clients pour des services d’expédition spécifiques.

 

Communication et intelligence économique

 

Le concept le plus important en science des données n’est pas l’apprentissage automatique ou le nettoyage des données. C’est la communication. Vous présentez ces informations aux décideurs de votre entreprise qui ne connaissent pas les réseaux neuronaux ou les algorithmes de renforcement du gradient. La communication et l’acuité commerciale sont donc deux concepts clés en science des données.

Imaginez que vous êtes un data scientist dans une entreprise comme Meta. Vous venez de découvrir une corrélation significative entre les mesures d’engagement des utilisateurs et les taux de fidélisation des clients, mais vous devez la partager avec un vice-président du marketing qui n’est pas familier avec le concept de “signification statistique”. Vous devez également connaître la valeur à vie du client (CLV) pour pouvoir expliquer la pertinence et l’importance de votre découverte.

 

Compétences essentielles pour les data scientists

 

Nous avons couvert les concepts clés en science des données. Maintenant, examinons les compétences essentielles que l’on attend de vous en tant que data scientist. J’ai abordé des compétences plus détaillées pour être data scientist ici si vous souhaitez en savoir plus.

 

Langages de programmation, requêtes de données et visualisation des données

 

Il est difficile de classer les compétences par ordre d’importance – les data scientists ont besoin d’un mélange de compétences, toutes aussi importantes les unes que les autres. Cela étant dit, s’il y a une compétence dont vous ne pouvez absolument pas vous passer, c’est la programmation.

La programmation se décompose en quelques facettes – vous avez besoin de langages de programmation, généralement R ou Python (ou les deux). Vous avez également besoin de langages de requête pour la récupération et la manipulation de données, tels que SQL (Structured Query Language) pour les bases de données relationnelles. Enfin, il est probable que vous deviez connaître d’autres langages ou programmes comme Tableau pour la visualisation des données, bien qu’il soit intéressant de mentionner qu’une grande partie de la visualisation des données se fait aujourd’hui avec Python ou R.

 

Mathématiques

 

Rappelez-vous les statistiques que j’ai mentionnées plus tôt ? En tant que data scientist, vous devez savoir faire des mathématiques. La visualisation des données ne va pas plus loin avant d’avoir une signification statistique réelle. Les compétences mathématiques critiques incluent :

  • Probabilité et statistiques : Distributions de probabilité, tests d’hypothèses, inférence statistique, analyse de régression et analyse de la variance (ANOVA). Ces compétences vous permettent de prendre des décisions statistiques fiables et de tirer des conclusions significatives à partir des données.
  • Algèbre linéaire : Opérations sur les vecteurs et les matrices, résolution de systèmes d’équations linéaires, factorisation de matrices, valeurs propres et vecteurs propres, et transformations de matrices.
  • Calcul différentiel : Vous devrez connaître des concepts tels que les dérivées, les gradients et l’optimisation pour entraîner, optimiser et ajuster les modèles.
  • Mathématiques discrètes : Sujets tels que la combinatoire, la théorie des graphes et les algorithmes. Vous utiliserez ces connaissances pour effectuer des analyses de réseau, des systèmes de recommandation et la conception d’algorithmes. C’est particulièrement important pour développer des algorithmes qui traitent des données à grande échelle.

 

Gestion des modèles

 

Parlons des modèles. En tant que data scientist, vous devez savoir comment construire, déployer et maintenir des modèles. Cela implique de s’assurer que les modèles s’intègrent parfaitement à l’infrastructure existante, de prendre en compte les problèmes de scalabilité et d’efficacité, et d’évaluer en continu leurs performances dans des scénarios réels.

En termes de technologie, cela signifie que vous devez vous familiariser avec :

  • Bibliothèques d’apprentissage automatique : Celles-ci incluent scikit-learn en Python, TensorFlow, PyTorch ou Keras pour l’apprentissage profond, et XGBoost ou LightGBM pour le renforcement de gradient.
  • Frameworks de développement de modèles : Des frameworks tels que Jupyter Notebook ou JupyterLab pour le développement interactif et collaboratif de modèles.
  • Plateformes cloud : Pensez à Amazon Web Services (AWS), Microsoft Azure ou Google Cloud Platform (GCP) pour déployer et mettre à l’échelle des modèles d’apprentissage automatique.
  • Apprentissage automatique automatisé (AutoML) : Google AutoML, H2O.ai ou DataRobot automatisent le processus de construction de modèles d’apprentissage automatique sans codage manuel approfondi.
  • Déploiement et mise à disposition de modèles : Docker et Kubernetes sont couramment utilisés pour empaqueter et déployer des modèles en tant que conteneurs. Ils permettent de déployer et de mettre à l’échelle des modèles dans différents environnements. De plus, des outils tels que Flask ou Django en Python vous permettent de créer des API Web pour servir des modèles et les intégrer dans des systèmes de production.
  • Suivi et évaluation des modèles : Prometheus, Grafana ou la pile ELK (Elasticsearch, Logstash, Kibana) pour l’agrégation et l’analyse des journaux. Ces outils aident à suivre les métriques des modèles, à détecter les anomalies et à s’assurer que les modèles continuent de bien fonctionner avec le temps.

