Nos tutoriels en science des données

Apprenez à exploiter le tout dernier modèle de pointe de SpaceXAI pour créer des agents intelligents et outillés, de A à Z. Ce guide complet couvre la configuration de l’API jusqu’au déploiement d’une boucle autonome avec cache de prompt et outils personnalisés.

Apprenez à utiliser Claude Code d'Anthropic pour améliorer vos workflows de développement à travers un exemple concret avec la bibliothèque Python Supabase.

Découvrez les différences concrètes entre Grok Build et Claude Code : j’ai injecté trois défauts dans un dataset et fait tourner la même conversation en quatre tours dans les deux agents.

Apprenez à configurer et tester DeepSeek Harness, un agent de code IA open source avec plugins, recherche web, vision, modèles DeepSeek, Gemini, ModLens, modèles tiers et workflows agentiques.

Apprenez à configurer Grok Build, activer la mémoire inter-sessions, les règles de sécurité et les instructions de projet, et à utiliser l'agent de code de SpaceXAI pour réaliser un projet d'apprentissage automatique de bout en bout.

Un aperçu concret du modèle Fable 5 d’Anthropic dans Claude Code : gestion d’un build en un seul passage, refus de sécurité et bascule vers Opus, et quand l’utiliser.

Un pas-à-pas Windows et WSL du hôte Git en early beta de Cursor, du premier push aux fonctionnalités qui exigent encore GitHub.

Apprenez à réaliser une revue trimestrielle dans ChatGPT Work, des fichiers sources jusqu'au rapport, au classeur et au deck. Pas-à-pas pratique avec les vérifications avant validation.

Apprenez à renommer des colonnes dans pandas avec .rename(), df.columns et .set_axis(), plus des fonctions Python pour le snake_case et des correctifs pour KeyError et ValueError.

Découvrez comment le gradient checkpointing optimisé pour NVIDIA d'Unsloth et QLoRA réduisent l'usage de la VRAM lors de l'affinage de Qwen3.5 4B pour l'OCR de documents médicaux.

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.

Un tour d’horizon pratique de l’apprentissage contrastif : comment les modèles apprennent en comparant des exemples similaires et dissemblables, les fonctions de perte et méthodes associées, et comment l’implémenter dans PyTorch.