[Partie 1] Votre premier parcours vers une pensée et un leadership fondés sur les données

Chapitre 1 : Quel est le problème ?
Questions que les prospects de données doivent se poser
___Pourquoi cette question est-elle importante ?
Qui est concerné par ce problème ?
Que faire en l'absence de données appropriées ?
Quand le projet ___ prendra-t-il fin ?
Que dois-je faire si je ne suis pas satisfait des résultats ?
Pourquoi le projet de données a-t-il échoué ?
___Sensibilisation du client
Points à considérer
Concentrons-nous sur l'essentiel.
_organiser

Chapitre 2 : Que sont les données ?
Données vs. Information
___Exemple de jeu de données
Type de données
Comment les données sont-elles collectées et formatées ?
Données observationnelles vs. données expérimentales
Données structurées vs. données non structurées
Statistiques récapitulatives de base
_organiser

Chapitre 3 : Se préparer à la pensée statistique
Posons une question
Tout est susceptible de changer.
Scénario de sensibilisation du client (suite)
Étude de cas : Incidence du cancer du rein
Probabilités et statistiques
Probabilité contre intuition
Découvertes utilisant les statistiques
_organiser

[Partie 2] Attitudes envers les données, connaissances en probabilités et statistiques

Chapitre 4 : Argumentons avec les données
_Que ferais-tu à ma place ?
___La catastrophe causée par les données manquantes
Vérifions la source des données
Qui a recueilli les données ?
Comment les données ont-elles été collectées ?
Les données sont-elles représentatives ?
Y avait-il un biais dans l'échantillonnage ?
Comment avez-vous géré les valeurs aberrantes ?
_Que sont les données non vérifiées ?
Comment avez-vous géré les valeurs manquantes ?
Les données permettent-elles de mesurer le concept que vous essayez de mesurer ?
Contestons toutes les données, quelle que soit leur taille.
_organiser

Chapitre 5 : Explorons les données
Analyse exploratoire des données de prospection
La nécessité d'une pensée exploratoire
Quelles questions devrais-je poser ?
Scénario virtuel
Les données peuvent-elles répondre à vos questions ?
___Fixez des attentes et faites preuve de bon sens
___Cette valeur de données est-elle intuitivement compréhensible ?
Gérer correctement les valeurs aberrantes et les valeurs manquantes
Quelles relations observez-vous dans les données ?
Comprenons la corrélation ___
___Attention à ne pas mal interpréter la corrélation.
___Corrélation n'implique pas causalité
_Avez-vous trouvé de nouvelles opportunités d'exploration dans vos données ?_
_organiser

Chapitre 6 : Qu'est-ce que la probabilité ?
_Devinons
_Les règles du jeu
___Notation mathématique
Probabilité conditionnelle et événements indépendants
___Probabilité d'occurrence de divers événements
___deux événements se produisant simultanément
Expériences de pensée sur les probabilités
3 points de contrôle sur la probabilité ___
_Soyez prudent lorsque vous supposez que les événements sont indépendants les uns des autres.
Ne tombez pas dans le piège du joueur.
N'oubliez pas que toutes les probabilités sont des probabilités conditionnelles.
Ne changeons pas la relation de dépendance.
___Théorème de Bayes
_Assurez-vous que la probabilité soit significative
___correction
Même si la possibilité est faible, des événements se produisent.
_organiser

Chapitre 7 : Remettons en question les statistiques
_Qu'est-ce que l'inférence statistique ?
___Laissez une marge d'erreur
Plus il y a de données, plus il y a de preuves.
___Interrogeons-nous sur la situation actuelle
Existe-t-il des preuves du contraire ?
___Erreurs de jugement d'équilibre
Processus d'inférence statistique
Questions nécessaires pour vérifier les résultats de l'analyse statistique
___Dans quel contexte les résultats de l'analyse statistique sont-ils obtenus ?
___Quelle est la taille de l'échantillon ?
___Qu'est-ce qui est vérifié ?
___Quelle est l'hypothèse nulle ?
Quel est le niveau de signification ___ ?
___Combien de fois l'avez-vous vérifié ?
Pouvez-vous fournir un intervalle de confiance ?
___Est-ce un résultat concrètement significatif ?
Vous supposez une relation de cause à effet ?
_organiser

