Introduction

à la Data Science
par Cdt Nour Elhak FRADI
PLAN

01 Introduction
02 DaaS: Aspect fondamentaux
03 Architecture de DaaS
04 Avantages et défis
 01
Introduction
01 Introduction

▪ 1962, dans The future of Data Analysis, John Wilder

Tukey, dit préférer le terme de « data analysis » à
celui de statistique.

▪ 1974, la Data Science est mise en avant au sein d’œuvres universitaires

comme Concise Survey of Computer Methods de Peter Naur.

▪ 2002-2003, Lancement en avril 2002 du Data Science Journal puis en

janvier 2003 du Journal of Data Science.

▪ 2010-2012, L’explosion du terme Data Science. Les les offres d’emploi

pour le poste de Data Scientist ont augmenté de plus de 15 000%

Data Science et Intelligence Artificielle | Cdt Nour Elhak FRADI | EEM 2024-2025 4
01 Introduction

▪ Smartphones : Il y a environ 6 à 7 milliards de

smartphones en circulation dans le monde.

▪ Appareils IoT : On estime qu'il y a environ 15 à 20

milliards d'appareils IoT dans le monde.

Ce chiffre inclut une large gamme d'objets connectés

comme les appareils domestiques intelligents, les
capteurs industriels, les équipements de santé, et plus
encore.

Data Science et Intelligence Artificielle | Cdt Nour Elhak FRADI | EEM 2024-2025 5
01 Introduction
▪ Explosion du volume de données les dernières années.

Data Science et Intelligence Artificielle | Cdt Nour Elhak FRADI | EEM 2024-2025 6
01 Introduction
* Définition sémantique
« Data » « Science »

▪ Données ▪ Science, méthodes scientifiques :

▪ Informations transmises ou stockées o Mathématiques
par voie électronique o Statistiques
o Informatique
o …

Data Science et Intelligence Artificielle | Cdt Nour Elhak FRADI | EEM 2024-2025 7
01 Introduction
* Définition analytique

▪ La Data science ou science de données est une discipline

▪ Exploiter et analyser des données brutes

→ les transformer en informations précieuses

→ Résoudre un problème dans l’entreprise

▪ La data science est une démarche empirique qui se base sur les données pour apporter
une réponse à un problème

▪ La data science, ou science des données, est un domaine interdisciplinaire qui utilise des
techniques scientifiques, des algorithmes, des processus et des systèmes pour extraire des
connaissances et des insights (informations clés) à partir de données structurées ou non
structurées.

▪ Elle s'appuie sur un large éventail de méthodes issues de plusieurs disciplines, notamment
les statistiques, l'informatique, et les mathématiques, pour analyser et interpréter les
données.

Data Science et Intelligence Artificielle | Cdt Nour Elhak FRADI | EEM 2024-2025 8
01 Introduction
* Data Science

Data Science et Intelligence Artificielle | Cdt Nour Elhak FRADI | EEM 2024-2025 9
01 Introduction
* Composantes principales de la data science :
1. Collecte des données : La première étape consiste à recueillir des données à partir de diverses sources.
2. Préparation et nettoyage des données : Cette étape consiste à rendre les données utilisables, en traitant les valeurs
manquantes, en éliminant les anomalies, et en transformant les données en un format adapté pour l'analyse.
3. Analyse des données : Les analystes utilisent des algorithmes et des méthodes statistiques pour identifier des
tendances, des modèles et des relations dans les données.
4. Modélisation : On construit des modèles prédictifs ou explicatifs à l'aide de techniques telles que l'apprentissage
automatique (machine learning) ou l'intelligence artificielle (IA).
5. Interprétation des résultats : Les insights obtenus à partir des données sont interprétés afin de prendre des
décisions informées. La visualisation des données est souvent utilisée pour rendre les résultats plus
compréhensibles.

Data Science et Intelligence Artificielle | Cdt Nour Elhak FRADI | EEM 2024-2025  10
01 Introduction
* Pourquoi la Data Science ?

▪ L'explosion des données ▪ Personnalisation

▪ Prise de décision éclairée ▪ Résolution de problèmes complexes
▪ Automatisation et optimisation ▪ Prédictions fiables
▪ Avantages concurrentiels ▪ Amélioration de la productivité

Data Science et Intelligence Artificielle | Cdt Nour Elhak FRADI | EEM 2024-2025  11
01 Introduction
* Les métiers Data
▪ Le « Data Analyst » est celui qui va analyser les données, avec des chiffres, Analyser des données pour que le
manager puisse prendre des décisions.

▪ Le « Data Scientist » il Explore, fouille, et analyse des données mais d’une manière plus poussée. Il fait appel à des
procédés mathématiques scientifiques pour analyser les données et des algorithmes avancés pour résoudre des
problèmes métier.