 

Communication

 

Jusqu’à présent, nous avons abordé les compétences “techniques”. Maintenant, réfléchissons aux compétences “relationnelles” dont vous aurez besoin. Comme je l’ai mentionné dans la partie “concepts”, une compétence essentielle dont vous avez besoin est la communication. Voici quelques exemples du type de communication que vous devrez faire en tant que data scientist :

  • Récit des données : Vous devez être capable de transformer des concepts techniques complexes en récits clairs, concis et convaincants qui résonnent avec votre public, en expliquant notamment la signification de votre analyse et ses implications pour la prise de décision.
  • Visualisation : Oui, la visualisation des données a sa propre section dans les compétences de communication. En plus des compétences techniques pour créer un graphique, vous devez également savoir quand, quel type et comment parler de vos visualisations de données.
  • Collaboration et travail d’équipe : Aucun data scientist ne travaille en vase clos. Vous collaborerez avec des ingénieurs de données, des analystes d’affaires et des experts du domaine. Pratiquez vos compétences d’écoute active et de retour constructif.
  • Gestion des clients : Ce n’est pas le cas de tous les data scientists, mais parfois vous travaillerez directement avec des clients ou des parties prenantes externes. Vous devez développer de solides compétences en gestion de clients, notamment en comprenant leurs besoins, en gérant les attentes et en fournissant des mises à jour régulières sur l’avancement du projet.
  • Apprentissage continu et adaptabilité : Enfin, vous devez être prêt à apprendre de nouvelles choses régulièrement. Restez à jour avec les dernières avancées dans le domaine et soyez ouvert à l’acquisition de nouvelles compétences et connaissances selon les besoins.

 

Compétences en gestion d’entreprise

 

Cela revient à savoir pourquoi un chiffre est important dans le contexte de votre entreprise. Par exemple, vous pourriez constater qu’il existe une relation hautement significative entre les achats d’œufs le dimanche et la météo. Mais pourquoi cela importe-t-il pour votre entreprise ?

Dans ce cas, vous pourriez analyser plus en détail et découvrir que l’augmentation des achats d’œufs le dimanche est corrélée avec un temps ensoleillé, ce qui indique que les clients sont plus susceptibles de participer à des activités de plein air ou d’organiser des brunchs par beau temps. Cette insight pourrait être utilisée par un supermarché ou un restaurant pour planifier leur inventaire et leurs activités promotionnelles en conséquence.

En reliant les points entre les schémas de données et les résultats commerciaux, vous pouvez fournir des orientations stratégiques et des recommandations concrètes. Dans l’exemple donné, cela pourrait impliquer l’optimisation des campagnes marketing pour les produits liés aux œufs pendant les week-ends ensoleillés ou l’exploration de partenariats avec des restaurants proposant des brunchs.

 

Workflow de la science des données

 

Que fait un scientifique des données ? Pour avoir une idée, examinons les étapes typiques d’un projet de science des données : la formulation du problème, la collecte de données, le nettoyage des données, l’analyse exploratoire des données, la construction du modèle, l’évaluation et la communication.

Je vais illustrer chaque étape avec un exemple : pour le reste de cette section, imaginez que vous travaillez en tant que scientifique des données pour une entreprise de commerce électronique et que l’équipe marketing de l’entreprise souhaite améliorer la fidélisation des clients.

 

1. Formulation du problème :

 

Cela signifie que vous comprenez l’objectif commercial, clarifiez l’énoncé du problème et définissez les principaux indicateurs pour mesurer la fidélisation des clients.

Vous chercherez à identifier les facteurs qui contribuent à l’attrition des clients et à développer des stratégies pour réduire les taux d’attrition.

Pour mesurer la fidélité des clients, vous définissez des indicateurs clés tels que le taux d’attrition des clients, la valeur à vie des clients (CLV), le taux de rachat ou les scores de satisfaction des clients. En définissant ces indicateurs, vous établissez un moyen quantifiable de suivre et d’évaluer l’efficacité de vos stratégies visant à améliorer la fidélisation des clients.

 

2. Collecte de données

 

Rassemblez des sources de données pertinentes, telles que l’historique des achats des clients, les informations démographiques, les interactions sur le site web et les commentaires des clients. Ces données peuvent être obtenues à partir de bases de données, d’API ou de sources tierces.

