Du gros œuvre aux finitions d'excellence : villas, immeubles et infrastructures aux normes Eurocodes.
Installations industrielles et tertiaires, solaire photovoltaïque et maintenance d'urgence.
Développement web & mobile sur mesure, architectures cloud sécurisées et design d'interface.
Le Journal
Retours d'expérience de nos ingénieurs sur le terrain, analyses techniques, études de cas et innovations en génie civil, électricité, solaire et digital.
Vous connaissez un peu le SQL, mais avez entendu parler du NoSQL et vous ne savez pas lequel choisir pour vos projets ? L’une des bonnes pratiques à adopter dans un projet data science est de bien choisir ces technologies dès le début du projet pour qu’il n’y ait pas de frein à celui-ci. Nous allons donc voir les particularités du SQL et du NoSQL.
Informatique
Data science et développement informatique sont deux domaines très proches l’un de l’autre. En particulier, la data emprunte beaucoup au développement, qu’il est utile de maîtriser pour être un spécialiste data accompli. En effet, plusieurs logiciels permettant de faire de l’analyse de données via une interface graphique existent et se sont développés ces dernières années (par exemple, DataIku). Malgré tout, on n’échappe jamais à la nécessité de mettre les mains dans le cambouis (comprendre : écrire du code) lorsqu’on fait de la data. Pour ces raisons, devenir un bon data scientist nécessite aussi de savoir coder correctement. Ce n’est pas une coïncidence si le DataOps s’inspire du DevOps : de nombreux principes et règles valides en développement informatique sont aussi valides en data. Dans cet article, nous allons donc nous intéresser à quelques règles à respecter pour écrire du code de qualité lorsqu’on est data scientist.
De vos études préalables à la livraison clé en main, nous vous accompagnons dans les règles de l’art.
