#014 ML Анастасия Никулина. Карьера дата-сайентиста

#014 ML Анастасия Никулина. Карьера дата-сайентиста

#014 ML Anastasia Nikulina. Carrière de data scientist

par Machine Learning Podcast · Voir la chaîne sur PSI

Sciences humaines, sociales & pensée Développement Personnel VSAide personnelle, développement personnel et conseils pratiquesVSCConseils professionnels et pour atteindre le succès
🎙 Machine Learning Podcast 👥 5K 📅 5 décembre 2020 ⏱ 67 min 👁 6K 📄 opinion experte 🧭 2026-10-10
Disponible en : Français (actuel) English

Mots-clés

data scientistjuniorseniormathématiquessoft skills

Résumé

Dans cet entretien, Anastasia Nikulina, senior data scientist chez Rosbank, raconte son parcours depuis ses études à Bauman jusqu’à ses postes successifs en télémédecine, en télécommunications, dans la publicité et enfin en banque. Elle détaille les compétences nécessaires aux niveaux junior, middle et senior, tant techniques que comportementales, et insiste sur l’importance des mathématiques, des statistiques et de la théorie des probabilités pour comprendre les algorithmes. Elle évoque les tâches concrètes comme la gestion des données, le nettoyage, la préparation, ainsi que la nécessité de savoir communiquer les résultats via des présentations. Elle aborde aussi les soft skills comme la ponctualité, la prise de responsabilité et la capacité à formuler des hypothèses. Enfin, elle donne des conseils de formation, recommande le livre de Sebastian Raschka et partage son expérience en tant que femme dans un domaine à prédominance masculine. Le podcast est destiné aux débutants et aux personnes intéressées par une carrière en data science.

155 mots

Évaluation critique

Valeur des informations & solidité de l’argumentation

La valeur de cet échange réside dans le partage d’une expérience réelle et progressive, illustrant chaque étape de carrière avec des exemples concrets. L’argumentation est structurée chronologiquement, ce qui permet de bien suivre l’évolution des responsabilités et des compétences aux différents niveaux. La praticienne justifie ses recommandations par des anecdotes et des situations vécues, rendant le contenu crédible et utile pour toute personne envisageant une carrière en data science. Elle aborde également des sujets souvent négligés comme l’importance des présentations et des soft skills, ajoutant une dimension pratique au-delà des compétences techniques.

Rigueur scientifique, qualité des sources, adéquation du titre

La rigueur scientifique est limitée puisqu’il s’agit d’un avis personnel et non d’une étude systématique. Aucune source académique n’est citée, mais la description fournit des liens vers le profil LinkedIn de l’invitée, sa chaîne YouTube avec des tutoriels sur les mathématiques, et le livre recommandé sur Python et le machine learning, ce qui permet de vérifier certaines références. L’adéquation entre le titre et le contenu est excellente : le sujet annoncé est entièrement couvert avec des détails pertinents. Cependant, les propos relèvent d’une expérience individuelle et pourrait ne pas refléter toutes les réalités du marché du travail, mais ils sont cohérents avec les pratiques généralement répandues dans le secteur.

216 mots

Adéquation titre / contenu

Le titre annonce une discussion sur la carrière de data scientist et le contenu correspond parfaitement.

Qualité & fiabilité

7/10

Interview d'une praticienne expérimentée avec conseils concrets, mais aucun chiffre précis ni référence académique directe ; la fiabilité repose sur l'expérience personnelle.

Moments clés

Repères établis par PSI à partir de la transcription : le créateur n'a pas défini de chapitres.

Sources citées

Sources concordantes

Apport & nouveautés

L’apport original de cette vidéo est de fournir un témoignage détaillé d’une femme senior en data science, couvrant l’ensemble du parcours professionnel et mettant l’accent sur les compétences transversales et les défis spécifiques rencontrés. Contrairement à de nombreux tutoriels techniques, elle insiste sur la réalité quotidienne du métier et les attentes des entreprises aux différents niveaux de séniorité.

Pour aller plus loin :

  • Data science — Domaine détaillé avec les compétences associées.
  • Machine learning — Concepts de base et méthodes, complémentaire aux explications de la vidéo.
  • Kaggle — Plateforme de concours de machine learning, utile pour la pratique recommandée par l’invitée.
  • Mathématiques pour le machine learning — Lien avec l’importance des mathématiques évoquée.
  • Sebastian Raschka — Auteur du livre recommandé, référence dans le domaine.

124 mots

Profil radar

Le profil radar présente une quantité d'information élevée, une qualité et une fiabilité moyennes, reflétant la nature personnelle de l'entretien mais avec une abondance de sujets couverts. Le niveau technique est intermédiaire, accessible aux débutants tout en offrant des précisions utiles pour les plus avancés.

Fiabilité 7/10