 

3. Nettoyage des données

 

Les données collectées contiennent très probablement des valeurs manquantes, des valeurs aberrantes ou des incohérences. À l’étape de nettoyage des données, vous prétraitez et nettoyez les données en traitant les valeurs manquantes, en supprimant les doublons, en traitant les valeurs aberrantes et en garantissant l’intégrité des données.

 

4. Analyse exploratoire des données (EDA)

 

Ensuite, obtenez des informations sur les données et comprenez leurs caractéristiques en visualisant les données, en examinant les résumés statistiques, en identifiant les corrélations et en découvrant des motifs ou des anomalies. Par exemple, vous pourriez découvrir que les clients qui effectuent des achats fréquents ont tendance à avoir des taux de fidélisation plus élevés.

 

5. Construction du modèle

 

Développez des modèles prédictifs pour analyser la relation entre différentes variables et la fidélisation des clients. Par exemple, vous pourriez construire un modèle d’apprentissage automatique tel que la régression logistique ou la forêt aléatoire pour prédire la probabilité d’attrition des clients en fonction de différents facteurs tels que la fréquence d’achat, les données démographiques des clients ou les métriques d’engagement sur le site web.

 

6. Évaluation

 

Évaluez les performances de votre modèle en utilisant des indicateurs tels que l’exactitude, la précision, le rappel ou l’aire sous la courbe ROC. Vous validez les modèles à l’aide de techniques telles que la validation croisée ou les divisions train-test pour garantir leur fiabilité.

 

7. Communication

 

Vous avez des résultats – partagez-les maintenant avec la classe. Dans le cadre de notre exemple, vous devrez être capable de parler intelligemment de vos résultats sur l’attrition des clients dans le contexte à la fois de l’entreprise pour laquelle vous travaillez et du paysage commercial plus large. Faites en sorte que les gens se soucient et expliquez pourquoi cette découverte particulière est importante et ce qu’ils devraient en faire.

Par exemple, après avoir analysé l’attrition des clients, vous pourriez constater une corrélation significative entre les scores de satisfaction des clients et les taux d’attrition.

Lorsque vous partagez cela avec l’équipe marketing ou les cadres supérieurs, vous devrez communiquer efficacement les implications et les informations actionnables. Vous expliqueriez qu’en se concentrant sur l’amélioration de la satisfaction des clients grâce à un meilleur support client, des expériences personnalisées ou des promotions ciblées, l’entreprise peut atténuer l’attrition, fidéliser davantage de clients et finalement augmenter son chiffre d’affaires.

De plus, vous contextualiseriez cette découverte dans le paysage commercial plus large. Comparez les taux d’attrition de votre entreprise avec ceux de vos concurrents.

Voilà comment passer des lacs de données à une véritable contribution commerciale. En fin de compte, rappelez-vous que la science des données est itérative et cyclique. Vous répéterez les étapes individuelles de ce processus ainsi que l’ensemble du processus en cherchant à trouver des informations intéressantes, à répondre à des questions commerciales et à résoudre des problèmes pour votre employeur.

 

Applications de la science des données

 

La science des données est un domaine vaste. Vous pouvez trouver des scientifiques des données travaillant dans presque tous les secteurs, dans des entreprises de toutes tailles. C’est un rôle essentiel.

Voici quelques exemples concrets pour illustrer l’impact de la science des données dans la résolution de problèmes complexes :

  • Santé : Les data scientists analysent de grandes quantités de données médicales afin d’améliorer les résultats des patients et la prestation des soins de santé. Ils développent des modèles prédictifs pour identifier les patients à haut risque, optimiser les plans de traitement et détecter des schémas dans les épidémies de maladies.
  • Finance : Pensez à l’évaluation des risques, à la détection de fraudes, au trading algorithmique et à la gestion de portefeuille. Les data scientists développent des modèles qui aident à prendre des décisions d’investissement éclairées et à gérer les risques financiers.
  • Transport et logistique : Les data scientists optimisent la planification des itinéraires, réduisent la consommation de carburant, améliorent l’efficacité de la chaîne d’approvisionnement et prédisent les besoins en maintenance.
  • Commerce de détail et commerce électronique : Les data scientists analysent les données des clients, l’historique des achats, les habitudes de navigation et les informations démographiques pour développer des modèles qui favorisent l’engagement des clients, augmentent les ventes et améliorent la satisfaction des clients.

 

Commencer dans le domaine de la science des données

 

D’accord, c’est beaucoup d’informations. À ce stade, vous devriez avoir une compréhension claire de ce qu’est la science des données, de son fonctionnement, des outils et technologies avec lesquels vous devriez vous familiariser et de ce que fait un data scientist.

