logo fullscreen logo
  • Dossier
    • IA quantique
    • Réseaux de neurones enzymatiques
    • Le méta-apprentissage fait ses premiers pas…
    • Les avancées prometteuses de l’apprentissage auto-supervisé
    • Que peut l’intelligence artificielle contre les fake news ?
    • Quand l’IA nous regarde…
    • Les réseaux de neurones impulsionnels
    • Quantification de la fragilité
    • Covid-19 et data
    • Ville algorithmique
    • Perception des véhicules autonomes
    • Formation continue
    • Data gouvernance
    • À la recherche des sens perdus
    • Deepfake
    • Agriculture numérique
    • Legal Tech
    • Données de santé
    • Start-up IA
    • Learning Analytics
    • Métiers de la data
    • Recherche IA : public/privé
    • Cybersécurité
    • Emplois dans la Data
    • Innovation et Data
    • Open source
    • Green IA
    • Sciences humaines et sociales et data
    • Voiture autonome
    • IA et création artistique
    • Des algos de confiance
    • Data cities
    • L’homme sur mesure
    • Débats autour des datas
    • Data science & robots
    • Usine 4.0
    • Données personnelles
    • Valorisations des données
    • Formation
  • Innovation
  • Expertise
  • Portrait
  • Point de vue
  • Lexique
  • + loin
    • Timeline
    • Repository
  • Emploi
    • Fiches métiers
  • S’abonner
    • NEWSLETTERS DÉJÀ PARUES
logo fullscreen logo
  • Dossier
    • IA quantique
    • Réseaux de neurones enzymatiques
    • Le méta-apprentissage fait ses premiers pas…
    • Les avancées prometteuses de l’apprentissage auto-supervisé
    • Que peut l’intelligence artificielle contre les fake news ?
    • Quand l’IA nous regarde…
    • Les réseaux de neurones impulsionnels
    • Quantification de la fragilité
    • Covid-19 et data
    • Ville algorithmique
    • Perception des véhicules autonomes
    • Formation continue
    • Data gouvernance
    • À la recherche des sens perdus
    • Deepfake
    • Agriculture numérique
    • Legal Tech
    • Données de santé
    • Start-up IA
    • Learning Analytics
    • Métiers de la data
    • Recherche IA : public/privé
    • Cybersécurité
    • Emplois dans la Data
    • Innovation et Data
    • Open source
    • Green IA
    • Sciences humaines et sociales et data
    • Voiture autonome
    • IA et création artistique
    • Des algos de confiance
    • Data cities
    • L’homme sur mesure
    • Débats autour des datas
    • Data science & robots
    • Usine 4.0
    • Données personnelles
    • Valorisations des données
    • Formation
  • Innovation
  • Expertise
  • Portrait
  • Point de vue
  • Lexique
  • + loin
    • Timeline
    • Repository
  • Emploi
    • Fiches métiers
  • S’abonner
    • NEWSLETTERS DÉJÀ PARUES
Menu
mobile logo
  • Dossier
    • IA quantique
    • Réseaux de neurones enzymatiques
    • Le méta-apprentissage fait ses premiers pas…
    • Les avancées prometteuses de l’apprentissage auto-supervisé
    • Que peut l’intelligence artificielle contre les fake news ?
    • Quand l’IA nous regarde…
    • Les réseaux de neurones impulsionnels
    • Quantification de la fragilité
    • Covid-19 et data
    • Ville algorithmique
    • Perception des véhicules autonomes
    • Formation continue
    • Data gouvernance
    • À la recherche des sens perdus
    • Deepfake
    • Agriculture numérique
    • Legal Tech
    • Données de santé
    • Start-up IA
    • Learning Analytics
    • Métiers de la data
    • Recherche IA : public/privé
    • Cybersécurité
    • Emplois dans la Data
    • Innovation et Data
    • Open source
    • Green IA
    • Sciences humaines et sociales et data
    • Voiture autonome
    • IA et création artistique
    • Des algos de confiance
    • Data cities
    • L’homme sur mesure
    • Débats autour des datas
    • Data science & robots
    • Usine 4.0
    • Données personnelles
    • Valorisations des données
    • Formation
  • Innovation
  • Expertise
  • Portrait
  • Point de vue
  • Lexique
  • + loin
    • Timeline
    • Repository
  • Emploi
    • Fiches métiers
  • S’abonner
    • NEWSLETTERS DÉJÀ PARUES
11 octobre 2018
DAP, Portrait de data scientist

Charline Fraioli : On n’a pas forcément besoin d’être ingénieur !

