competences data scientist

Voici toutes les compétences nécessaires pour devenir Data Scientist

En janvier dernier, le prestigieux site de recherche d'emploi Glassdoor a élu le travail de en première position de son top 25 des meilleurs métiers du monde. À travers cet article, découvrez les compétences nécessaires pour exercer cette profession au cœur du Big Data.

Chargé de la gestion, de l'analyse et de l'exploitation des données massives au sein d'une entreprise, le Data Scientist est l'évolution du Data Analyst à l'ère du Big Data. Selon l'étude menée par Glassdoor, le salaire annuel moyen d'un Data Scientist s'élève à 116 840 dollars.

Compte tenu de l'extrême spécialisation nécessaire pour exercer cette profession, les opportunités d'embauche sont nombreuses et largement supérieures à la quantité de profils qualifiés. Fin, janvier Glassdoor dénombrait ainsi 1736 offres d'emploi.

Vous souhaitez maîtriser les
techniques du ?

Vous souhaitez
maîtriser les techniques
du Machine Learning ?

devenez

Data Scientist

devenez

Data Scientist

À n'en point douter, le métier de Data Scientist est passionnant. Cependant, il s'agit également d'un poste à haute responsabilité, qui nécessite des prédispositions naturelles et une éducation de haut niveau. Voici les compétences indispensables pour espérer faire carrière dans ce domaine.

Comment devenir Data Scientist ? Formations et compétences requises

Comprendre les bases de la Data Science

Un Data Scientist doit impérativement maîtriser les fondamentaux de la science des données. De nombreux débutants font l'erreur d'appliquer les méthodes de Machine Learning sans en comprendre les bases.

Il s'agit d'une faute. L'expert doit pouvoir différencier le Machine Learning et le Deep Learning, et distinguer la Data Science de l'analyse métier et de l'ingénierie des données. Il doit aussi connaître les outils les plus couramment utilisés. Enfin, il sait distinguer les problèmes de régression et de classification, ainsi que l'apprentissage supervisé ou non supervisé.

Une formation en analyse de données

mathematiques-statistiques data scientist

Actuellement, 88 % des ont au moins un master, et 46 % d'entre eux ont un doctorat. Ce parcours éducatif semble nécessaire pour développer le niveau de connaissances requis pour cette profession.

La majorité des professionnels (32 %) ont une formation en mathématiques et en statistiques. 19 % ont étudié l'informatique et 16 % sont issus d'écoles d'ingénieurs.

Le fait de s'inscrire à un bootcamp de data scientist permet aux jeunes diplômés, aux professionnels et à ceux qui sont en cours de reconversion de renforcer leurs compétences.

En fait, le bootcamps de data science constitue un moyen utile d'acquérir rapidement des compétences en data science. Ce dernier se concentre sur les compétences commercialisables qui peuvent aider à décrocher rapidement un poste de scientifique des données au niveau d'entrée.

Des connaissances en statistiques

Il est essentiel pour un Data Scientist d'avoir au minimum des notions de calculs statistiques. Ces connaissances lui permettront de déterminer la bonne technique d'approche et d'analyse pour chaque donnée.

Les statistiques sont un concept essentiel pour la production de modèles de haute qualité, à la manière dont la grammaire permet de construire des phrases. Ils sont la fondation du Machine Learning.

Dans l'idéal, le professionnel doit connaître le concept de statistiques descriptives, avec notamment les moyennes, les médianes, la variance ou la déviation. Les différentes distributions de probabilités, les échantillons ou les statistiques inférentielles sont quelques-uns des autres concepts à maîtriser.

Le Big Data

Le Big Data et la Data Science sont deux notions à ne pas confondre, mais elles sont intimement liées. En réalité la science des données constitue la clé pour manipuler et exploiter les mégadonnées.

Nous générons désormais d'immenses volumes de données chaque jour, notamment suite à l'essor du web, des réseaux sociaux et de l'IoT. L'ère du Big Data a commencé, et beaucoup d'entreprises sont submergées par les données.

Un Data Scientist doit être capable de traiter et d'analyser les mégadonnées. Il doit savoir manier les outils et technologies permettant de faire face à ces volumes colossaux induisant de nouvelles contraintes en termes de stockage et de traitement. Parmi ces outils, on peut citer , , Storm, Flink et Hive.

