Vocabulaire Data Science
Définitions

Le vocabulaire du Data Scientist pour les nuls

Voici les principaux éléments de vocabulaire et acronymes à connaître autour de la Data Science et du Big data (cf. sourcing des définitions à la fin du post).

Avec quelques explications vulgarisées selon ma compréhension et des schémas qui me semblent parlants.

N’hésitez pas à ajouter des commentaires, ce post est évolutif!

AWS – Amazon Web Services: Ensemble de services proposés par Amazon sur le Cloud, notamment de l’espace de stockage, de la puissance de calcul et des softwares en location.

Logo AWS

Analytics: Processus de collecte et d’analyse des données en vue de générer des informations permettant une prise de décision basée sur des faits. La business analytics (BA) est une offre de produits informatiques renvoyant le plus souvent aux outils de restitution destinés à l’aide à la prise de décision.

API – Application Programming Interface: Interface de programmation permettant à une application d’accéder à une autre application pour échanger des données, notamment des jeux de données très volumineux ou très volatiles. Les API sont souvent utilisées en temps réel.

API

Big Data: les 4V du big data sont Volume, Vélocité, Variété et Valeurs. On voit parfois apparaître la Véracité et la Visualisation.

4V du BigData

BigTable: Système de gestion de base de données (SGBD) compressées développé et exploité par Google. Il est rapide, et héberge notamment les services gmail, Google Earth et Youtube. C’est une base de données orientée colonnes (cf. schéma).

Différence SQL NoSQLGoogle ne diffuse pas sa base de données mais propose une utilisation publique de BigTable via Google App Engine.

Cassandra: Système de gestion de base de données open source de type NoSQL, un des principaux projets de la Fondation Apache. Cassandra est conçue pour gérer des quantités massives de données réparties sur plusieurs serveurs (clusters), en assurant tout particulièrement une disponibilité maximale des données et en éliminant les points individuels de défaillance.

Logo Cassandra

Cloud computing: Ensemble de processus qui consiste à utiliser la puissance de calcul et/ou de stockage de serveurs informatiques distants à travers un réseau, généralement Internet.

Cloud computing

Cluster: En réseau et système, un cluster est une grappe de serveurs (ou « ferme de calcul ») constituée de deux serveurs au minimum (appelés aussi nœuds) et partageant une baie de disques commune. Evite la redondance de matériel. C’est l’inverse de l’architecture distribuée.

Ferme de calcul

DBMS – Data Base Management System: En Français, SGBD – système de gestion de base de données. Il s’agit d’un logiciel système destiné à stocker et à partager des informations dans une base de données, en garantissant la qualité, la pérennité et la confidentialité des informations, tout en cachant la complexité des opérations.

Les principaux types de DBMS:

  • modèle hiérarchique
  • modèle multidimensionnel
  • modèle relationnel

Types de DBMS

DFS – Distributed File System: En français, système de fichiers distribués ou système de fichiers en réseau. C’est un système de fichiers qui permet le partage de fichiers à plusieurs clients au travers du réseau informatique. Contrairement à un système de fichiers local, le client n’a pas accès au système de stockage, et interagit avec le système de fichiers via un protocole adéquat. Ce sont souvent des services basés dans le Cloud.

DFS

Datavisualisation: Aussi nommée « Dataviz« , il s’agit de technologies, méthodes et outils de visualisation des données. La présentation sous une forme illustrée rend les données plus lisibles et compréhensibles.

⇒ Quelques exemples sur mon board Pinterest.

DMP – Data Management Platform: ou « plateforme de gestion d’audience », outil permettant à une entreprise de regrouper l’ensemble des données issues de différents canaux (web, mobile, centre d’appel, etc.) et d’en tirer profit.

DMP

First Party Data / Third Party Data: La « first-party data » correspond aux informations acquises sur les internautes visitant un site Web. Ces informations sont récoltées par l’annonceur ou les éditeurs par différents biais (formulaire d’inscriptions, cookies ou outils analytiques rattachés) et peuvent avoir trait à des données comportementales (intérêts, achats, intention d’achat, navigation…) ou déclaratives (âge, CSP…). A l’inverse, la third-party data est collectée par des acteurs spécialisés.

⇒ En résumé, la first party data est la donnée collectée par l’annonceur, la third party data est la donnée de source externe.

Fondation Apache: Il s’agit d’une organisation à but non lucratif qui développe des logiciels open source sous licence Apache. Les projets les plus connus sont le serveur web Apache HTTP Server, Apache Hadoop, OpenOffice, SpamAssassin…

Framework: C’est un ensemble de bibliothèques, d’outils, de conventions, et de préconisations permettant le développement d’applications. Il peut être spécialisé ou non. C’est comme un modèle standard, qui permet la réutilisation du code par la suite.

