Merci pour le podcast très intéressant. Et je rejoins le commentaire d’un des intervenants. Étant data scientist (machine learning, deep learning, NLP, etc.), je trouve que le coût d’entrée pour apprendre ces méthodes sont moins élevées que celles de l’historien. On peut apprendre en quelques semaines les bases du python / R pour faire de l’analyse de données / ML classique mais apprendre les langues anciennes, la numismatique, épigraphie, etc. Demande beaucoup plus de temps. Je suis admiratif de vos compétences. Car je considère que presque n’importe qui avec un peu de logique peut faire notre métier mais ce n’est pas le cas pour l’historien. Peut être que l’appréhension vient du fait qu’il y ait beaucoup de chiffres, quelques calculs (une peur des maths) mais rien de très compliqué (sauf si on veut entrer dans les détails de l’algorithme). La technique n’est pas très dur. C’est ce qu’on fait des résultats obtenus qui va jouer. Comment utiliser les outputs, les interpréter. Où trouver les données, comment les trier, les retraiter, etc. En tout cas, votre émission m’a éclairé sur les utilisations possible d’un champ la data science en Histoire. Notamment, en vue d’une possible reconversion.
![Les origines du français [ST]](http://i.ytimg.com/vi/voj5JqyJfi4/mqdefault.jpg)
Merci pour le podcast très intéressant. Et je rejoins le commentaire d’un des intervenants. Étant data scientist (machine learning, deep learning, NLP, etc.), je trouve que le coût d’entrée pour apprendre ces méthodes sont moins élevées que celles de l’historien. On peut apprendre en quelques semaines les bases du python / R pour faire de l’analyse de données / ML classique mais apprendre les langues anciennes, la numismatique, épigraphie, etc. Demande beaucoup plus de temps. Je suis admiratif de vos compétences. Car je considère que presque n’importe qui avec un peu de logique peut faire notre métier mais ce n’est pas le cas pour l’historien. Peut être que l’appréhension vient du fait qu’il y ait beaucoup de chiffres, quelques calculs (une peur des maths) mais rien de très compliqué (sauf si on veut entrer dans les détails de l’algorithme).
La technique n’est pas très dur. C’est ce qu’on fait des résultats obtenus qui va jouer. Comment utiliser les outputs, les interpréter. Où trouver les données, comment les trier, les retraiter, etc.
En tout cas, votre émission m’a éclairé sur les utilisations possible d’un champ la data science en Histoire. Notamment, en vue d’une possible reconversion.
re-former et non réformer ! Lumineux.