Un Manifeste pour une Data Science Agile - Historique des versions

Fabrice Aimetti le 5 novembre 2022 à 19:26

2022-11-05T19:26:51Z

← Version précédente		Version du 5 novembre 2022 à 19:26
Ligne 84 :		Ligne 84 :
	Ces sept principes fonctionnent ensemble pour alimenter la méthode de la data science Agile. Ils servent à structurer et à documenter le processus d'analyse exploratoire des données et à le transformer en applications analytiques.<br/>		Ces sept principes fonctionnent ensemble pour alimenter la méthode de la data science Agile. Ils servent à structurer et à documenter le processus d'analyse exploratoire des données et à le transformer en applications analytiques.<br/>
	<br/>		<br/>
	[[Fichier:Agile-Data-Science fr.png\|border\|900px]]<br/>		[[Fichier:Agile-Data-Science fr.png\|border\|900px\|link=]]<br/>
	<br/>		<br/>
	Découvrez [https://www.safaribooksonline.com/library/view/agile-data-science/9781491960103/?_ga=2.187671656.1982994763.1586506705-1376861266.1586506705 Agile Data Science 2.0] pour explorer en profondeur la théorie et la pratique de la data science Agile.		Découvrez [https://www.safaribooksonline.com/library/view/agile-data-science/9781491960103/?_ga=2.187671656.1982994763.1586506705-1376861266.1586506705 Agile Data Science 2.0] pour explorer en profondeur la théorie et la pratique de la data science Agile.
	[[Fichier:Agile-data-science-20-book.jpeg\|link=https://www.oreilly.com/library/view/agile-data-science/9781491960103/]]		[[Fichier:Agile-data-science-20-book.jpeg\|link=https://www.oreilly.com/library/view/agile-data-science/9781491960103/]]