[Partie 3] Réapprentissage des connaissances en apprentissage automatique, apprentissage profond et intelligence artificielle à travers diverses études de cas

Chapitre 8 : Apprentissage automatique : Découverte de modèles et de groupes cachés dans les données
_Qu'est-ce que l'apprentissage non supervisé ?
Réduction de dimension
___Créer une variable complexe
Analyse en composantes principales
___Principaux composants des données sur la capacité d'exercice
Résumé de l'analyse en composantes principales
___Pièges à surveiller
_Analyse de clusters
analyse de cluster k-means
___Analyse de regroupement des magasins de détail
___Pièges à surveiller
_organiser

Chapitre 9 : Modèles de régression pour prédire l'avenir et expliquer les phénomènes
Apprentissage supervisé
À quoi sert la régression linéaire ?
Régression des moindres carrés (et pas seulement pour son nom ronflant)
_Ce que nous pouvons apprendre de la régression linéaire
___Lorsque davantage de variables sont saisies
_La confusion causée par la régression linéaire
___variables manquantes
___Multicolinéarité
fuite de données
Erreur d'extrapolation
La plupart des relations ne sont pas linéaires.
Expliquer ou prédire
Performance du modèle de régression ___
_Autres modèles de régression
_organiser

Chapitre 10 : Un modèle de classification permettant d’identifier les critères de jugement
_Qu'est-ce qu'un problème de classification ?
___Trois méthodes de modèles de classification
Configuration du problème de classification
Régression logistique
___Avantages de la régression logistique
Arbre de décision
Modèle d'ensemble
Forêt aléatoire
Arbre à gradient boosté
___Pouvoir explicatif des modèles d'ensemble
_Attention aux pièges courants
Appliquer un modèle qui ne correspond pas au type de données ___
fuite de données
Partitionnement des ensembles de données pour la construction et le test de modèles
___Choisir les seuils appropriés pour la prise de décision
_Idées fausses concernant la précision
___Matrice de confusion
_organiser

Chapitre 11 : Analyse de texte : identifier les thèmes et les émotions contenus dans le texte
_Attentes en matière d'analyse de texte
Comment convertir du texte en nombres
sac de mots
___N-gramme
___représentations vectorielles de mots
Modélisation thématique
Classification de texte
___Bayes naïf
Analyse des sentiments
Questions pratiques à prendre en compte dans l'analyse de texte
L'avantage technologique des géants de la tech
_organiser

Chapitre 12 : Apprentissage profond et IA : ce que les responsables des données doivent savoir
Modèle de réseau neuronal
En quoi les réseaux neuronaux sont-ils similaires au cerveau humain ?
Modèle de réseau neuronal simple
Comment les réseaux neuronaux apprennent
___Un réseau neuronal légèrement plus complexe
_Cas d'application de l'apprentissage profond
___Avantages de l'apprentissage profond
Comment les ordinateurs « voient » les images
Réseau neuronal convolutif
Apprentissage profond pour le traitement du langage et les données séquentielles
Applications pratiques de l'apprentissage profond
Les données ___ sont-elles suffisantes ?
Les données sont-elles structurées ?
À quoi ressemble un réseau neuronal ___ ?
Perspectives sur l'IA
La position avantageuse des géants de la tech
___Enjeux éthiques de l'apprentissage profond
_organiser

[Partie 4] Ce que les responsables des données doivent faire pour la réussite des projets et de l'organisation

Chapitre 13 : Échecs et pièges qui guettent partout
Biais des données et phénomènes étranges
biais de survie
___régression vers la moyenne
Le paradoxe des Simpson
Biais de confirmation
___Sophisme des coûts irrécupérables
biais de l'algorithme
___Autres biais
_Pièges typiques des projets de données
___Pièges des statistiques et de l'apprentissage automatique
Projet Trap
_organiser

Chapitre 14 : Comprendre les diverses tendances des membres de l'organisation
7 situations où la communication se rompt
Visite post-mortem
___une présentation sans substance
___Diffusion d'informations inexactes
___dans le marais
___Vérification de la réalité
___s'emparer du pouvoir
___un vantard..
Trois attitudes courantes face aux données
___Données Blindman
___Pessimiste des données
Responsable des données
_organiser

