Tutoriels sur la science des données

Découvrez comment SARIMA étend ARIMA pour gérer la saisonnalité, comprenez ses sept paramètres et construisez un modèle opérationnel en Python, de la collecte des données à la prévision.

Comprendre pourquoi des relations fallacieuses apparaissent — des variables confondantes au biais d’échantillonnage — fait la différence entre une vraie découverte et une coïncidence statistique.

Un tutoriel pour débutants qui explique le fonctionnement du contrôle de version Git et pourquoi il est essentiel pour les projets de data science.

Découvrez comment un pipeline MLOps de bout en bout prédit les résultats de la Coupe du monde 2026, de l'entraînement automatisé et DVC à une simulation Monte Carlo du tableau en 10 000 itérations.

La KDE est une méthode non paramétrique pour estimer la forme d’une distribution de données sans supposer de modèle fixe. Découvrez la formule, le choix de la largeur de bande et la mise en pratique en Python et en R.

Guide pratique des splines : comment les polynômes par morceaux et les nœuds modélisent le non linéaire, les principaux types de splines, et comment les ajuster en Python et R.

Un guide pratique des hypothèses de la régression logistique, des diagnostics qui détectent les violations en Python et R, et des alternatives à privilégier quand elles ne tiennent pas.

Un guide détaillé du surapprentissage et du sous-apprentissage en apprentissage automatique : comment identifier chaque mode d’échec, pourquoi ils surviennent et comment les corriger via le compromis biais-variance.

Un guide pratique des GLM — ce qu'ils sont, comment leurs trois composants s'articulent, et comment les ajuster et les interpréter en Python et en R.

Le gradient clipping est un correctif d'entraînement en une ligne qui empêche l'explosion des gradients de ruiner l'entraînement des réseaux profonds. Ce guide explique son fonctionnement, ses deux méthodes, le choix du seuil et son implémentation sous PyTorch et TensorFlow.

Un guide de Markov Chain Monte Carlo : fonctionnement, cas d'usage, algorithmes courants et mise en pratique en Python pour l'inférence bayésienne.

La Support Vector Regression est une méthode à marge qui ignore volontairement les petites erreurs, gère la non-linéarité via des noyaux et reste robuste sur des données réelles bruitées là où la régression classique montre ses limites.