La maîtrise des outils Big Data

Une connaissance approfondie d'au moins un outil analytique tel que SAS ou R est en général exigée. Pour la science des données, la préférence s'accorde principalement vers R, le langage informatique historique et normé pour l'analyse et l'exploration des données.

programmation data scientist

4 – Les langages de programmation

Les postes de Data Scientist requièrent la maîtrise d'au moins un langage de programmation. Le plus couramment employé est Python, mais il peut être remplacé par R, Java, Julia, Pearl ou C/C++.

En règle générale, Python est privilégié car il s'agit d'un langage généraliste avec de nombreuses bibliothèques dédiées à la Data Science. De son côté, R est un langage dédié à l'analyse statistique et à la visualisation de données. Julia rassemble le meilleur des deux mondes et se révèle plus rapide.

L'augmentation de la puissance de calcul des ordinateurs est la source de l'essor du Machine Learning, et les langages de programmation nous permettent de communiquer avec ces machines. Même s'il n'est pas nécessaire de devenir le meilleur programmeur au monde, un Data Scientist doit savoir les utiliser.

python data scientist

Savoir analyser et manipuler des données

Cela peut sembler évident, mais un Data Scientist doit être parfaitement à l'aise en manipulation et en analyse de données. Le  » Data Wrangling  » consiste à manipuler les données, à les nettoyer et à les transformer dans un format adapté à l'analyse. Cette étape est nécessaire pour simplifier l'analyse de données et améliorer ses résultats.

L'analyse de données, quant à elle, a pour but d'apprendre à partir des données. On utilise à cet effet Excel, SQL, ou Pandas sur Python. C'est le coeur du travail d'un Data Analyst, mais celui de Data Scientist va plus loin en utilisant le Machine Learning.

La Data Visualization

La Data Visualization consiste à présenter les résultats de l'analyse de données sous forme de graphiques, de diagrammes ou autres schémas. Ceci permet à l'audience d'interpréter les résultats bien plus facilement.

Il existe de nombreux outils pour mener cette tâche à bien. Les différents langages de programmation de Data Science tels que Python offre différentes bibliothèques permettant la création de graphiques avancés. On peut aussi citer des logiciels spécialisés tels que Tableau.

Le Machine Learning

Le Machine Learning est la compétence qui différencie réellement le Data Scientist du Data Analyst. Il est utilisé pour créer des modèles prédictifs, se basant sur les données du passé pour prédire les tendances futures.

Les différents algorithmes de Machine Learning comme les modèles de régression linéaire et logistiques permettent de résoudre divers problèmes. Un Data Scientist doit connaître le code de chacun de ces nombreux algorithmes, mais surtout la façon dont ils fonctionnent.

De cette manière, il est en mesure de choisir le bon modèle en fonction des problèmes à aborder. Il peut aussi configurer les hyperparamètres et réduire le taux d'erreur de son modèle.

Le Deep Learning

Le Deep Learning et les réseaux de neurones artificiels sont une sous-catégorie d', sur laquelle reposent de nombreuses innovations récentes comme les véhicules autonomes ou les vidéos DeepFakes.

L'essor de cette branche de l'IA est lié aux récents progrès réalisés en termes de capacités de stockage et de calcul informatique. Un Data Scientist moderne se doit d'avoir des notions dans ce domaine.

Pour maîtriser le Deep Learning, il est nécessaire de manier un langage de programmation tel que Python et de disposer de connaissances en algèbre et en mathématiques. Les bibliothèques comme TensorFlow, Keras et PyTorch sont aussi des outils incontournables.

La compréhension de l'algèbre linéaire et des fonctions de plusieurs variables

L'algèbre linéaire et les fonctions de plusieurs variables constituent la base de beaucoup de techniques de calculs statistiques et de machine learning. Même s'ils sont implémentés avec R ou sklearn, certaines entreprises dont le produit est dirigé par les données peuvent décider de développer leurs propres implémentations pour améliorer leurs algorithmes ou leurs performances prédictives.

L'utilisation d'Hadoop

Si certaines entreprises ne l'exigent pas, la maîtrise de la plateforme Hadoop est le plus souvent requise. De même, une expérience avec les outils de traitement Hive et Pig est un argument supplémentaire en vue d'un recrutement. Les outils de cloud comme S3 ont également leur importance.