Chapitre 15 : Vers un lieu plus élevé

| Ce que ce livre aborde |
- Attitude et compétences en matière de raisonnement statistique des données
- La variabilité qui affecte la vie quotidienne et les processus de prise de décision
- Maîtrise des techniques de traitement des données permettant de formuler des avis pertinents sur les résultats statistiques et analytiques dans le domaine.
- Les principes fondamentaux et les connaissances qui sous-tendent l'apprentissage automatique, l'analyse de texte, l'apprentissage profond et l'IA.
- Les pièges dans lesquels il est facile de tomber lors de l'analyse et de l'interprétation des données
- Ce qu'un responsable des données doit faire pour assurer le succès des projets et des organisations.

| Public cible de ce livre |
Ce livre est agréable à lire et offre des informations précieuses à tous, y compris aux data scientists débutants, aux analystes de données, aux professionnels du commerce, aux ingénieurs en IA/apprentissage automatique et aux dirigeants d'entreprise.
Cela est particulièrement vrai pour les professionnels du marketing qui doivent travailler avec des analystes de données, des développeurs, des employés ou des chercheurs qui ne sont pas encore familiarisés avec les données, les cadres dirigeants qui ont besoin d'une connaissance plus approfondie des données pour introduire de nouvelles technologies d'IA et prendre des décisions, et les gestionnaires qui doivent diriger des équipes ou des organisations de données.
Cet ouvrage est une lecture incontournable pour quiconque souhaite travailler dans le domaine des données ou devenir un leader dans ce domaine.


| Structure de ce livre |

Partie 1 : Votre premier pas vers une pensée et un leadership fondés sur les données
La première partie explique comment adopter une perspective axée sur les données.
Apprenez à analyser de manière critique les projets de données entrepris par votre organisation et à poser les questions pertinentes.
Nous explorerons la définition des données, l'utilisation correcte de la terminologie et comment appréhender le monde d'un point de vue statistique.

Partie 2 : Attitudes envers les données, connaissances en probabilités et statistiques
Les responsables des données participent activement aux discussions importantes concernant les données.
Dans la deuxième partie, nous verrons comment argumenter avec des données et quelles questions vous devez vous poser pour comprendre les concepts statistiques que vous rencontrerez dans votre travail.
Vous apprendrez les concepts statistiques et probabilistes de base nécessaires pour comprendre ou interpréter les résultats d'analyses de données.

Partie 3 : Réapprentissage des connaissances en apprentissage automatique, en apprentissage profond et en intelligence artificielle à travers diverses études de cas
Les responsables des données doivent comprendre les principes fondamentaux du fonctionnement des modèles statistiques et d'apprentissage automatique.
Vous acquerrez une compréhension intuitive de l'apprentissage non supervisé, de la régression, de la classification, de l'analyse de texte et de l'apprentissage profond.

Partie 4 : Ce que font les responsables des données pour assurer le succès des projets et de l’organisation
Les responsables des données doivent être conscients des erreurs et des pièges courants liés au traitement des données.
Nous explorons les pièges techniques qui mènent les organisations et les projets à l'échec, et nous découvrons les personnes impliquées dans les projets de données et leurs tendances.
Enfin, nous vous donnerons des conseils pour réussir en tant que leader des données.

[Note de l'auteur]

Nous pensons que beaucoup de gens souhaitent apprendre à bien connaître les données, mais ne savent pas par où commencer.
Les nombreux ouvrages sur la science des données et les statistiques déjà publiés couvrent un spectre très diversifié.
D'un côté, on trouve de nombreux ouvrages non techniques qui vantent les mérites et les perspectives prometteuses de l'utilisation des données.
Il y a quelques bons livres parmi eux.
Cependant, aussi bon soit un livre, il s'agit souvent d'un ouvrage traitant du monde des affaires et orienté vers le présent.
La plupart de ces livres sont écrits par des journalistes pour mettre en lumière les aspects spectaculaires de l'essor des données.

Ces ouvrages expliquent comment résoudre des problèmes commerciaux spécifiques grâce à l'analyse de données. Des termes comme IA et apprentissage automatique y sont fréquemment employés.
J'espère qu'il n'y aura pas de malentendu.
Des ouvrages comme celui-ci ont contribué à sensibiliser le public à l'utilisation des données.
Cependant, il n'approfondit pas les tâches spécifiques à accomplir, mais se concentre simplement sur les problèmes et les solutions d'ordre général.

