Tutoriels sur la science des données

Apprenez ce que sont les minima et les maxima, en quoi diffèrent les extrémums locaux et globaux, et comment les trouver avec les points critiques, les tests sur les première et seconde dérivées, et la méthode de l'intervalle fermé.

Apprenez ce qu’est une matrice inversible, comment déterminer si une matrice est inversible et pourquoi l’inverse a de l’importance en algèbre linéaire et en data science.

Learn what the lognormal distribution is, how it relates to the normal distribution, and where it applies across finance, biology, and machine learning.

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.

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.

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

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.