⏱ 2 min

Charline Fraioli a découvert la science des données tardivement, au cours de son master en finance. Piquée d’intérêt, elle a approfondi ses connaissances via un mastère spécialisé avant de rejoindre l’équipe de data scientists de la BNP Paribas. Son parcours, quelque peu atypique, prouve que les passerelles sont multiples.

« Je ne savais pas exactement ce que je voulais faire après mon Bac, raconte Charline Fraioli. J’aimais les mathématiques, les chiffres, les statistiques… J’avais aussi besoin de concret, l’envie de comprendre le monde dans lequel on vit… » Elle choisit une licence en économie appliquée à l’université Paris-Dauphine. Un choix qui satisfait sa curiosité. Elle poursuit ses études avec un master en ingénierie financière dans l’idée de s’orienter vers un métier ancré dans la réalité.

De l’économie à l’économétrie

« En master 1, nous avions un module d’économétrie, se rappelle-t-elle. Je découvre d’abord cette science qui permet d’estimer et de tester des modèles probabilistes pour décrire des phénomènes économiques, puis le machine learning. À l’occasion de ces deux cours, je travaille sur de nombreux projets de modélisation au cours desquels j’applique des méthodes statistiques ou computationnelles pour répondre à toutes sortes de problèmes. » Cette perspective de mettre à profit les mathématiques dans de nombreux domaines comble ses attentes. Charline a trouvé sa voie ! Deux exemples de projets qu’elle mène dans le cadre de ce cours : prédire les notes des agences de notation avec un modèle de credit scoring ; prévoir le risque de récidive de patients atteints de cancer du sein à partir de leur génotype.

Dès lors, c’est décidé, ce sera la data science ! D’autant plus qu’elle a également découvert la programmation, qui lui plaît bien aussi. Elle décroche une spécialisation en un an, le mastère spécialisé Data Science de l’ENSAE ParisTech (École nationale de la statistique et de l’administration économique). « Mon parcours n’est probablement pas le plus facile pour devenir data scientist, souligne-t-elle. Cela demande pas mal de travail, y compris d’autoformation via des MOOCs, mais c’est important de savoir que ça existe, que ce n’est pas réservé aux ingénieurs généralistes spécialisés en science des données. À partir d’une formation universitaire comportant un minimum de mathématiques et de statistiques, il y a beaucoup de passerelles vers ces métiers. »

Du stage au CDI

L’année de mastère spécialisé comporte un stage de 4 à 6 mois. Elle choisit la BNP Paribas pour tirer parti de ses connaissances en finance. Après ses 6 mois de stage au sein du lab d’intelligence artificielle de BNP Paribas (CIB Analytics Consulting), on lui propose un CDI. Qu’elle accepte. « J’ai été agréablement surprise, reconnaît-elle, tant par la diversité des sujets étudiés que par l’ambiance et l’esprit dans lesquels on travaille en flex office, sans bureau attribué, mais installé avec tel ou tel groupe, au gré des projets plus ou moins longs auxquels on choisit de participer. »

« J’aime le côté humain de mon travail, qui me permet de côtoyer des développeurs, des web designers, des banquiers, etc. Je découvre des métiers, je traduis leurs problèmes en langage mathématique, avant de programmer des solutions et d’en apprécier le résultat. C’est très valorisant ! Enfin, j’apprends sans cesse, dans de nombreux domaines », explique la jeune data scientist, toujours aussi curieuse.

 

Isabelle Bellin

 

 

Vous avez aimé cet article, abonnez-vous à notre newsletter gratuite pour être informé des dernières publications. 

 

 

Termes liés :
  • Données
  • Machine learning
  • Data science
  • Intelligence artificielle (IA)
Share:
Posts you'd might like
En attendant l’ordinateur quantique universel…
L’IA teste ses premiers algorithmes quantiques
Les promesses de l’IA quantique
La recherche à l’assaut des deepfakes vocaux
Recyclage : nos déchets sous l’œil de l’IA
Stéphane Canu :
au service de l’IA et de la mobilité de demain
DAP, la newsletter du Data Analytics Post Recevez chaque semaine un éclairage sur les data science

Peut-on laisser un algorithme apprendre tout seul ?

A la différence de l’apprentissage supervisé, le contexte non supervisé est celui où l’algorithme doit opérer à partir d’exemples non annotés.

En savoir plus

ARTICLES RÉCENTS
  • En attendant l’ordinateur quantique universel…
  • L’IA teste ses premiers algorithmes quantiques
  • Les promesses de l’IA quantique
  • La recherche à l’assaut des deepfakes vocaux
  • Recyclage : nos déchets sous l’œil de l’IA

Tout savoir sur…

Le DAP

Comité Éditorial

Partenaires

Équipe


Copyright © Data Analytics Post. Tous droits réservés.

Mentions légales & CGU