À l'autre extrémité du spectre se trouvent les ouvrages techniques de haut niveau.
La plupart sont des livres volumineux de plus de 500 pages, ce qui les rend non seulement exigeants physiquement, mais aussi mentalement éprouvants.

Il existe des montagnes de livres aux deux extrémités du spectre.
Il est difficile de combler le fossé de communication car la plupart des gens ne lisent que des livres d'affaires ou techniques.
Heureusement, il existe d'excellents livres entre ces deux extrêmes.


Nous aimerions ajouter notre livre à cette liste.
Le livre que vous êtes en train de lire peut être lu par n'importe qui sans aucune contrainte, même sans ordinateur ni bloc-notes à proximité.
Si vous avez apprécié notre livre, je vous recommande vivement de lire au moins l'un des deux ouvrages mentionnés ci-dessus afin d'approfondir votre compréhension des données.
Vous ne le regretterez pas.

Nos auteurs aiment beaucoup ce livre.
Si ce livre vous motive à en apprendre davantage sur les données et leur analyse, et suscite en vous le désir d'approfondir vos connaissances, alors je considère qu'il s'agit d'une réussite.

[Note du traducteur]

J'ai lu, étudié et parfois traduit de nombreux ouvrages sur les données, mais celui-ci est tellement excellent que j'aurais souhaité l'avoir écrit moi-même au lieu de le traduire.
Lorsque j'ai reçu le livre original et parcouru rapidement les titres des chapitres, je me suis dit : « Ce contenu n'est-il pas trop facile ? » Cependant, dès l'instant où j'ai commencé à le lire sérieusement, savourant chaque phrase en vue de la traduction, jusqu'à la toute fin du dernier chapitre, je n'ai pu m'empêcher d'être impressionné par les efforts des auteurs pour écrire conformément aux intentions initiales du livre, et par leur grande expertise en analyse de données et en statistiques.

On dit souvent que « la chose la plus facile à écrire est la plus difficile ».
J'ai toujours adhéré à cette affirmation, mais j'en avais rarement vu d'exemple concret. Après avoir lu ce livre, j'ai eu l'impression d'enfin trouver un véritable exemple de ce qu'elle signifie.
« Facile à écrire » signifie que l'auteur maîtrise parfaitement l'essence et la logique du contenu, ce qui permet une écriture facile, claire et logique.

Ce livre aborde l'analyse des données et les statistiques avec la profondeur et l'étendue adéquates, ce qui peut s'avérer complexe.
C'est un excellent ouvrage d'introduction pour ceux qui envisagent une carrière dans ce domaine, mais il est également incroyablement utile pour quiconque n'a pas besoin d'approfondir les détails techniques mais souhaite acquérir des connaissances jusqu'à un niveau lui permettant de communiquer avec des analystes de données.
C'est un ouvrage véritablement remarquable qui oscille avec finesse entre enseignement général et véritable livre technique.

Surtout à une époque comme la nôtre, où l'IA gagne rapidement en popularité, il est nécessaire de se concentrer sur « l'essence » des données, la matière première qui alimente l'IA.
Bien que les livres et articles sur l'IA abondent aujourd'hui, la manière la plus précise de comprendre l'IA consiste à retracer l'évolution de la « pensée statistique axée sur les données » jusqu'à l'IA.
En ce sens, j'espère que ce livre pourra servir de premier manuel pour le grand public vivant à l'ère de l'IA.

Les aspects techniques du livre me sont déjà familiers, et comme ils ne sont pas trop détaillés, j'ai facilement compris les arguments et les messages des auteurs dans l'ouvrage original. Le problème résidait cependant dans la traduction en coréen.
Le contenu de chaque phrase et paragraphe est dense et le sens est condensé, ce qui rend la phrase elle-même facile, mais il a fallu beaucoup de réflexion et de temps pour traduire le sens exact et les nuances subtiles du texte original en phrases coréennes.
Bien qu'il s'agisse d'un vieux proverbe, je n'avais pas d'autre choix que de le traduire « point par point », ce qui m'a demandé beaucoup de temps et d'efforts.

