Data science

Maîtriser des algorithmes complexes afin de résoudre des problèmes complexes

Compétences et connaissances

L’exploration et l’analyse d’immenses volumes de données requièrent des connaissances scientifiques particulières et la maîtrise d’outils techniques spécifiques. La capacité de se maintenir à jour dans un environnement scientifique et technique en constante évolution représente également un défi propre à la Data Science et à l’IA.

sense4data a construit une équipe d’ingénieurs aux profils complémentaires dont les compétences se situent à la pointe des connaissances scientifiques et techniques en Data Science et en IA.

Par des prestations d’audit, de conseil et de développement, sense4data fait bénéficier ses clients de cette expertise. sense4data permet ainsi à des entreprises qui ne possèdent pas les ressources propres leur permettant de développer cette compétence en interne d’accéder à des services de haut niveau autour de la Data Science et de l’IA.

sense4data accompagne également les équipes dirigeantes dans le cadre de leurs réflexions stratégiques autour de la Data Science et de l’IA.

Ci-après, un aperçu des différentes technologies Data Science maîtrisées et utilisées par sense4data.

Technologies de la data science

Algorithmes non-supervisés

Clustering (CAH, K-means, DBSCAN),
Réduction de dimensions (PCA, LDA, GDA, t-SNE…),
Détection d’anomalies, (algorithme ‘One Class’, détections de nouveautés et d’anomalies, Isolation Forests, LOF, autoencoders…),
Évaluation et optimisation de métriques non supervisées (en particulier : développement d’algorithmes permettant le monitoring de modèles non supervisés sans données labellisées),
Embeddings.

Valorisation des données

Nettoyage et évaluation de la cohérence des données,
Feature engineering,
Outils statistiques.

Algorithmes supervisés

Séries temporelles,
Donnée structurée, régression et classification (Python/R, sklearn, pandas, numpy, sklearn, Fôrets aléatoires et algorithmes dérivés, méthodes à kernel, régressions, algorithmes de boosting,…),
Vision,
Texte – Natural Language Processing,
Algorithmes semi-supervisés (modèles GAN, Co- Apprentissage, Auto-Apprentissage, Novelty detection, variational autoencoders…),
Réseaux de neurones, Deep Learning (Apprentissage Profond) (CNN (Convolutional Neural Networks ), RNN (Reccurent Neural Networks), MLP (Multi Layer Perceptron), TensorFlow, Keras, PyTorch, nnet, glmnet …