Fabrice Aimetti le 21 avril 2020 à 06:30

2020-04-21T06:30:57Z

← Version précédente		Version du 21 avril 2020 à 06:30
Ligne 13 :		Ligne 13 :
	Appliquer des méthodes de développement Agile de logiciels à des projets de data science (science des données).<br/>		Appliquer des méthodes de développement Agile de logiciels à des projets de data science (science des données).<br/>
	<br/>		<br/>
	[[Fichier:Fractal-1832620 1920 crop.jpg\|border\|700px]]<br/>		[[Fichier:Fractal-1832620 1920 crop.jpg\|border\|700px\|link=]]<br/>
	<small>''Spirale fractale (source: Pixabay)''</small><br/>		<small>''Spirale fractale (source: Pixabay)''</small><br/>
	Découvrez [https://www.safaribooksonline.com/library/view/agile-data-science/9781491960103/?_ga=2.187671656.1982994763.1586506705-1376861266.1586506705 Agile Data Science 2.0] pour explorer en profondeur la théorie et la pratique de la data science Agile.		Découvrez [https://www.safaribooksonline.com/library/view/agile-data-science/9781491960103/?_ga=2.187671656.1982994763.1586506705-1376861266.1586506705 Agile Data Science 2.0] pour explorer en profondeur la théorie et la pratique de la data science Agile.
Ligne 30 :		Ligne 30 :
	La prise de conscience provient de la 25e requête d'une chaîne de requêtes, et non de la première. Les tableaux de données doivent être analysés, formatés, triés, agrégés et résumés avant de pouvoir être compris. Les tableaux pertinents proviennent généralement de la troisième ou quatrième tentative, et non de la première. La construction de modèles prédictifs précis peut nécessiter de nombreuses itérations d'ingénierie des caractéristiques et de réglage des hyperparamètres. En data science, l'itération est l'élément essentiel de l'extraction, de la visualisation et de la production de la connaissance. Lorsque nous construisons, nous itérons.<br/>		La prise de conscience provient de la 25e requête d'une chaîne de requêtes, et non de la première. Les tableaux de données doivent être analysés, formatés, triés, agrégés et résumés avant de pouvoir être compris. Les tableaux pertinents proviennent généralement de la troisième ou quatrième tentative, et non de la première. La construction de modèles prédictifs précis peut nécessiter de nombreuses itérations d'ingénierie des caractéristiques et de réglage des hyperparamètres. En data science, l'itération est l'élément essentiel de l'extraction, de la visualisation et de la production de la connaissance. Lorsque nous construisons, nous itérons.<br/>
	<br/>		<br/>
	[[Fichier:Ads-Iterate fr.png\|border\|600px]]<br/>		[[Fichier:Ads-Iterate fr.png\|border\|600px\|link=]]<br/>
	<br/>		<br/>
	===Livrer des résultats intermédiaires===		===Livrer des résultats intermédiaires===
Ligne 37 :		Ligne 37 :
	Les bons systèmes s'auto-documentent, et dans la data science Agile, nous documentons et partageons les ressources incomplètes que nous créons au fur et à mesure que nous travaillons. Nous consacrons tout le travail au contrôle des sources. Nous partageons ce travail avec nos coéquipiers et, dès que possible, avec les utilisateurs finaux. Ce principe n'est pas évident pour tout le monde. De nombreux data scientists viennent de milieux universitaires, où des années d'efforts de recherche intenses ont abouti à un seul grand document appelé thèse qui a abouti à un diplôme de haut niveau.<br/>		Les bons systèmes s'auto-documentent, et dans la data science Agile, nous documentons et partageons les ressources incomplètes que nous créons au fur et à mesure que nous travaillons. Nous consacrons tout le travail au contrôle des sources. Nous partageons ce travail avec nos coéquipiers et, dès que possible, avec les utilisateurs finaux. Ce principe n'est pas évident pour tout le monde. De nombreux data scientists viennent de milieux universitaires, où des années d'efforts de recherche intenses ont abouti à un seul grand document appelé thèse qui a abouti à un diplôme de haut niveau.<br/>
	<br/>		<br/>
	[[Fichier:Ads-Under construction fr.png\|600px]]<br/>		[[Fichier:Ads-Under construction fr.png\|600px\|link=]]<br/>
	<br/>		<br/>