Je dois avouer que j'ai toujours eu un fort désir d'écrire un bon livre qui trouve le juste équilibre entre pédagogie et technicité.
Cependant, lors de la traduction de ce livre, j'ai éprouvé un sentiment de déception en constatant qu'un ouvrage similaire avait déjà été publié, mais en même temps, j'ai ressenti une grande joie d'avoir découvert un livre aussi remarquable et d'avoir eu l'opportunité de le traduire.
C'est un excellent livre, et je peux le recommander sans hésiter à de nombreuses personnes.
- Choi Jae-won

Ayant exercé le métier d'ingénieur des matériaux pendant plusieurs décennies, je me suis consacré à la recherche et à l'analyse de divers phénomènes liés à l'ingénierie des matériaux, même pendant mes études universitaires.
Après avoir obtenu mon diplôme, lorsque j'ai commencé à travailler dans l'industrie des semi-conducteurs, j'ai été initié à des concepts statistiques, tels que l'interprétation de modèles pour l'analyse de fiabilité et diverses techniques de contrôle de la qualité, en plus de la perspective d'ingénierie des matériaux que j'avais étudiée.
Il était essentiel pour les entreprises d'améliorer la qualité et la durée de vie de leurs produits pour réaliser des bénéfices.

Mais une pensée persistait dans ma tête.
Si nous comprenons pleinement les phénomènes abordés en génie des matériaux, il semble que de telles approches statistiques pourraient être minimisées, voire éliminées.
Avec le recul, je pense que c'était peut-être surtout que je voulais ignorer complètement les approches et les applications statistiques.
L'essentiel des travaux scientifiques et techniques sur lesquels je me suis concentré, y compris le génie des matériaux, a consisté à explorer les relations de cause à effet afin d'identifier clairement les causes et les effets.
Puis, l'ère de l'IA est arrivée et a commencé à s'appliquer à tous les domaines, y compris les semi-conducteurs.
Cela m'a amené à me demander quelle était la différence entre les concepts classiques de données en statistiques et les données traitées par l'IA.
Poussé par cette vague curiosité, j'ai épluché d'innombrables articles et livres, et j'ai même erré dans l'océan d'Internet.

Pour les chercheurs ordinaires comme moi, n'existe-t-il pas un livre qui soit une perle rare, qui ne se contente pas de prophéties idylliques, sans programmation ni formules statistiques complexes, mais qui aille droit au but ? Existe-t-il des auteurs qui écrivent pour des personnes animées d'une curiosité similaire ? En effet, ce lien existait bel et bien ! Il s'agissait du livre original : « Becoming a Data Head ».
Ce joyau, que j'ai déniché avec beaucoup de difficulté, était un livre anglais, mais sa lecture fut si agréable que je m'en souviens encore très bien.
Les auteurs de ce livre étaient des conteurs hors pair qui, comme s'ils discutaient de tout ce qui m'avait toujours intrigué dans un forum de discussion, ont habilement levé le voile sur le mystère. À la lecture de ce livre, j'ai eu l'impression que des questions fondamentales sur les statistiques et les données, restées sans réponse pendant des décennies, avaient trouvé une réponse instantanée.

Dans l'univers, combien de choses, y compris les défis techniques, pouvons-nous réellement comprendre les relations de cause à effet ? C'est pourquoi il était nécessaire de commencer par les statistiques et de comprendre le monde des données ouvert par l'apprentissage profond et l'IA.
Un autre aspect frappant de ce livre est qu'il propose une variété de métaphores illustrant comment non seulement les ingénieurs et les chercheurs ordinaires, mais aussi les dirigeants et les gestionnaires d'entreprise devraient considérer et utiliser les données pour la réussite de leurs entreprises.

J’espère que les lecteurs de divers horizons apprécieront la richesse des connaissances acquises grâce aux données dans cet ouvrage, et c’est sur cette note que je conclus cet article.
- Jang Jin-wook [Note de l'auteur]

Nous pensons que beaucoup de gens souhaitent apprendre à bien connaître les données, mais ne savent pas par où commencer.
Les nombreux ouvrages sur la science des données et les statistiques déjà publiés couvrent un spectre très diversifié.
D'un côté, on trouve de nombreux ouvrages non techniques qui vantent les mérites et les perspectives prometteuses de l'utilisation des données.
Il y a quelques bons livres parmi eux.
Cependant, aussi bon soit un livre, il s'agit souvent d'un ouvrage traitant du monde des affaires et orienté vers le présent.
La plupart de ces livres sont écrits par des journalistes pour mettre en lumière les aspects spectaculaires de l'essor des données.