La programmation en SQL

Hadoop et les bases de données NoSQL se sont largement imposés dans le domaine du Big Data. Toutefois, la plupart des recruteurs exigent des candidats la maîtrise de la programmation en SQL pour pouvoir formuler et exécuter des requêtes. D'ailleurs, le SQL tend à redevenir le langage prédominant dans le Big Data en 2016.

La gestion de données non structurées

Pour devenir Data Scientist, il est indispensable de savoir gérer des données non structurées en provenance des réseaux sociaux, ou encore des flux vidéo ou audio. Ces données sont le principal challenge du Big Data.

Il est également important de savoir traiter les données comportant des imperfections, telles que des valeurs manquantes ou des chaînes de format incohérentes. Cette compétence est particulièrement importante au sein des entreprises n'étant pas habituées à l'analyse de données.

L'ingénierie logicielle

data scientist

Au sein d'une petite entreprise peu accoutumée à la science des données, un Data Scientist doit avoir des compétences d'ingénieur logiciel. Celles-ci lui permettront notamment de prendre en charge le développement d'un produit dirigé par les données ou le data logging.

Des compétences en ingénierie logicielle sont indispensables au Data Scientist afin de créer des modèles de Machine Learning. Le professionnel doit connaître les bases du Software Engineering comme le cycle de vie d'un projet de développement.

Savoir écrire un code propre et efficace est très utile, et permet aussi de mieux collaborer avec les développeurs et le reste des équipes de l'entreprise. Des bases solides constituent un atout précieux.

Le déploiement de modèle

Souvent laissé de côté, le déploiement de modèle constitue pourtant une étape cruciale du Machine Learning. Il vise à permettre aux utilisateurs finaux d'utiliser le modèle, sans disposer de compétences techniques de Data Scientist.

En général, cette tâche de déploiement et de mise en production des modèles est prise en charge par le Machine Learning Engineer pouvant être perçue comme une évolution ou une spécialisation du Machine Learning. Le Data Scientist capable de déployer les modèles de Machine Learning apporte une immense valeur à son entreprise.

La curiosité intellectuelle

La curiosité intellectuelle est indispensable pour déceler les données les plus intéressantes et exploitables au sein d'un gigantesque volume de data. Pour mener à bien le travail de Data Scientist, il est nécessaire d'être créatif et de poser ses propres questions plutôt que de simplement répondre à celles qui se posent.

Le scientifique des données doit s'interroger sur les causes d'un événement et sur la manière dont il survient. Il doit s'interroger sur les conséquences possibles de chaque changement. L'interrogation perpétuelle est le  » soft skill  » le plus important du Data Scientist.

C'est cette curiosité qui lui permettra d'atteindre le but final du projet de Machine Learning, et de justifier les résultats de ses travaux. Elle lui permettra aussi de se tenir au courant des évolutions dans le domaine de la Data Science et de continuer à apprendre de jour en jour.

La narration

Les tableaux de données brutes ne parlent à personne. Pour transmettre et partager les résultats de ses analyses de données, un Data Scientist doit être capable de raconter une histoire sous forme de visualisation de données.

Les diagrammes et les graphiques sont des présentations interactives, compréhensibles par le cerveau humain d'une manière naturelle et intuitive. La narration est l'une des principales qualités du Data Scientist.

La pensée structurée

Les meilleurs Data Scientists sont en mesure de décomposer un problème en multiples parties afin de le résoudre plus efficacement. C'est ce que l'on appelle la pensée structurée.

Il s'agit d'une qualité très importante pour aborder les problèmes sous différents angles. Certains possèdent cette manière de penser de façon innée, mais il est aussi possible de la développer…

L'esprit d'un entrepreneur

Pour parvenir à exploiter le Big Data d'une entreprise, il est nécessaire de comprendre les problèmes à résoudre et les nouvelles possibilités que les données peuvent offrir. C'est pourquoi le Data Scientist doit comprendre le monde de l'entreprise en général et l'industrie à laquelle il est affilié plus particulièrement.

Le sens de la communication

d3js data scientist

Intégré au sein de l'entreprise, le Data Scientist doit impérativement être en mesure de communiquer ses découvertes techniques aux autres employés, des pôles marketing ou commerciaux par exemple. Son rôle est d'aider les décideurs à prendre les bonnes décisions, en leur fournissant les informations nécessaires.

Il doit également comprendre les problèmes des autres équipes et les aider à relever ces défis grâce à l'analyse des données. Pour ce faire, il est également important de maîtriser les outils de visualisation de données tels que ggplot ou d3.js.