Ligne 43 :		Ligne 43 :
	Dans le domaine du génie logiciel, un chef produit attribue à un développeur un graphique à mettre en oeuvre lors d'un sprint. Le développeur traduit ce graphique en une requête SQL GROUP BY et crée une page web pour celui-ci. Mission accomplie ? Faux. Les graphiques qui sont spécifiées de cette manière ont peu de chances d'avoir de la valeur. La data science diffère du génie logiciel en ce qu'elle est à la fois une science et une ingénierie.<br/>		Dans le domaine du génie logiciel, un chef produit attribue à un développeur un graphique à mettre en oeuvre lors d'un sprint. Le développeur traduit ce graphique en une requête SQL GROUP BY et crée une page web pour celui-ci. Mission accomplie ? Faux. Les graphiques qui sont spécifiées de cette manière ont peu de chances d'avoir de la valeur. La data science diffère du génie logiciel en ce qu'elle est à la fois une science et une ingénierie.<br/>
	<br/>		<br/>
	[[Fichier:Ads-Experiment fr.png\|600px]]<br/>		[[Fichier:Ads-Experiment fr.png\|600px\|link=]]<br/>
	<br/>		<br/>
	Pour toute tâche donnée, nous devons itérer pour obtenir quelque chose de pertinent, et ces itérations peuvent être qualifiées au mieux d'expériences. Gérer une équipe data science signifie superviser de multiples expériences simultanées plus que distribuer des tâches. Les bonnes ressources (tableaux, graphiques, rapports, prévisions) apparaissent comme des artefacts de l'analyse exploratoire des données, nous devons donc penser davantage en termes d'expériences que de tâches.<br/>		Pour toute tâche donnée, nous devons itérer pour obtenir quelque chose de pertinent, et ces itérations peuvent être qualifiées au mieux d'expériences. Gérer une équipe data science signifie superviser de multiples expériences simultanées plus que distribuer des tâches. Les bonnes ressources (tableaux, graphiques, rapports, prévisions) apparaissent comme des artefacts de l'analyse exploratoire des données, nous devons donc penser davantage en termes d'expériences que de tâches.<br/>
Ligne 50 :		Ligne 50 :
	Ce qui est possible est aussi important que ce qui est prévu. Ce qui est facile et ce qui est difficile sont aussi importants à connaître que ce qui est désiré. Dans le développement d'applications logicielles, il y a trois perspectives à prendre en compte : celles des clients, des développeurs et de l'entreprise. Dans le développement d'applications analytiques, il y a une autre perspective : celle des données. Sans comprendre ce que les données "ont à dire" sur une caractéristique, le product owner ne peut pas faire un bon travail. L'opinion des données doit toujours être incluse dans les discussions sur le produit, ce qui signifie qu'elles doivent être fondées sur la visualisation par le biais d'une analyse exploratoire des données dans le cadre de l'application interne qui devient le centre de nos efforts.<br/>		Ce qui est possible est aussi important que ce qui est prévu. Ce qui est facile et ce qui est difficile sont aussi importants à connaître que ce qui est désiré. Dans le développement d'applications logicielles, il y a trois perspectives à prendre en compte : celles des clients, des développeurs et de l'entreprise. Dans le développement d'applications analytiques, il y a une autre perspective : celle des données. Sans comprendre ce que les données "ont à dire" sur une caractéristique, le product owner ne peut pas faire un bon travail. L'opinion des données doit toujours être incluse dans les discussions sur le produit, ce qui signifie qu'elles doivent être fondées sur la visualisation par le biais d'une analyse exploratoire des données dans le cadre de l'application interne qui devient le centre de nos efforts.<br/>
	<br/>		<br/>
	[[Fichier:Ads-Listen fr.png\|600px]]<br/>		[[Fichier:Ads-Listen fr.png\|600px\|link=]]<br/>
	<br/>		<br/>
	===Respecter la pyramide de la valeur des données===		===Respecter la pyramide de la valeur des données===
Ligne 60 :		Ligne 60 :
	* Le dernier niveau, celui des actions, est celui où l'engouement pour l'intelligence artificielle (IA) se manifeste. Si votre intuition ne permet pas d'entreprendre une nouvelle action ou d'améliorer une action existante, elle n'a pas beaucoup de valeur.<br/>		* Le dernier niveau, celui des actions, est celui où l'engouement pour l'intelligence artificielle (IA) se manifeste. Si votre intuition ne permet pas d'entreprendre une nouvelle action ou d'améliorer une action existante, elle n'a pas beaucoup de valeur.<br/>