Exemple: The Apache Cocoon Project

Apache Cocoon Project

Google App Engine: Plateforme de conception et d’hébergement d’applications web basée sur les serveurs de Google. A l’inverse d’AWS, c’est gratuit pour des projets à petite échelle.

Google App Engine

HANA – High-performance Analytical Application: SAP HANA est la plateforme haute performance ‘In-Memory’ proposée par SAP. C’est une combinaison Hardware/Software (‘appliance’) qui a vocation à contenir l’ensemble de l’applicatif SAP (parties ERP et BI), afin d’améliorer les performances et d’exploiter les données en temp réel.

SAP Hana

Hadoop: Il s’agit d’un framework Open source codé en Java et conçu pour réaliser des traitements sur des données massives. C’est l’un des frameworks les plus utilisés, et permet notamment d’implémenter le MapReduce. Développé par Apache. Equivalents: Pig, Hive, Aster.

I/O architecture: Architecture faisant intervenir des entrées et des sorties de données.

Langage informatique: Notation conventionnelle destinée à formuler des algorithmes et produire des programmes informatiques qui les appliquent. D’une manière similaire à une langue naturelle, un langage de programmation est composé d’un alphabet, d’un vocabulaire, de règles de grammaire, et de significations.

Quelques exemples de language de programmation: SAS, R, SQL, Matlab, Fortran, Cobol, Python , Perl, JS, Bash, Java, C++… ⇒ L’indice TIOBE permet de suivre la ‘popularité’ des différents langages dans le temps.

Indice TIOBE

Machine learning: Auto-apprentissage ou apprentissage automatique en français. Voir mon post complet sur le sujet.

Machine learning

MapReduce: C’est une procédure de développement informatique, inventée par Google, dans laquelle sont effectués des calculs parallèles de données très volumineuses, distribués sur différentes machines dans des lieux différents (Clusters ou Cloud computing). Trois étapes:

  • Map: Diviser les données à traiter en partitions indépendantes (envoi les données et la fonction à un endroit donné),
  • Exécuter les fonctions en parallèle
  • Reduce: Combiner les résultats (opération inverse du Map)

Principe du Map/Reduce

⇒ En synthèse, le stockage et l’exécution coexistent au même endroit.

NLP – Natural Language Processing: ou traitement automatique du language naturel (TALN) en français. Ce sont des traitements qui permettent aux machines de mieux comprendre les éléments de languages de l’homme pour mieux interagir avec lui.

Explication TALN

NoSQL – Not Only SQL (Structured Query Language): Se réfère à une base de données qui n’utilise pas (ou pas seulement) des tables et relations de tables (i.e. modèle relationnel appelé RDBMS), comme dans les bases de données classiques. Convient aux bases de données volumineuses.

Humour NoSQLOn dénombre 4 types de bases de données NoSQL: Orientées colonnes (cf. BigTable), Orientée graphe, Orientées clé-valeur et Orientées document.

Différentes bases nosql

Exemple pour la base orientée graphe:

Base orientée graphe

 

Python: Langage de programmation Open Source, très utilisé dans le traitement des données en masse. Il est facile à apprendre et à utiliser, flexible et puissant.

Logo Python

Logo Python

R: Outil connu et Open source d’analyse statistique et graphique.

Logiciel r

Régression linéaire: Modèle de régression d’une variable expliquée sur une ou plusieurs variables explicatives dans lequel on fait l’hypothèse que la fonction qui relie les variables explicatives à la variable expliquée est linéaire dans ses paramètres. Le modèle de régression linéaire est souvent estimé par la méthode des moindres carrés.

Régression linéaire

 

Structured vs Unstructured Data: Les données structurées correspondent aux données que l’on peut normaliser (c’est-à-dire assigner une structure) alors que les données non-structurées ne peuvent pas l’être. Par exemple de l’information contenant beaucoup de texte (emails, posts Facebook, …).

Textmining: ou Fouille de textes en Français. C’est un ensemble de traitements informatiques consistant à extraire des connaissances selon un critère de nouveauté ou de similarité dans des textes produits par des humains pour des humains. Dans la pratique, cela revient à mettre en algorithme un modèle simplifié des théories linguistiques dans des systèmes informatiques d’apprentissage et de statistiques.

Variance: La variance est une mesure servant à caractériser la dispersion d’un échantillon ou d’une distribution. Elle indique de quelle manière la série statistique ou la variable aléatoire se disperse autour de sa moyenne ou son espérance. Une variance de zéro signale que toutes les valeurs sont identiques. Une petite variance est signe que les valeurs sont proches les unes des autres alors qu’une variance élevée est signe que celles-ci sont très écartées.

