Data-scientist, suivant l'entreprise, ça peut vouloir dire beaucoup de choses.
Tu as des entreprises ou c'est très "analyste", tu écris assez peu de code ou du moins peu de code de production et pour le coup le niveau en stats demandé va être assez poussé (surtout à l'entretien je pense, après dans la vraie vie ça reste assez basique sauf cas particuliers).
Tu as des entreprises ou c'est très "recherche", tu écris des poc et tu files l'implémentation à une équipe de dev. La il vaut mieux avoir un profile recherche pour pouvoir s'enfiler des articles pointus (ça pique), coder rapidement qqch et l'expliquer un peu aux devs.
Tu as des entreprises ou c'est très "développeur orienté machine learning". Là un bon niveau de développement, infra, bref savoir comment ça marche en dessous est un gros plus et ton parcours peut s'y vendre bien. Tu as moins besoin de comprendre précisément les maths en dessous mais de bien connaître ta boîte à outils d'algorithmes et d'être assez à l'aise dessus pour les intégrer, en proposer d'autres par dessus...
Dans les autres métiers, tu as "data engineer" qui est un peu à cheval et ressemble à ce que tu as fait. Ca va être à toi de travailler sur les données de l'entreprise, mettre un ETL propre, faire des jobs batchs/hadoop... Tu es souvent un peu plus loin du machine learning, y a beaucoup de 'plomberie' mais ça peut aussi être une étape, genre "je fais data engineer pour commencer mais vous m'orientez ML au fur et à mesure".
Les recruteurs peuvent être ouverts à des profils originaux, mais en général de ce que j'ai vu c'est un peu dans l'autre sens. Des non informaticiens traitant déjà beaucoup de données qui deviennent informaticien (par exemple des chimistes, des physiciens, des économistes...)
# C'est un métier assez vague
Posté par Fulgrim . En réponse au message [Métiers] Data ?. Évalué à 2.
Data-scientist, suivant l'entreprise, ça peut vouloir dire beaucoup de choses.
Tu as des entreprises ou c'est très "analyste", tu écris assez peu de code ou du moins peu de code de production et pour le coup le niveau en stats demandé va être assez poussé (surtout à l'entretien je pense, après dans la vraie vie ça reste assez basique sauf cas particuliers).
Tu as des entreprises ou c'est très "recherche", tu écris des poc et tu files l'implémentation à une équipe de dev. La il vaut mieux avoir un profile recherche pour pouvoir s'enfiler des articles pointus (ça pique), coder rapidement qqch et l'expliquer un peu aux devs.
Tu as des entreprises ou c'est très "développeur orienté machine learning". Là un bon niveau de développement, infra, bref savoir comment ça marche en dessous est un gros plus et ton parcours peut s'y vendre bien. Tu as moins besoin de comprendre précisément les maths en dessous mais de bien connaître ta boîte à outils d'algorithmes et d'être assez à l'aise dessus pour les intégrer, en proposer d'autres par dessus...
Dans les autres métiers, tu as "data engineer" qui est un peu à cheval et ressemble à ce que tu as fait. Ca va être à toi de travailler sur les données de l'entreprise, mettre un ETL propre, faire des jobs batchs/hadoop... Tu es souvent un peu plus loin du machine learning, y a beaucoup de 'plomberie' mais ça peut aussi être une étape, genre "je fais data engineer pour commencer mais vous m'orientez ML au fur et à mesure".
Les recruteurs peuvent être ouverts à des profils originaux, mais en général de ce que j'ai vu c'est un peu dans l'autre sens. Des non informaticiens traitant déjà beaucoup de données qui deviennent informaticien (par exemple des chimistes, des physiciens, des économistes...)