	<br/>		<br/>
	[[Fichier:Ads-pyramid fr.png\|700px]]<br/>		[[Fichier:Ads-pyramid fr.png\|700px\|link=]]<br/>
	<small>''La pyramide de la valeur des données. Figure reproduite avec l'aimable autorisation de Russell Jurney.''</small><br/>		<small>''La pyramide de la valeur des données. Figure reproduite avec l'aimable autorisation de Russell Jurney.''</small><br/>
	<br/>		<br/>
Ligne 69 :		Ligne 69 :
	Pour maximiser nos chances de succès, nous devrions consacrer la majeure partie de notre temps à l'aspect de notre application qui est le plus essentiel à sa réussite. Mais de quel aspect s'agit-il ? Il faut le découvrir par l'expérimentation. Le développement de produits analytiques correspond à la recherche et à la poursuite d'un objectif mouvant.<br/>		Pour maximiser nos chances de succès, nous devrions consacrer la majeure partie de notre temps à l'aspect de notre application qui est le plus essentiel à sa réussite. Mais de quel aspect s'agit-il ? Il faut le découvrir par l'expérimentation. Le développement de produits analytiques correspond à la recherche et à la poursuite d'un objectif mouvant.<br/>
	<br/>		<br/>
	[[Fichier:Ads-Critical path fr.png\|600px]]<br/>		[[Fichier:Ads-Critical path fr.png\|600px\|link=]]<br/>
	<br/>		<br/>
	Une fois qu'un objectif est déterminé, par exemple une prédiction à faire, nous devons trouver le [https://fr.wikipedia.org/wiki/Chemin_critique chemin critique] pour sa mise en œuvre et, s'il s'avère utile, pour son amélioration. Les données sont affinées étape par étape au fur et à mesure qu'elles passent d'une tâche à l'autre. Les produits analytiques nécessitent souvent plusieurs étapes d'affinage, l'utilisation de processus d'extraction, de transformation et de chargement (ETL), de techniques statistiques, d'accès à l'information, de machine learning, d'intelligence artificielle et d'analyse de graphiques.<br/>		Une fois qu'un objectif est déterminé, par exemple une prédiction à faire, nous devons trouver le [https://fr.wikipedia.org/wiki/Chemin_critique chemin critique] pour sa mise en œuvre et, s'il s'avère utile, pour son amélioration. Les données sont affinées étape par étape au fur et à mesure qu'elles passent d'une tâche à l'autre. Les produits analytiques nécessitent souvent plusieurs étapes d'affinage, l'utilisation de processus d'extraction, de transformation et de chargement (ETL), de techniques statistiques, d'accès à l'information, de machine learning, d'intelligence artificielle et d'analyse de graphiques.<br/>
Ligne 78 :		Ligne 78 :
	Si nous ne pouvons pas facilement livrer de bons produits selon un calendrier comparable à celui du développement d'une application normale, que ferons-nous ? Si nous ne livrons pas, nous ne sommes pas Agile. Pour résoudre ce problème, dans la data science Agile, nous "passons en méta". L'accent est mis sur la documentation du processus analytique par opposition à l'état final ou au produit que nous recherchons. Cela nous permet d'être Agile et de livrer un contenu intermédiaire tout en grimpant itérativement dans la pyramide de la valeur des données pour trouver le chemin critique vers un produit génial. Alors, d'où vient le produit ? De la palette que nous créons et élargissons en documentant notre analyse exploratoire des données.<br/>		Si nous ne pouvons pas facilement livrer de bons produits selon un calendrier comparable à celui du développement d'une application normale, que ferons-nous ? Si nous ne livrons pas, nous ne sommes pas Agile. Pour résoudre ce problème, dans la data science Agile, nous "passons en méta". L'accent est mis sur la documentation du processus analytique par opposition à l'état final ou au produit que nous recherchons. Cela nous permet d'être Agile et de livrer un contenu intermédiaire tout en grimpant itérativement dans la pyramide de la valeur des données pour trouver le chemin critique vers un produit génial. Alors, d'où vient le produit ? De la palette que nous créons et élargissons en documentant notre analyse exploratoire des données.<br/>
	<br/>		<br/>
	[[Fichier:Ads-Meta fr.png\|600px]]<br/>		[[Fichier:Ads-Meta fr.png\|600px\|link=]]<br/>
	<br/>		<br/>

