Comment débuter dans la Data Science ?

Jeremy Greze

Lors de meet-ups ou autres événements autour de la data, de nombreux curieux demandent fréquemment : comment puis-je débuter dans l'analyse de données ? Quelques éléments de réponses concrets dans cet article pour ceux qui veulent débuter.

La Data Science qu'on traduirait en français par la science des données consiste en l'étude et l'analyse des données que possède une organisation, puis de leur transformation en valeur ajoutée pour le business et la stratégie de l'organisation.

Sur un projet classique, on commence généralement par explorer des données brutes. Une intuition ou une orientation (bon sens, objectif business, etc.) sera nécessaire afin de prendre une direction. Ensuite, il s'agira de nettoyer et consolider les données, construire des variables et établir des modèles statistiques. Le Data Scientist ou Data Analyst est très autonome dans son travail, possède des compétences diverses issues des domaines de l'informatique, des statistiques et des connaissances métiers du secteur de l'entreprise.

Ainsi, la Data Science requiert des connaissances dans plusieurs domaines: programmation, Data Mining, Machine Learning, etc. Il existe d'ailleurs une carte des compétences du Data Scientist mais qui est un peu complexe pour débuter.

J'ai réuni dans cet article quelques points clés pour faire ses premiers pas en douceurs dans la Data Science de façon autonome. Je ne n'aborderai pas ici les formations diplômantes. Il s'agit plutôt de ressources pour tous les niveaux afin de mieux comprendre ce qui se cache derrière le "hype" du Big Data, et aussi prendre du plaisir à découvrir cet univers plutôt fun! :)

Des bases en statistiques

L'analyse de données nécessite une certaine affinité avec les statistiques et les mathématiques. Dans tous les cas, il ne faut pas hésiter à revoir les bases de lycée.

Les statistiques descriptives sont absolument nécessaires et pour tout le monde. Moyenne, médiane, variance, écart-type et intervalles de confiance font partie du quotidien de l'analyse de données.

Les représentations graphiques à maîtriser :

• Histogramme
• Box plot ou la fameuse boîte à moustache
• Diagramme en bâtons
• Diagramme de dispersion

Il est facile de trouver des articles ou des vidéos en ligne qui font des rappels sur chacune de ces notions. Wikipedia est notamment assez complet même si pas toujours le plus accessible.

Explorer, fouiller et premières analyses

En Data Science, il n'y a pas une technique mais plusieurs façons de procéder. On dit même parfois que c'est du "hack", c'est-à-dire de la bidouille. Il ne faut donc pas avoir peur d'explorer de son côté, faire à sa façon.

Pour débuter, pourquoi pas commencer par ouvrir et explorer vos données dans un tableur, Microsoft Excel ou Google Spreadsheet. Réaliser des tableaux pour résumer les données (compter les valeurs, donner la répartition, croiser les données et les informations) et des graphiques pour les visualiser sont des actions de base de tout Analyst et Data Scientist.

La fouille des données requiert un bon aperçu de l'ensemble des données. A l'échelle d'une entreprise, cela nécessite de se familiariser avec des données provenant de divers services et qui sont historisées depuis plusieurs années. Bien entendu, cela a ses limites, on ne fera pas du Big Data avec un tableur.

Exemple: une régression linéaire dans Excel

Les tableurs et notamment Excel permettent de réaliser des opérations statistiques de bases. Prenons en exemple la régression linéaire.

Tout le monde connait la régression linaire simple qui consiste à expliquer une valeur en fonction d'une autre. C'est la fameuse équation y = ax + b. Graphiquement, la régression linéaire simple consiste à trouver la droite qui passe au plus proche de tous les points qui sont les valeurs.

Ce modèle très simple permet déjà de faire de bonnes approximations statistiques. Illustration avec une vidéo canadienne.

Une régression linéaire multiple consiste à expliquer une variable en fonction de plusieurs variables. C'est également possible sur Excel, voir dans cette vidéo. Vous découvrirez aussi le coefficient R2 intéressant à étudier.

Le SQL pour tous

Les fichiers tableurs (csv, xls...) sont pratiques mais seulement pour des jeux de données peu volumineux et ne nécessitant pas trop de manipulations. Le travail sur base de données permet de s'affranchir de nombreuses limites de Excel. On ne travaille généralement plus sur un poste mais sur un serveur dédié (voire même un ensemble) et cela ouvre la possibilité au traitement de gros volumes de données, de façon simultanée et reproductible.

Il existe un langage normalisé servant à exploiter des bases de données : le SQL (pour Structured Query Language). Grâce au SQL, il est possible d'interroger la base de données afin de retrouver des données, de les croiser et de créer des statistiques sur ces données.

Le langage SQL est très utilisé dans tous les domaines, pas seulement en informatique. Biologistes, médecins, économétriciens, marketeurs et toutes les professions qui ont besoin de travailler sur des données statistiques s'y forment. Il offre l'intérêt de manier d'importants volumes de données, de faire des agrégations ou des calculs sur les données sans s'occuper de l'implémentation technique. Il n'y a pas besoin de coder des boucles, de trouver un algorithme performant, etc. C'est sans grosse difficulté pour l'utilisateur final.

Un bon cours d'introduction au SQL est disponible en ligne sur le site d'OpenClassrooms.