La racine carrée de la variance est l’écart-type. Dans la pratique, on préfère l’écart type \scriptstyle \sigma (lettre grecque sigma) à la variance \scriptstyle V = \sigma^2, car l’écart type peut être comparé à l’ordre de grandeur des valeurs, ce qui n’est pas le cas de la variance

 

Sourcing / Remerciements:

Article sur LinkedIn – Bernard Marr
Data-publica.com
123opendata.com
Définitions-webmarketing.com
Wikipedia
Journal du net

Previous Post Next Post

You Might Also Like

18 Comments

  • Reply eric 11 janvier 2015 at 18 h 35 min

    Bonjour Marjolaine , une petite faute de frappe. AWS au lieu de AMS

    • Reply Marjolaine Baratte 11 janvier 2015 at 20 h 24 min

      Merci beaucoup, c’est corrigé!

  • Reply Codecademy: Je code en Python! | Je veux être Data Scientist 11 janvier 2015 at 21 h 04 min

    […] en voyant Python, je n’ai pas hésité une seconde! Comme expliqué dans un des précédents posts, Python est LE langage à connaître lorsqu’on veut devenir Data […]

  • Reply PatriciaOn 18 janvier 2015 at 17 h 07 min

    It’s hard to find well-informed people about this topic, however, you seem like you know what you’re talking about! Thanks

    • Reply Marjolaine Baratte 19 janvier 2015 at 14 h 42 min

      Merci beaucoup!

  • Reply PatriciaOn 23 janvier 2015 at 2 h 18 min

    Good article! We will be linking to this particularly great article on our website. Keep up the great writing.

    • Reply Marjolaine Baratte 26 janvier 2015 at 16 h 17 min

      Merci beaucoup!

  • Reply try this out 26 janvier 2015 at 4 h 03 min

    I simply want to tell you that I am beginner to blogging and site-building and definitely savored you’re blog site. Almost certainly I’m likely to bookmark your site . You really come with outstanding posts. With thanks for sharing your blog.

  • Reply Antoine 26 janvier 2015 at 12 h 04 min

    Salut, pas mal ton glossaire.
    Je trouve juste que ta définition de Machine-Learning n’est pas exacte alors que c’est une des plus importantes

    • Reply Marjolaine Baratte 26 janvier 2015 at 16 h 17 min

      Quelle définition mettrais-tu?

  • Reply best dating sites 26 janvier 2015 at 18 h 44 min

    I do not even know how I ended up here, but I thought
    this post was good. I don’t know who you are but certainly you are going to a famous
    blogger if you aren’t already 😉 Cheers!

  • Reply las mujeres mas lindas Del mundial Brasil 2014 28 janvier 2015 at 19 h 58 min

    Does your site have a contact page? I’m having problems locating it but, I’d like to
    shoot you an email. I’ve got some suggestions for your blog you might be interested in hearing.
    Either way, great website and I look forward to seeing it improve over time.

    • Reply Marjolaine Baratte 28 janvier 2015 at 20 h 18 min

      Thank you. Could you tell me what kind of suggestions in this comments section?

  • Reply Ogrodzenia Plastikowe 29 janvier 2015 at 17 h 19 min

    Lovely blog! I am loving it!! Will be back later to read some more. I am bookmarking your feeds also.

  • Reply taking surveys for money 21 février 2015 at 14 h 48 min

    Hello this is somewhat of off topic but I was wanting to know if bllogs use WYSIWYG editors or if you have to manually code with
    HTML. I’m starting a blog soon but have no coding skills so I wanted to get advice from someone with experience.
    Any help would be greatly appreciated!

  • Reply best online dating sites 21 février 2015 at 23 h 08 min

    I really like what you guys are up too. This sort of clever work and reporting!
    Keep up the excellent works guys I’ve included you
    guys to my blogroll.

  • Reply paying survey 22 février 2015 at 2 h 46 min

    Nice post. I learn something totally new and challenging on sites I stumbleupon everyday.
    It will always be interesting to read articles from other writers and use something from their websites.

  • Reply Eliane 26 avril 2016 at 12 h 53 min

    Cet article est vraiment inspirant. Moi, j’appris le langage SQL en me basant sur un tutoriel vidéo sur http://www.alphorm.com/tutoriel/formation-en-ligne-le-langage-sql. Cependant, ce vocabulaire du Data Scientist m’intéresse beaucoup. Je vais l’étudier minutieusement. Merci pour ce partage.

  • Leave a Reply