En conclusion, les compétences requises pour un Data Scientist sont nombreuses et spécifiques. Avant de décider d'entreprendre une formation ou une carrière dans ce domaine, il est nécessaire de déterminer si vous avez, oui ou non, le profil d'un scientifique des données.

Vous souhaitez maîtriser les
techniques du Machine Learning ?

Vous souhaitez
maîtriser les techniques
du Machine Learning ?

devenez

Data Scientist

devenez

Data Scientist

Quelles sont les meilleures formations françaises pour devenir Data Scientist ?

En France, on compte actuellement une quarantaine de formations au métier de Data Scientists. Des masters universitaires, des mastères spécialisés, des Master of Science, des spécialisations de 3e année, et des MBA permettent d'accéder aux compétences nécessaires pour devenir Data Scientist.

On peut diviser ces formations en trois catégories principales. Tout d'abord, les cursus proposés par des écoles d'ingénieurs ou des universités scientifiques. L'Ensai, l'Ensae, Polytechnique, Télécom ParisTech, Télécom Nancy, CY Tech (EISTI), Epita, proposent toutes un programme de Data Science.

Les formations universitaires

En termes de formations universitaires, Reims-Champagne-Ardenne propose un Master Statistique pour l'évaluation et la prospective. Louis-Lumière Lyon-II offre un M2 Data Mining et parcours Business Intelligence et Big data. L'Université Dauphine propose un Executive Master Statistique et Big data. À l'UPMC, les étudiants peuvent obtenir un master et un certificat Data science. 

Un master Informatique-données à Nantes, un master Data Science à Nice-Sophia, et un master Big data et fouille de données à Paris-VIII. À elle seule, l'université Paris-Saclay réunit 45 formations de Data Sciences : 12 masters, 5 certificats, 8 spécialités d'ingénieurs, 4 MBA…

La deuxième catégorie est celle des écoles de management. Parmi les écoles proposant des MS, des MSc ou des spécialisations de troisième année, on compte Télécom EM, Neoma, HEC, Audencia, l'Inseec, l'Ieseg, l'ECE, l'ESC Rennes ou encore l'Essca, l'Ecole de management du pôle Léonard-de-Vinci et l'Institut de l'Internet et du multimédia.

La troisième catégorie est celle des formations conjointes ingénieurs-management. Parmi les établissements proposant de telles formations, on peut citer l'instar l'Essec et Centrale-Supélec, l'EPSI et l'Esilv.

Les instituts de formation spécialisés

Enfin, il existe également des organismes de formation spécialisés, à l'instar de DataScientest. Créée en 2015, DataScientest a su s'imposer comme le leader des formations en data science en France et l'un des acteurs majeurs en Europe. Plus de 30 groupes du CAC 40 font confiance à DataScientest pour le reskilling de leurs collaborateurs vers un métier de data scientist. 

Depuis 8 mois maintenant, la formation est ouverte aux particuliers au coût de 4495 €. Le succès est au rendez-vous et plus de quinze sessions sont proposées cette année dans les formats intensifs/bootcamps ou continus. Moyennant des frais supplémentaires, la formation peut être cocertifiée par la Sorbonne.

Quel est le salaire d'un Data Scientist ? Y a t-il beaucoup d'offres d'emploi ?

En 2017, le Big Data devrait continuer à dominer le de l'emploi américain. De nouveau, Glassdoor place les Data Scientists au sommet de sa liste des 50 meilleurs métiers. Viennent ensuite les ingénieurs DevOps et les Data Technicians.

Le métier de Data Scientist est considéré comme le mieux payé, le plus satisfaisant et le plus recherché. Le salaire moyen d'un Data Scientist américain s'élève à 110 000 dollars. En France, le salaire d'un débutant est en général compris entre 45000 et 50000 euros par an. Par ailleurs, malgré l'apparition de nombreuses formations, les entreprises peinent toujours à trouver des profils suffisamment qualifiés.

Le métier de Data Scientist risque t-il de disparaître ?

robotisation data scientist

Selon un rapport publié par Inc, plus de 40% des tâches effectuées par un Data Scientist seront automatisées d'ici 2020. Par conséquent, la productivité des Data Scientists va largement augmenter, au même titre que l'usage des données et des outils analytiques par les « citizen data scientists ».