Une petite note au marketeurs en formation qui passent par là: vous avez tout intérêt à avoir quelques notions en SQL, cela vous servira un jour! Jetez d'ailleurs un coup d’œil au cours vidéo SQL for Marketers.

Connaissance des algorithmes de Machine Learning

Après l'exploration et la préparation vient la phase de modélisation et d'apprentissage sur les données. La vraie valeur ajoutée sur vos données est obtenue sur cette phase.

Pour débuter, il est bien d'avoir des notions des modèles statistiques et algorithmes d'apprentissage automatique (Machine Learning en anglais) utilisés sur cette phase. Pour la connaissance parfaite des techniques (et des formules mathématiques), on laissera cela à un expert Data Scientist.

Voici trois techniques de modélisation ou d'apprentissage statistique que l'on rencontre couramment :

• La régression permet d'expliquer une variable numérique en fonction d'autres variables. A noter qu'il existe plusieurs types de régressions (linéaire et non linéaire, simple et multiple, ...).
• La classification range des éléments dans des classes. Très souvent, la classification est binaire (c'est-à-dire qu'il y a seulement deux classes). Par exemple, est-ce que l'un de mes clients va "churner" (arrêter son abonnement) dans les 6 prochains mois? (réponse oui/non) Il existe plusieurs algorithmes de classification dont l'apprentissage par arbres de décision.
• Le clustering consiste à diviser un ensemble d'éléments en groupes homogènes. Par exemple, il est possible de diviser les visiteurs d'un site internet en différents groupes en fonction de leur comportement via une analyse des logs (les lecteurs habituels, ceux qui viendront une seule fois, les bots, etc.). Un algorithme assez connu est celui des k-means.

Les ressources françaises pour apprendre ces techniques sont un peu moins nombreuses. Je vous conseille de vous tourner vers un ouvrage anglais ou vers un MOOC sur les plateformes Coursera.org et edX.org. Par exemple, j'ai personnellement débuté avec le très bon cours The Analytics Edge dont une nouvelle session commence en mars prochain pour 12 semaines. Le parcours Data Science propose de son côté pusieurs petits modules complémentaires.

Par ailleurs, vous pouvez consulter la présentation Introduction au Data Mining et Méthodes Statistiques de Giorgio Pauletto qui résume bien ce que nous avons vu jusqu'à présent.

Ne pas oublier la visualisation

La visualisation que l'on appelle parfois data-viz intervient tout le long d'un projet sur la donnée afin d'accompagner la compréhension. Construire des graphiques ou autres visualisations aide à appréhender les données et les chiffres.

Surtout, la data-viz permet sur les phases finales de restituer, expliquer et mettre en valeur le travail de l'Analyst ou du Data Scientist. Cela participe à la retransmission de l'information.

Là, les outils accessibles facilement sont plutôt nombreux. En plus des solutions logicielles (citons seulement Excel et Tableau), de nombreux sites en lignes permettent des créations en quelques minutes. Un exemple parmi tant d'autres : RAW.

Par contre, la création de visualisations animées est plus compliquée. Il faudra probablement faire appel à du JavaScript et à la librairie D3.js.

Python, R et Hadoop

Il y a des incontournables aujourd'hui dans l'univers de la Data Science. Cela concerne notamment la maitrise du langage R spécialisé dans l'analyse statistique et/ou du langage Python et ses librairies associées (Pandas, Scikit-learn...). (Si vous hésitez entre les deux langages, cet article est pour vous.)

La courbe d'apprentissage d'un langage de programmation est un peu plus ardue mais un bon Data Scientist (on s'éloigne un peu du rôle du Data Analyst) doit être aussi un bon programmeur. Cela permettra de s'affranchir de toutes limites dans la collecte et la préparation des données, dans la création des variables et surtout de générer et comparer de nombreux modèles personnalisés.

Pour travailler sur de gros volumes de données, Hadoop est devenu un standard. Il est indispensable de maitriser le framework dans un cadre professionnel. Avec Hive, il est possible de manipuler des données sur Hadoop via des requêtes SQL.

Pour cet apprentissage plus technique et qui ne conviendra pas à un débutant, les ouvrages en langue anglaise seront d'un bon secours. Regardez du côté des éditeurs Packt et O'Reilly.

Comment débuter immédiatement ?

J'espère que ces quelques pistes vous ouvrent les yeux sur les différents domaines qui s'ouvrent à vous. C'est très vite prenant une fois que l'on a commencé.

Pour progresser, rien de mieux que de s'entrainer sur des données. C'est justement ce que propose les plateformes Kaggle.com (anglophone) et DataScience.net (francophone) : des concours sur des cas concrets.

Afin de mettre le pied à l'étrier en à peine 40min, vous pouvez débuter avec le tutorial sur le Titanic de Kaggle. Il suffit d'avoir Excel ou un autre éditeur équivalent pour débuter !

Vous pouvez aussi tester le logiciel DSS de Dataiku, l'entreprise où je travaille. Il permet de baisser la barrière à l'entrée pour les débutants (préparation des données dans une interface visuelle, premier modèle prédictif facilement réalisable, etc.).

Gardez à l'esprit que cet article est loin d'être exhaustif. N'hésitez pas à poser vos questions dans les commentaires ou à partager des ressources que vous avez utilisé.