Missions
Points de vue, outils pratiques et études de cas
L’évolution du métier de DSI depuis l'apparition des IA génératives
Les IA génératives transforment profondément le travail du DSI en lui offrant de nouvelles opportunités pour automatiser, personnaliser et optimiser son organisation. Une interrogation se pose : assiste-on à un changement de paradigme pour ce métier ?
4 semaines de stage pour apprendre le machine learning (l’IA)
Environnement de travail, préparation des données, entraînement d'un modèle, inférence et enrichissement du modèle par des références client. Un tour d'horizon complet des bases de l'intelligence artificielle.
La détermination des rôles de nos contacts
Article 7. Cet article explore deux méthodes efficaces pour caractériser les rôles de vos contacts LinkedIn en utilisant des données préalablement nettoyées.
Caractérisation des contacts : contact, d'où viens-tu ?
Article 6. L’idée principale : se concentrer sur l'unification de nos différents répertoires de contacts en créant une seule base de données cohérente.
Détermination des mots-clés les plus utilisés et fonction de traduction
Article 5. Comment déterminer les mots clés les plus utilisés dans la description des positions et intégrer aussi une nouvelle fonction : la fonction de traduction.
Analyse du nombre de mots pour décrire le poste en entreprise
Article 4. Première utilisation de fonctions simples comprises dans Panda.
Lemmatisation et tokenisation : affiner l'analyse de texte en français
Article 3. Après avoir nettoyé notre document, l'étape suivante pour optimiser notre analyse de texte consiste à lemmatiser et tokeniser notre corpus.
Comment nettoyer ses CSV ?
Article 2. Deuxième article de notre série sur les données LinkedIn : Gaëtan Evain nous explique comment établir un environnement de travail ainsi que quelques fonctions clés.
Introduction : comment récupérer ses données LinkedIn ?
Article 1. Un petit tutoriel pour naviguer dans LinkedIn et trouver vos données.