▪ Le « Data Engineer » ▪ Le « Data Steward »

Développe et assure la Le contrôleur qualité et
maintenance de métier des données
l’infrastructure technique
fait évoluer cette
infrastructure.

▪ Le «Data Protection Officer» ▪ Le «Chief Data Officer»

Le commissaire de la bonne Le chef d’orchestre de la
application de la transformation data,
règlementation autour des directeur des données
données.

Data Science et Intelligence Artificielle | Cdt Nour Elhak FRADI | EEM 2024-2025  12
 02
DaaS: Aspect
fondamentaux
02 DaaS: Aspect fondamentaux
* C’est quoi le DaaS ?
▪ Le DaaS (Data as a Service), ou « données en tant que service »,
est un modèle qui permet aux utilisateurs d'accéder aux données
via une plateforme ou un réseau, souvent via le cloud, sans avoir
à gérer les infrastructures de stockage ou les traitements
nécessaires.

▪ Cela permet aux entreprises et aux utilisateurs d'obtenir des

données structurées ou non structurées sans avoir à investir
dans des infrastructures complexes de stockage et d'analyse des
données.

Data Science et Intelligence Artificielle | Cdt Nour Elhak FRADI | EEM 2024-2025  14
 02 DaaS: Aspect fondamentaux
* Pourquoi le DaaS ?
▪ Les données deviennent une denrée de plus en plus précieuse.

▪ Les données sont le moteur de l'apprentissage automatique, de

la détection des fraudes et de nombreuses autres applications
sophistiquées.

▪ Il vous faudra:
• Collecter / acheter des données
• Avoir les ressources matériels
• Coder ou faire appel à des ingénieurs coûteux pour y parvenir

→ Données en tant que service entrent en jeu

→ Les fournisseurs de DaaS donnent accès aux données stockées
dans leurs systèmes en nuage sans que le client ait besoin
d'ingénierie ou de codage.

Data Science et Intelligence Artificielle | Cdt Nour Elhak FRADI | EEM 2024-2025  15
02 DaaS: Aspect fondamentaux
* Aspect fondamentaux

▪ Accessibilité : Les données sont accessibles depuis n'importe où, à n'importe quel moment.

▪ Scalabilité : Le DaaS est conçu pour être scalable. Cela signifie que les utilisateurs peuvent
augmenter ou diminuer les volumes de données traitées et stockées en fonction de leurs besoins,
sans avoir à investir dans des infrastructures supplémentaires.

▪ Réduction des coûts : Avec le DaaS, les entreprises n'ont plus besoin de maintenir des centres de
données complexes ou d'investir dans des solutions de stockage onéreuses. Les données sont
hébergées par des fournisseurs de services cloud, ce qui réduit considérablement les coûts liés à la
maintenance et à la gestion des infrastructures.

▪ Facilité d'intégration : Le DaaS permet l’intégration simple avec d'autres systèmes et applications
via des API. Cela facilite l'extraction, la transformation et le chargement des données dans d'autres
plateformes sans avoir besoin d’opérations manuelles lourdes.

Data Science et Intelligence Artificielle | Cdt Nour Elhak FRADI | EEM 2024-2025  16
02 DaaS: Aspect fondamentaux
* Aspect fondamentaux

▪ Sécurité des données : Les fournisseurs de DaaS investissent massivement dans la sécurité pour
protéger les données sensibles. Cela inclut des mesures de chiffrement, des contrôles d’accès, et
des audits réguliers pour garantir que les données des clients sont protégées contre les violations
ou les pertes.

▪ Qualité des données : Le DaaS améliore la qualité des données grâce à une gestion centralisée,
avec des processus standardisés pour la validation, la transformation et l'enrichissement des
données avant qu'elles ne soient accessibles par les utilisateurs.

▪ Flexibilité et personnalisation : Les utilisateurs peuvent personnaliser les services DaaS en

fonction de leurs besoins. Cela inclut l’accès à des ensembles de données spécifiques ou
l'application de règles de gestion de données propres à leur entreprise.

Data Science et Intelligence Artificielle | Cdt Nour Elhak FRADI | EEM 2024-2025  17
 03
Architecture
de DaaS
03 Architecture de DaaS

Data Science et Intelligence Artificielle | Cdt Nour Elhak FRADI | EEM 2024-2025  19
03 Architecture de DaaS
* Aspect fondamentaux

▪ Source de données (Data Sources) :

• Les données proviennent de différentes sources, qu'elles soient internes (comme les
bases de données d’entreprise, les systèmes ERP, CRM, etc.) ou externes (données
publiques, données du marché, données des réseaux sociaux).
• Ces sources peuvent inclure des données structurées (bases de données relationnelles),
semi-structurées (fichiers JSON, XML), ou non structurées (texte, images).