Regardons maintenant où étudier et pratiquer la science des données. Cela pourrait faire l’objet d’un article séparé, donc je vais mettre des liens vers des listes de ressources où vous pouvez commencer.

  1. Les meilleurs cours gratuits de science des données
  2. Les meilleures ressources d’apprentissage pour la science des données (livres, cours et tutoriels)
  3. Les meilleurs projets de science des données en Python pour les débutants
  4. Les meilleurs livres d’informatique
  5. Les meilleures pratiques de visualisation en science des données
  6. Où trouver des données pour vos projets de science des données
  7. Les meilleures plates-formes pour pratiquer des compétences clés en science des données
  8. Les meilleures communautés de science des données à rejoindre

En général, je vous recommande de faire ce qui suit :

  1. Faites une liste des compétences dont vous avez besoin, en utilisant cet article de blog et les descriptions de poste de data scientist.
  2. Commencez gratuitement pour acquérir les bases, puis recherchez de bonnes plates-formes payantes pour en apprendre davantage.
  3. Construisez un portfolio de projets et de bibliothèques.
  4. Entraînez-vous sur des plates-formes comme Kaggle et StrataScratch.
  5. Obtenez des certifications – certaines plates-formes comme LinkedIn offrent des certifications pour prouver que vous avez les compétences nécessaires.
  6. Commencez à postuler.
  7. Créez un réseau – rejoignez des communautés, des groupes Slack et des groupes LinkedIn, et participez à des événements.

À terme, prévoyez que le processus prendra du temps. Mais ça en vaudra la peine.

 

Opportunités d’emploi et parcours professionnel

 

Malgré les licenciements chez les FAANG, selon US News and World Report en 2022, les analystes de la sécurité de l’information, les développeurs de logiciels, les data scientists et les statisticiens figuraient parmi les 10 meilleurs emplois.

   

Le marché de l’emploi est toujours dynamique. Les entreprises veulent toujours et ont besoin de data scientists. Maintenant, si vous avez du mal à trouver un emploi en tant que data scientist, rappelez-vous que vous n’avez pas besoin de partir de zéro. Je vous recommande de commencer à un niveau plus junior et d’évoluer vers le poste au fil du temps. Vous pouvez toujours commencer en tant qu’analyste de données, ingénieur de données ou ingénieur en apprentissage automatique.

 

Conclusion

 

Il est difficile d’écrire une introduction à la science des données simplement parce que c’est un domaine immense, en pleine croissance, et de nouvelles technologies et outils sont ajoutés chaque jour. Si vous devez retenir quelques éléments de cet article, ce sont les suivants :

  • La science des données adopte une approche multidisciplinaire. Vous aurez besoin de compétences provenant de plusieurs domaines de connaissances, notamment les statistiques, l’apprentissage automatique, la programmation et l’expertise dans un domaine spécifique. Et l’apprentissage ne s’arrête jamais.
  • La science des données est itérative. Elle repose sur des processus, mais vous pouvez vous attendre à répéter, optimiser et mettre à jour vos processus au fur et à mesure de votre avancement. Le data scientist réussi et épanoui embrasse l’expérimentation.
  • Les compétences relationnelles sont essentielles. Vous ne pouvez pas seulement être un expert en Python ; vous devez communiquer vos résultats et vos insights à des parties prenantes non techniques à l’aide d’histoires, de chiffres et d’images.

J’espère que cela vous a donné un point de départ. La science des données est une carrière gratifiante et stimulante. Si vous apprenez les compétences et vous investissez, vous pourrez rejoindre ce domaine en un rien de temps.     Nate Rosidi est un data scientist et stratège produit. Il est également professeur adjoint d’analyse et fondateur de StrataScratch, une plate-forme aidant les data scientists à se préparer à leurs entretiens avec de vraies questions d’entretien des meilleures entreprises. Connectez-vous avec lui sur Twitter : StrataScratch ou LinkedIn.  

We will continue to update IPGirl; if you have any questions or suggestions, please contact us!

Share:

Was this article helpful?

93 out of 132 found this helpful

Discover more

AI

Ce bulletin d'information sur l'IA est tout ce dont vous avez besoin #69

Google s'est associé à des entreprises telles que Microsoft et Adobe pour annoncer qu'ils s'engageront à protéger les...

AI

Principal Financial Group utilise la solution AWS Post Call Analytics pour extraire des informations sur les clients omnicanal.

Une entreprise de services financiers établie depuis plus de 140 ans, Principal est un leader mondial de la gestion d...

AI

Des informaticiens de l'Université du Massachusetts Amherst ont développé Scalene un outil d'IA open-source pour accélérer de manière spectaculaire la programmation Python.

La popularité de Python a récemment explosé, grâce à sa convivialité et à ses nombreuses bibliothèques. Cependant, l&...