Ces ouvrages expliquent comment résoudre des problèmes commerciaux spécifiques grâce à l'analyse de données. Des termes comme IA et apprentissage automatique y sont fréquemment employés.
J'espère qu'il n'y aura pas de malentendu.
Des ouvrages comme celui-ci ont contribué à sensibiliser le public à l'utilisation des données.
Cependant, il n'approfondit pas les tâches spécifiques à accomplir, mais se concentre simplement sur les problèmes et les solutions d'ordre général.

À l'autre extrémité du spectre se trouvent les ouvrages techniques de haut niveau.
La plupart sont des livres volumineux de plus de 500 pages, ce qui les rend non seulement exigeants physiquement, mais aussi mentalement éprouvants.

Il existe des montagnes de livres aux deux extrémités du spectre.
Il est difficile de combler le fossé de communication car la plupart des gens ne lisent que des livres d'affaires ou techniques.
Heureusement, il existe d'excellents livres entre ces deux extrêmes.


Nous aimerions ajouter notre livre à cette liste.
Le livre que vous êtes en train de lire peut être lu par n'importe qui sans aucune contrainte, même sans ordinateur ni bloc-notes à proximité.
Si vous avez apprécié notre livre, je vous recommande vivement de lire au moins l'un des deux ouvrages mentionnés ci-dessus afin d'approfondir votre compréhension des données.
Vous ne le regretterez pas.

Nos auteurs aiment beaucoup ce livre.
Si ce livre vous motive à en apprendre davantage sur les données et leur analyse, et suscite en vous le désir d'approfondir vos connaissances, alors je considère qu'il s'agit d'une réussite.

[Note du traducteur]

J'ai lu, étudié et parfois traduit de nombreux ouvrages sur les données, mais celui-ci est tellement excellent que j'aurais souhaité l'avoir écrit moi-même au lieu de le traduire.
Lorsque j'ai reçu le livre original et parcouru rapidement les titres des chapitres, je me suis dit : « Ce contenu n'est-il pas trop facile ? » Cependant, dès l'instant où j'ai commencé à le lire sérieusement, savourant chaque phrase en vue de la traduction, jusqu'à la toute fin du dernier chapitre, je n'ai pu m'empêcher d'être impressionné par les efforts des auteurs pour écrire conformément aux intentions initiales du livre, et par leur grande expertise en analyse de données et en statistiques.

On dit souvent que « la chose la plus facile à écrire est la plus difficile ».
J'ai toujours adhéré à cette affirmation, mais j'en avais rarement vu d'exemple concret. Après avoir lu ce livre, j'ai eu l'impression d'enfin trouver un véritable exemple de ce qu'elle signifie.
« Facile à écrire » signifie que l'auteur maîtrise parfaitement l'essence et la logique du contenu, ce qui permet une écriture facile, claire et logique.

Ce livre aborde l'analyse des données et les statistiques avec la profondeur et l'étendue adéquates, ce qui peut s'avérer complexe.
C'est un excellent ouvrage d'introduction pour ceux qui envisagent une carrière dans ce domaine, mais il est également incroyablement utile pour quiconque n'a pas besoin d'approfondir les détails techniques mais souhaite acquérir des connaissances jusqu'à un niveau lui permettant de communiquer avec des analystes de données.
C'est un ouvrage véritablement remarquable qui oscille avec finesse entre enseignement général et véritable livre technique.

Surtout à une époque comme la nôtre, où l'IA gagne rapidement en popularité, il est nécessaire de se concentrer sur « l'essence » des données, la matière première qui alimente l'IA.
Bien que les livres et articles sur l'IA abondent aujourd'hui, la manière la plus précise de comprendre l'IA consiste à retracer l'évolution de la « pensée statistique axée sur les données » jusqu'à l'IA.
En ce sens, j'espère que ce livre pourra servir de premier manuel pour le grand public vivant à l'ère de l'IA.