Fabrice Aimetti le 16 avril 2020 à 13:54

2020-04-16T13:54:20Z

← Version précédente		Version du 16 avril 2020 à 13:54
Ligne 9 :		Ligne 9 :
	Date : 10/04/2020<br/>		Date : 10/04/2020<br/>
	----		----
	Traduction :<br/>		''Traduction :''<br/>
	<br/>		<br/>
	Appliquer des méthodes de développement Agile de logiciels à des projets de data science (science des données).<br/>		Appliquer des méthodes de développement Agile de logiciels à des projets de data science (science des données).<br/>

Fabrice Aimetti : Fabrice Aimetti a déplacé la page Un Manifeste Agile pour la Data Science vers Un Manifeste pour une Data Science Agile

2020-04-10T12:40:28Z

Fabrice Aimetti a déplacé la page Un Manifeste Agile pour la Data Science vers Un Manifeste pour une Data Science Agile

← Version précédente		Version du 10 avril 2020 à 12:40
(Aucune différence)

Fabrice Aimetti le 10 avril 2020 à 12:40

2020-04-10T12:40:14Z

← Version précédente		Version du 10 avril 2020 à 12:40
Ligne 24 :		Ligne 24 :
	Je n'ai jamais voulu revivre cela. J'ai donc essayé d'imposer l'Agile à la data science, avec plus ou moins de succès. Lorsque j'ai commencé à appliquer des méthodes de développement Agile de logiciels à la data science, j'ai vu un modèle émerger. La difficulté ne résidait pas dans les détails de la mise en oeuvre, mais dans la manière de penser aux possibilités offertes par l'Agile lorsque l'on travaille avec des données en plus du logiciel.<br/>		Je n'ai jamais voulu revivre cela. J'ai donc essayé d'imposer l'Agile à la data science, avec plus ou moins de succès. Lorsque j'ai commencé à appliquer des méthodes de développement Agile de logiciels à la data science, j'ai vu un modèle émerger. La difficulté ne résidait pas dans les détails de la mise en oeuvre, mais dans la manière de penser aux possibilités offertes par l'Agile lorsque l'on travaille avec des données en plus du logiciel.<br/>
	<br/>		<br/>
	Alors que mes expériences au sein de plusieurs entreprises commençaient à échafauder ma pensée, j'ai élaboré le Manifeste ~~de la~~ Data Science Agile. Ce manifeste se concentre sur la façon de ''penser'', plutôt que sur ce qu'il faut faire. Les spécificités du Kanban ou du Scrum fonctionnent pour la data science, tant que l'équipe pense de manière dynamique en réponse aux opportunités qui émergent de l'exploration des données. John Akred a fait un [https://www.svds.com/agile-data-science-teams-deliver-real-world-results/ travail intéressant] sur les spécificités de la mise en oeuvre de la data science Agile, mais je n'ai pas d'opinion sur la façon dont vous suivez l'état d'avancement du travail. L'essentiel est d'aborder la data science de manière active et dynamique.<br/>		Alors que mes expériences au sein de plusieurs entreprises commençaient à échafauder ma pensée, j'ai élaboré le Manifeste pour une Data Science Agile. Ce manifeste se concentre sur la façon de ''penser'', plutôt que sur ce qu'il faut faire. Les spécificités du Kanban ou du Scrum fonctionnent pour la data science, tant que l'équipe pense de manière dynamique en réponse aux opportunités qui émergent de l'exploration des données. John Akred a fait un [https://www.svds.com/agile-data-science-teams-deliver-real-world-results/ travail intéressant] sur les spécificités de la mise en oeuvre de la data science Agile, mais je n'ai pas d'opinion sur la façon dont vous suivez l'état d'avancement du travail. L'essentiel est d'aborder la data science de manière active et dynamique.<br/>
	<br/>		<br/>
	==Le Manifeste ~~de la~~ Data Science Agile==		==Le Manifeste pour une Data Science Agile==
	===Itérer, itérer, itérer===		===Itérer, itérer, itérer===
	La prise de conscience provient de la 25e requête d'une chaîne de requêtes, et non de la première. Les tableaux de données doivent être analysés, formatés, triés, agrégés et résumés avant de pouvoir être compris. Les tableaux pertinents proviennent généralement de la troisième ou quatrième tentative, et non de la première. La construction de modèles prédictifs précis peut nécessiter de nombreuses itérations d'ingénierie des caractéristiques et de réglage des hyperparamètres. En data science, l'itération est l'élément essentiel de l'extraction, de la visualisation et de la production de la connaissance. Lorsque nous construisons, nous itérons.<br/>		La prise de conscience provient de la 25e requête d'une chaîne de requêtes, et non de la première. Les tableaux de données doivent être analysés, formatés, triés, agrégés et résumés avant de pouvoir être compris. Les tableaux pertinents proviennent généralement de la troisième ou quatrième tentative, et non de la première. La construction de modèles prédictifs précis peut nécessiter de nombreuses itérations d'ingénierie des caractéristiques et de réglage des hyperparamètres. En data science, l'itération est l'élément essentiel de l'extraction, de la visualisation et de la production de la connaissance. Lorsque nous construisons, nous itérons.<br/>