Gartner définit les « citizen data scientists » comme des personnes qui créent ou génèrent des modèles en utilisant des outils de diagnostic avancés ou des outils prédictifs, mais dont la fonction principale n'est pas liée au champ des statistiques et de l'analytique. Ces personnes peuvent réduire l'écart les outils analytiques self-service utilisés par les entreprises, et les techniques analytiques avancées utilisées par les Data Scientists. Il est désormais possible d'effectuer des analyses pointues sans avoir besoin de compétences avancées.

La science des données est désormais un atout convoité par la plupart des entreprises, et c'est la raison pour laquelle les vendeurs de plateformes logicielles de données ou d'analyses cherchent en priorité à simplifier par l'automatisation de tâches variées telles que l'intégration de données et la création de modèles. Malgré tout, il est peu probable que le métier de Data Scientist soit remplacé par l'intelligence artificielle.

Vous souhaitez maîtriser les
techniques du Machine Learning ?

Vous souhaitez
maîtriser les techniques
du Machine Learning ?

devenez

Data Scientist

devenez

Data Scientist

Newsletter

Envie de ne louper aucun de nos articles ? Abonnez vous pour recevoir chaque semaine les meilleurs actualités avant tout le monde.

19 commentaires

19 Commentaires

  1. Article très intéressant merci!

  2. Bonjour; si vous etes un data scientst , est ce que je peux vous poser quelques questions ?

  3. Bonjour,

    Étant de formation purement informatique (Master II en technologie de l’information), j’aimerais m’orienter vers le Big Data.

    Cependant avant d’entamer des formations techniques j’aimerais me former sur les statistiques appliquées aux big data et éventuellement pouvoir lires des livres pour dégrossir le terrain.

    Auriez vous des conseils pour que je puisse acheter des livres sur les statistiques et sur le big data?

    J’en ai déjà trouvé pas mal mais beaucoup sont orientés sur une techno bien spécifique et considère que le lecteur possède déjà des bases.

    Merci de vos précieux conseils.

  4. Jean-François MARY

    Merci pour cet article que je découvre tardivement mais qui reste plus que jamais d’actualité. J’ajouterais une quatorzième compétence (à discuter) : la gestion de la dimension géographique (ou spatiale de manière plus abstraite) qui permet de prendre en compte l’environnement (pas facile à décrire statistiquement), les interactions, la distance-coût, l’analyse matricielle (contiguité)… qui peut contribuer à expliquer en complément des statistiques. D’ailleurs les cartouches spatiales comme PostGIS (extension de PostgreSQL) ou le « R-spatial » vont dans ce sens.
    Merci aussi pour les indications de formation. Le soucis restant à mon avis la formation continue pour ceux dont le métier évolue (administrateur de données, géomaticiens, ingénieur BI…). On peut aussi raisonner (pour les petites structures) à l’assemblage de compétences (informatique, géomatique, observatoires), au management et à la mutualisation.

  5. Bonjour, merci pour l’article, je voulais savoir est ce que le personnel médical pourrait devenir des data scientiste.

  6. Merci, cet article est très intéressant. Il va directement dans le cœur du sujet. Il vous montre les compétences que vous devez acquérir, les universités et les écoles où vous devez vous inscrire pour être data scientist et vous dit combien gagne un data scientist aux États unis et ainsi en France. Grâce à cet article on peut savoir si on veut faire ou pas ce métier. Merci

  7. Je suis étudiant en ingénierie système d’information. je suis tres interressé par le metier de Dat science je veux des conseils.
    J’espere qu’on a repondu a votre question que je trouve tres important et proche de la vison que j’ai .

  8. Je trouve que l’aspect mathématique est négligé dans cette article : « Le Data Scientist doit avoir des connaissances en statistiques » et « Des notions de Machine Learning ». Pour moi, à l’inverse, stats, algèbre et machine learning doivent être la composante forte du profil ; et ne se reposer que sur des ‘indicateurs de performances’ pour valider des modèles est un peu comme naviguer en aveugle : selon le bâton, on touche un mur donc c’est pas la bonne direction, par contre si on ne touche rien on n’est pas sûr d’aller dans la bonne direction. Pourtant, les interprétations sont souvent l’inverse : si je ne touche rien, c’est que c’est bon. Et ça conduit à des modèles discriminatoires ou autres surprises – pour certains.

