Mettez en place un système de veille informationnelle. Vous débutez votre carrière ou bien travaillez depuis plusieurs années déjà… ce cours vous concerne tout autant !
La veille, c'est ce qui permet de rester à jour sur un ou plusieurs sujets, que l'on débute ou que l'on ait des années d'expérience derrière soi. Si vous vous êtes retrouvé ici, c'est que vous avez à cœur d'exercer votre métier du mieux possible. Et c'est une excellente nouvelle, car cette volonté est puissante : elle vous donnera l'impulsion au jour le jour pour apprendre sur de nouveaux sujets, pour consolider et développer des compétences clés, valorisées dans le monde du travail d'aujourd'hui et de demain.
Je vous y présente d'abord comment démarrer efficacement une veille, en analysant vos besoins d'aujourd'hui. Ensuite, je ferai un tour des outils qui peuvent vous aider à faire de la veille, sans y consacrer trop de temps. Initiez-vous à la gestion de projet agile. Bonjour et bienvenue dans ce cours !
Je suis Arnaud, facilitateur agile et formateur aux métiers du numérique. Aujourd'hui, je vais vous partager ma passion pour la gestion empirique de projets informatiques. En gestion de projet, vous pouvez éprouver des difficultés à maintenir la motivation de votre équipe. C’est encore plus difficile lorsque le projet change soudainement en cours de réalisation. Pas de panique ! Réussir le Changement - Accueil. Concevez l'architecture d'un système. Vous avez envie d'en savoir plus sur le métier d'architecte système ?
Réalisez des reportings et des budgets pour convaincre. Entraînez votre premier k-NN - Initiez-vous au Machine Learning. OK, on peut maintenant passer aux choses sérieuses !
Les données et la problématique D'abord, parlons du jeu de données que nous allons utiliser. C'est un dataset très célèbre, appelé MNIST. Il est constitué d'un ensemble de 70000 images 28x28 pixels en noir et blanc annotées du chiffre correspondant (entre 0 et 9). L'objectif de ce jeu de données était de permettre à un ordinateur d'apprendre à reconnaître des nombres manuscrits automatiquement (pour lire des chèques par exemple). Notre objectif sera donc d'entraîner un modèle qui sera capable de reconnaître les chiffres écrits sur ce type d'images. From sklearn.datasets import fetch_openml mnist = fetch_openml('mnist_784', version=1) Le dataset peut prendre un certain temps à se charger, soyez patients. L'objet mnist contient deux entrées principales, data et target. . # Le dataset principal qui contient toutes les images print (mnist.data.shape) # Le vecteur d'annotations associé au dataset (nombre entre 0 et 9) print (mnist.target.shape)
Mettez en œuvre les différents types de relations à l'aide des clés étrangères - Modélisez et implémentez une base de données relationnelle avec UML. Vous vous souvenez des trois catégories d'associations que je vous ai présentées dans un des chapitres précédents ?
Un à un (one-to-one)un à plusieurs (one-to-many) ou plusieurs à un (many-to-one) :plusieurs à plusieurs (many-to-many) : Eh bien, nous avons désormais tous les ingrédients pour les mettre en œuvre. L'association un à un (one-to-one) L'association un à un (one-to-one) est une association qui possède 1 comme cardinalité maximum de part et d'autre de celle-ci. Si je reprends l'exemple de l'association Conducteur / Voiture : Un conducteur conduit une et une seule voiture à la foisUne voiture n'est pas conduite (en stationnement) ou conduite par un seul conducteur à la fois Sa mise en œuvre correspond à celle que je vous ai montrée en exemple dans la section précédente avec la relation Motard / Moto.
Ici on peut considérer plus « naturel » de faire monter un conducteur dans une voiture que de mettre la voiture autour du conducteur :p. Découvrez le domaine de la Data Science - Initiez-vous au Machine Learning. Il existe un spectre assez large de problématiques que l'on peut résoudre en data science.
Mais vous pouvez aussi facilement en exclure un certain nombre, surtout si vous vous trouvez dans un milieu d'entreprise, avec des contraintes de temps fortes pour produire des résultats. Estimer la faisabilité d'un projet est toujours compliqué en data science, et il est normal que cela vous paraisse flou si vous débutez ! Ce n'est qu'en pratiquant, en développant votre propre expérience dans le domaine, que vous arriverez à affiner votre jugement et à redéfinir précisément des problématiques mal définies ou irréalistes, rentables ou non.
À la fin de ce cours, vous aurez déjà acquis quelques réflexes à ce sujet ! Une manière de préciser cette problématique en milieu professionnel, c’est de passer par une phase de prototypage qui permet de tester la viabilité et la solidité du projet. Pouvez-vous donner des exemples de problématiques “bien définies” ?
Bien sûr !