Fabrice Aimetti le 10 avril 2020 à 12:35

2020-04-10T12:35:24Z

← Version précédente		Version du 10 avril 2020 à 12:35
Ligne 2 :		Ligne 2 :
	[[Catégorie:Portail Equipe de développement]]		[[Catégorie:Portail Equipe de développement]]
	[[Catégorie:Data Science]]		[[Catégorie:Data Science]]
	Auteur : [https://www.oreilly.com/people/russell-jurney/ Russell Jurney] [https://twitter.com/rjurney @rjurney]<br/>		Auteur : [https://www.oreilly.com/people/russell-jurney/ Russell Jurney] [https://twitter.com/rjurney @rjurney] [https://datasyndrome.com/ Data Syndrome]<br/>
	Source : [https://www.oreilly.com/ideas/a-manifesto-for-agile-data-science A manifesto for Agile data science]<br/>		Source : [https://www.oreilly.com/ideas/a-manifesto-for-agile-data-science A manifesto for Agile data science]<br/>
	Date : 23/10/2017<br/>		Date : 23/10/2017<br/>

Fabrice Aimetti le 10 avril 2020 à 12:34

2020-04-10T12:34:06Z

← Version précédente		Version du 10 avril 2020 à 12:34
Ligne 2 :		Ligne 2 :
	[[Catégorie:Portail Equipe de développement]]		[[Catégorie:Portail Equipe de développement]]
	[[Catégorie:Data Science]]		[[Catégorie:Data Science]]
	Auteur : [https://www.oreilly.com/people/russell-jurney/ Russell Jurney]<br/>		Auteur : [https://www.oreilly.com/people/russell-jurney/ Russell Jurney] [https://twitter.com/rjurney @rjurney]<br/>
	Source : [https://www.oreilly.com/ideas/a-manifesto-for-agile-data-science A manifesto for Agile data science]<br/>		Source : [https://www.oreilly.com/ideas/a-manifesto-for-agile-data-science A manifesto for Agile data science]<br/>
	Date : 23/10/2017<br/>		Date : 23/10/2017<br/>

Fabrice Aimetti le 10 avril 2020 à 10:32

2020-04-10T10:32:38Z

← Version précédente		Version du 10 avril 2020 à 10:32
Ligne 16 :		Ligne 16 :
	<small>''Spirale fractale (source: Pixabay)''</small><br/>		<small>''Spirale fractale (source: Pixabay)''</small><br/>
	Découvrez [https://www.safaribooksonline.com/library/view/agile-data-science/9781491960103/?_ga=2.187671656.1982994763.1586506705-1376861266.1586506705 Agile Data Science 2.0] pour explorer en profondeur la théorie et la pratique de la data science Agile.		Découvrez [https://www.safaribooksonline.com/library/view/agile-data-science/9781491960103/?_ga=2.187671656.1982994763.1586506705-1376861266.1586506705 Agile Data Science 2.0] pour explorer en profondeur la théorie et la pratique de la data science Agile.
			[[Fichier:Agile-data-science-20-book.jpeg\|link=https://www.oreilly.com/library/view/agile-data-science/9781491960103/]]<br/>
			<br/>
	À titre personnel, je pratique la data science Agile, le développement itératif et évolutif d'applications analytiques, depuis une dizaine d'années, bien avant que je ne sache comment l'appeler. En tant que développeur solitaire, il était naturel de faire évoluer de manière itérative le logiciel d'analyse que j'avais construit. Lorsque j'ai rejoint une équipe, je m'attendais à ce que les choses fonctionnent de cette manière. Ce n'était pas le cas.<br/>		À titre personnel, je pratique la data science Agile, le développement itératif et évolutif d'applications analytiques, depuis une dizaine d'années, bien avant que je ne sache comment l'appeler. En tant que développeur solitaire, il était naturel de faire évoluer de manière itérative le logiciel d'analyse que j'avais construit. Lorsque j'ai rejoint une équipe, je m'attendais à ce que les choses fonctionnent de cette manière. Ce n'était pas le cas.<br/>
	<br/>		<br/>