▪ Interface d’accès (API et services web) :

• API (Application Programming Interface) : Elles permettent également l'intégration avec d'autres systèmes
et applications.
• Services Web : Permettent l’échange de données entre l'application cliente et la plateforme DaaS via des
protocoles comme REST ou SOAP.

▪ Cloud et infrastructure de stockage (Cloud Storage) :

• Stockage dans le cloud : Les données sont hébergées et stockées sur des
infrastructures cloud qui assurent une grande capacité de stockage, la résilience,
et la haute disponibilité des données.
• Scalabilité : L’architecture DaaS est conçue pour évoluer en fonction des besoins,
permettant d'augmenter ou de réduire facilement la capacité de stockage en
fonction du volume de données.

Data Science et Intelligence Artificielle | Cdt Nour Elhak FRADI | EEM 2024-2025  20
03 Architecture de DaaS
* Aspect fondamentaux

▪ Gestion et traitement des données (Data Management Layer) :

• Transformation des données : Les données brutes provenant de diverses sources sont nettoyées,
transformées et formatées pour être utilisables.
• Enrichissement des données : Processus d'enrichissement des données, ajoutant des informations
supplémentaires pour améliorer leur valeur.
• Qualité des données : Garantir leur exactitude, cohérence, et intégrité.

▪ Sécurité et confidentialité des données (Data Security Layer) :

• Chiffrement des données : Les données en transit et stockées sont chiffrées pour empêcher tout accès non
autorisé.
• Contrôle d’accès : L'architecture DaaS intègre des mécanismes de contrôle d’accès basés sur les rôles (RBAC)
pour garantir que seules les personnes autorisées puissent accéder à certaines données sensibles.
• Audit et traçabilité : Les systèmes DaaS enregistrent toutes les interactions avec les données, permettant de
suivre qui a accédé aux données, quand et pourquoi, afin d’assurer la conformité réglementaire.

▪ Gestion des utilisateurs (User Management) :

• Accès multi-locataires : Plusieurs utilisateurs ou organisations peuvent accéder à la même plateforme, avec
une isolation des données pour chaque locataire.
• Personnalisation : Chaque utilisateur ou client peut personnaliser les services et les ensembles de données
auxquels ils ont accès en fonction de leurs besoins spécifiques.

Data Science et Intelligence Artificielle | Cdt Nour Elhak FRADI | EEM 2024-2025  21
•Reprise après sinistre : Des systèmes de sauvegarde et de restauration sont intégrés p
03 Architecture de DaaS
* Aspect fondamentaux

▪ Distribution et livraison des données (Data Delivery) :

• Formats multiples : Les données peuvent être livrées sous différents formats selon
les besoins des utilisateurs (par exemple, CSV, JSON, XML). Cela permet une
flexibilité d'utilisation dans diverses applications.
• Temps réel ou batch : Les données peuvent être fournies en temps réel (streaming)
ou par lots (batch processing), selon l'architecture et les besoins des utilisateurs.

▪ Automatisation et orchestration (Automation Layer):

• Automatisation des processus : Les tâches telles que l'extraction, la transformation, et la mise à jour des
données peuvent être automatisées pour optimiser la performance et réduire les interventions humaines.
• Orchestration : L'architecture DaaS comprend souvent des outils pour orchestrer et superviser les flux de
données afin de garantir que les processus se déroulent de manière fluide et efficace.

▪ Disponibilité et résilience (Availability and Resilience)

• Haute disponibilité : L’architecture DaaS garantit un accès constant aux données avec des mécanismes de
redondance pour éviter les interruptions de service.
• Reprise après sinistre : Des systèmes de sauvegarde et de restauration sont intégrés pour protéger les
données contre les pannes ou les catastrophes.

Data Science et Intelligence Artificielle | Cdt Nour Elhak FRADI | EEM 2024-2025  22
 04
Avantages
et défis
04 Avantages et défis
* Avantages

▪ Accès à distance et flexibilité

▪ Réduction des coûts
▪ Scalabilité
▪ Simplification de la gestion des données
▪ Meilleure qualité des données
▪ Sécurité améliorée
▪ Facilité d'intégration
▪ Innovation accélérée

Data Science et Intelligence Artificielle | Cdt Nour Elhak FRADI | EEM 2024-2025  24
04 Avantages et défis
* Défis

▪ Confidentialité des données et conformité aux lois

▪ Problèmes de sécurité
▪ Dépendance aux fournisseurs
▪ Performance et latence
▪ Disponibilité et continuité de service

Data Science et Intelligence Artificielle | Cdt Nour Elhak FRADI | EEM 2024-2025  25