    Du coup, oui pour de la data science en médecine, mais non pour que des chimistes fassent de la data science… C’est une théorie à part entière qui se construit. C’est un peu comme si un mathématicien voulait opérer quelqu’un …

  9. Merci pour votre post.

  10. Merci pour cet article très intéressant. quelles sont les possibilités d’un nouveau bachelier à devenir Data Scientist?

  11. Bonjour Asma,

    Cela dépend dans quel domaine tu bosses dans le médical.
    Si tu es médecin, c’est sur qu’il te faudra une formation en IT afin d’acquérir les connaissances des bases de données, programmation.. Si tu es matheuses ou pas? il faut quand même un minimum de connaissances en math et stats. Mais si tu as l’envie de devenir data scientiste, biensur que tu pourrait le devenir mais surement en retournant derriére un banc pendant un certains temps.

    J’éspére avoir été claire 🙂

  12. Arnaud Lusou,
    Je suis dans le milieu des datas, est-ce que je peux vous aider?

  13. Bonjour Renaud,

    Il y a un site qui est pas mal fais, c’est « Udemy » tu as pas mal de cours sur le Big Data et les statistiques en générale. je pense que c’est plus paisible que lire un bouquin, et en plus les cours sont souvent en promo et pas chére du tout. L’avantage c’est qu’à la fin de la formation en ligne, que tu peux suivre à ton rythme. on te fournis à certificat que tu peux faire valoriser dans ton cv.

    J’éspére t’avoir aider.

    Bonne continuation 🙂

  14. Bonjour Cire,

    Si je peux te donner quelques conseils, forme toi sur des technologies informatiques en ligne sur Udemy ou Pluralsight. L’avantage de Udemy c’est que tu peux avoir un certif à la fin de chaque formation que tu peux faire voliriser dans ton cv.

    les cours que je te conseille sont:

    Data Analyst – Big Data (Probabilité, Algébre, Statistique), D3J

    Data Visualization: Tableau, PowerBi expert, Qlick, SAS Visual Analytics
    Programming languages: Python, R, SAS, SPSS, KXEN
    Big Data: SQL, NoSQL, Oracle, Postgres

    j’éspére t’avoir aider 😉

    bilal

  15. Anaky jean jacques wilfried

    Bonjour chers tous ,
    Avec quel niveau d’etude peut on commencer à se former en Data Analyst ?
    Merci

  16. merci enormément c’est vraiment sympa

  17. Bonjour !

    1. Quelle est la « journée type » d’un data scientist notamment dans le domaine Sante ?
    est ce que data scientist = passer 10h /jour devant son pc et coder ? si non combien de temps derrière son pc ? pour y faire quoi hormis du codage ?

    2. quel est la part de codage informatique dans une journée d;un data scientist ?

    3.doit * il et a t il et lui, le laisse- t- on participer aux réunions de groupe et sur quel sujet en général ?

    4. comment les médecins, le personnel médical, la direction commerciale, la direction marketing et enfin la direction générale perçoit le data scientiste ?

    5.un data scientist est intégré généralement à la direction générale ? marketing ? Etudes et perspectives ? Recherche et Développement ?

    6. sa parole fait foi ou au contraire est il dénigré car il appartient à personne et, du coup, à tout le monde ( car à cheval entre marketing, statistique, commerciale et stratégie générale ?

    7.Niveau cours et formation = Les mathématiques représentent 20 ou 80 % de la formation scolaire ?
    Quelqu’un issu du monde marketing et commerciale pure va littéralement pataugé et devoir abandonner une formation data scientist car math =90% du cursus de formation ?

    7.A Python et R sont des langages informatiques très compliques pour un quidam maitrisant office ou c, est « beaucoup de bruit pour rien » en réel et comme tout avec de la méthode et de l’envie python et R s’apprend ?
    même pour qui ne connait rien en langage java, c++ ou autre…

    7.b que pensez des formations courtes en 4 ou 6 mois ? et en plus à mi -temps ? hormis voler le quidam qui va croire être data scientist à 5.000 euros mensuel à la fin d ‘une formation bidon .
    Que vaut ce type de formation qui pollue sur internet ?

    7.commencer une formation de ce type à 49 ans est illusoire ?

    8. Les grandes compétences d’un data scientist ?

    9. Salaire en tant que débutant- débutant ?

  18. Bonjour
    Est ce que les formations sur ces platformes citées ci dessus donnent vraiment les compétences requis par les entreprises ?

Laisser un commentaire

Votre adresse e-mail ne sera pas publiée. Les champs obligatoires sont indiqués avec *