Fabrice Aimetti : /* Respecter la pyramide de la valeur des données */

2020-04-10T10:31:23Z

Respecter la pyramide de la valeur des données

← Version précédente		Version du 10 avril 2020 à 10:31
Ligne 55 :		Ligne 55 :
	* La couche des graphiques et des tableaux est le niveau où commencent l'affinage et l'analyse.		* La couche des graphiques et des tableaux est le niveau où commencent l'affinage et l'analyse.
	* La couche des rapports permet une exploration immersive des données, où l'on peut vraiment en discuter et apprendre à les connaître.		* La couche des rapports permet une exploration immersive des données, où l'on peut vraiment en discuter et apprendre à les connaître.
	* La couche des prédictions est le niveau où l'on crée le plus de valeur, mais pour créer de bonnes prédictions, il faut faire de l'ingénierie des ~~fonctionnalités~~, ce que les niveaux inférieurs englobent et facilitent.		* La couche des prédictions est le niveau où l'on crée le plus de valeur, mais pour créer de bonnes prédictions, il faut faire de l'ingénierie des caractéristiques, ce que les niveaux inférieurs englobent et facilitent.
	* Le dernier niveau, celui des actions, est celui où l'engouement pour l'intelligence artificielle (IA) se manifeste. Si votre intuition ne permet pas d'entreprendre une nouvelle action ou d'améliorer une action existante, elle n'a pas beaucoup de valeur.<br/>		* Le dernier niveau, celui des actions, est celui où l'engouement pour l'intelligence artificielle (IA) se manifeste. Si votre intuition ne permet pas d'entreprendre une nouvelle action ou d'améliorer une action existante, elle n'a pas beaucoup de valeur.<br/>
	<br/>		<br/>

Fabrice Aimetti : /* Synthèse */

2020-04-10T10:27:58Z

Synthèse

← Version précédente		Version du 10 avril 2020 à 10:27
Ligne 79 :		Ligne 79 :
	<br/>		<br/>

	==~~Synthèse~~==		==Conclusion==
	Ces sept principes fonctionnent ensemble pour alimenter la méthode de la data science Agile. Ils servent à structurer et à documenter le processus d'analyse exploratoire des données et à le transformer en applications analytiques.<br/>		Ces sept principes fonctionnent ensemble pour alimenter la méthode de la data science Agile. Ils servent à structurer et à documenter le processus d'analyse exploratoire des données et à le transformer en applications analytiques.<br/>
	<br/>		<br/>
Ligne 85 :		Ligne 85 :
	<br/>		<br/>
	Découvrez [https://www.safaribooksonline.com/library/view/agile-data-science/9781491960103/?_ga=2.187671656.1982994763.1586506705-1376861266.1586506705 Agile Data Science 2.0] pour explorer en profondeur la théorie et la pratique de la data science Agile.		Découvrez [https://www.safaribooksonline.com/library/view/agile-data-science/9781491960103/?_ga=2.187671656.1982994763.1586506705-1376861266.1586506705 Agile Data Science 2.0] pour explorer en profondeur la théorie et la pratique de la data science Agile.
	[[Fichier:Agile-data-science-20-book.jpeg]]		[[Fichier:Agile-data-science-20-book.jpeg\|link=https://www.oreilly.com/library/view/agile-data-science/9781491960103/]]