Les aspects techniques du livre me sont déjà familiers, et comme ils ne sont pas trop détaillés, j'ai facilement compris les arguments et les messages des auteurs dans l'ouvrage original. Le problème résidait cependant dans la traduction en coréen.
Le contenu de chaque phrase et paragraphe est dense et le sens est condensé, ce qui rend la phrase elle-même facile, mais il a fallu beaucoup de réflexion et de temps pour traduire le sens exact et les nuances subtiles du texte original en phrases coréennes.
Bien qu'il s'agisse d'un vieux proverbe, je n'avais pas d'autre choix que de le traduire « point par point », ce qui m'a demandé beaucoup de temps et d'efforts.

Je dois avouer que j'ai toujours eu un fort désir d'écrire un bon livre qui trouve le juste équilibre entre pédagogie et technicité.
Cependant, lors de la traduction de ce livre, j'ai éprouvé un sentiment de déception en constatant qu'un ouvrage similaire avait déjà été publié, mais en même temps, j'ai ressenti une grande joie d'avoir découvert un livre aussi remarquable et d'avoir eu l'opportunité de le traduire.
C'est un excellent livre, et je peux le recommander sans hésiter à de nombreuses personnes.
- Choi Jae-won

Ayant exercé le métier d'ingénieur des matériaux pendant plusieurs décennies, je me suis consacré à la recherche et à l'analyse de divers phénomènes liés à l'ingénierie des matériaux, même pendant mes études universitaires.
Après avoir obtenu mon diplôme, lorsque j'ai commencé à travailler dans l'industrie des semi-conducteurs, j'ai été initié à des concepts statistiques, tels que l'interprétation de modèles pour l'analyse de fiabilité et diverses techniques de contrôle de la qualité, en plus de la perspective d'ingénierie des matériaux que j'avais étudiée.
Il était essentiel pour les entreprises d'améliorer la qualité et la durée de vie de leurs produits pour réaliser des bénéfices.

Mais une pensée persistait dans ma tête.
Si nous comprenons pleinement les phénomènes abordés en génie des matériaux, il semble que de telles approches statistiques pourraient être minimisées, voire éliminées.
Avec le recul, je pense que c'était peut-être surtout que je voulais ignorer complètement les approches et les applications statistiques.
L'essentiel des travaux scientifiques et techniques sur lesquels je me suis concentré, y compris l'ingénierie des matériaux, a consisté à explorer les relations de cause à effet afin d'identifier clairement les liens de cause à effet.
Puis, l'ère de l'IA est arrivée et a commencé à s'appliquer à tous les domaines, y compris les semi-conducteurs.
Cela m'a amené à me demander quelle était la différence entre les concepts classiques de données en statistiques et les données traitées par l'IA.
Poussé par cette vague curiosité, j'ai épluché d'innombrables articles et livres, et j'ai même erré dans l'océan d'Internet.

Pour les chercheurs ordinaires comme moi, n'existe-t-il pas un livre qui soit une perle rare, qui ne se contente pas de prophéties idylliques, sans programmation ni formules statistiques complexes, mais qui aille droit au but ? Existe-t-il des auteurs qui écrivent pour des personnes animées d'une curiosité similaire ? En effet, ce lien existait bel et bien ! Il s'agissait du livre original : « Becoming a Data Head ».
Ce joyau, que j'ai déniché avec beaucoup de difficulté, était un livre anglais, mais sa lecture fut si agréable que je m'en souviens encore très bien.
Les auteurs de ce livre étaient des conteurs hors pair qui, comme s'ils discutaient de tout ce qui m'avait toujours intrigué dans un forum de discussion, ont habilement levé le voile sur le mystère. À la lecture de ce livre, j'ai eu l'impression que des questions fondamentales sur les statistiques et les données, restées sans réponse pendant des décennies, avaient trouvé une réponse instantanée.

Dans l'univers, combien de choses, y compris les défis techniques, pouvons-nous réellement comprendre les relations de cause à effet ? C'est pourquoi il était nécessaire de commencer par les statistiques et de comprendre le monde des données ouvert par l'apprentissage profond et l'IA.
Un autre aspect frappant de ce livre est qu'il propose une variété de métaphores illustrant comment non seulement les ingénieurs et les chercheurs ordinaires, mais aussi les dirigeants et les gestionnaires d'entreprise devraient considérer et utiliser les données pour la réussite de leurs entreprises.

J’espère que les lecteurs de divers horizons apprécieront la richesse des connaissances acquises grâce aux données dans cet ouvrage, et c’est sur cette note que je conclus cet article.
- Jang Jin-wook