Tutoriels sur la science des données

Découvrez ce qu'est un test de normalité, pourquoi il compte, et comment utiliser les tests courants (Shapiro-Wilk, Kolmogorov-Smirnov) et des méthodes visuelles pour contrôler vos données + exemples en Python et R.

Découvrez ce qu’est une fonction objectif, comment elle fonctionne en optimisation et en apprentissage automatique, et comment la définir et l’interpréter avec des exemples concrets.

Découvrez comment la régression polynomiale modélise les relations non linéaires et améliore la précision des prédictions sur des données réelles.

Découvrez comment les approximations polynomiales alimentent la descente de gradient, XGBoost et les fonctions que votre ordinateur calcule au quotidien.

Découvrez les composants clés du modèle ARIMA, comment le construire et l'optimiser en Python pour des prévisions fiables, et ses usages dans divers secteurs.

Découvrez comment la loi binomiale modélise des issues binaires multiples et s’applique à la finance, à la santé et au machine learning.

Découvrez comment le bootstrap améliore l’estimation des intervalles de confiance et des erreurs standards. Faites la différence entre les approches paramétrique et non paramétrique, et voyez comment l’appliquer en prévision de séries temporelles.

Découvrez pourquoi le nombre d’Euler est partout — de la banque à la biologie, du machine learning à la météorologie — et comment cette constante porte la croissance et le changement continus.

Apprenez la régression linéaire simple. Maîtrisez l’équation du modèle, comprenez les hypothèses et diagnostics clés, et apprenez à interpréter efficacement les résultats.

Maîtrisez le Codex CLI d’OpenAI pour automatiser vos workflows data. Apprenez à mener une EDA, à construire des pipelines ETL en Python et à générer des tests directement depuis votre terminal local.

Découvrez les contraintes cachées derrière chaque test statistique et apprenez à interpréter vos résultats en toute confiance.

Apprenez à calculer les probabilités pour plusieurs événements, à distinguer les scénarios ET et OU, et à appliquer ces concepts à des problèmes concrets d'analyse de données.