Par où commencer ?

Les chiffres derrière l'IA au quotidien : limites d'usage, tests de conseils, prospection, variabilité des réponses, comparatifs. Cinq épisodes pour ne plus se fier à un seul chiffre.

Prérequis : Aucun prérequis.

De la moyenne au machine learning : statistiques descriptives, probabilités, tests d'hypothèse, régression et ACP.

Prérequis : Aucun prérequis.

Axe tronqué, double axe, échelle log, histogramme, lissage, bulles, cadrage : les façons dont un graphique ment, mesurées.

Prérequis : Aucun prérequis.

Grands nombres, anniversaires, aires, marches aléatoires, fiabilité, bootstrap, événements rares : simuler pour comprendre le hasard.

Prérequis : Statistiques fondamentales conseillées (les 5 premiers épisodes suffisent).

Un format ponctuel, pas une série de fond : prendre du recul sur les pièges qui reviennent, quel que soit le sujet étudié.

Prérequis : Statistiques fondamentales conseillées.

Les chiffres derrière l'IA au quotidien : limites d'usage, tests de conseils, prospection, variabilité des réponses, comparatifs. Cinq épisodes pour ne plus se fier à un seul chiffre.

Prérequis : Aucun prérequis.

De la moyenne au machine learning : statistiques descriptives, probabilités, tests d'hypothèse, régression et ACP.

Prérequis : Aucun prérequis.

Les pièges qui faussent vos chiffres sans erreur : jointures, ordre d'exécution, lignes en trop, NULL, fenêtres, moyennes de moyennes, index.

Prérequis : Aucun prérequis.

Valeurs manquantes, doublons, dates, aberrations, jointures, fuite de données, séries temporelles : les pièges silencieux de la préparation de données.

Prérequis : Lire un peu de Python (boucles, listes) aide.

Axe tronqué, double axe, échelle log, histogramme, lissage, bulles, cadrage : les façons dont un graphique ment, mesurées.

Prérequis : Aucun prérequis.

Dérive, capteur figé, compteur cumulatif, heure d'été, redondance, échantillonnage et étalonnage : sept épisodes pour savoir si l'on peut se fier à une mesure.

Prérequis : Statistiques fondamentales.

P-value, comparaisons multiples, arrêt anticipé, puissance, significatif contre important, malédiction du gagnant et absence de preuve : sept épisodes pour lire un test sans se faire piéger.

Prérequis : Statistiques fondamentales et Probabilités & Monte Carlo.

De la corrélation à la causalité : confondeurs, tests A/B, différence de différences, discontinuité, variables instrumentales, scores de propension, séries interrompues.

Prérequis : Statistiques fondamentales.

Les chiffres derrière l'IA au quotidien : limites d'usage, tests de conseils, prospection, variabilité des réponses, comparatifs. Cinq épisodes pour ne plus se fier à un seul chiffre.

Prérequis : Aucun prérequis.

De la moyenne au machine learning : statistiques descriptives, probabilités, tests d'hypothèse, régression et ACP.

Prérequis : Aucun prérequis.

Valeurs manquantes, doublons, dates, aberrations, jointures, fuite de données, séries temporelles : les pièges silencieux de la préparation de données.

Prérequis : Lire un peu de Python (boucles, listes) aide.

Biais-variance, Naive Bayes, malédiction de la dimension : les mécanismes derrière les modèles, expliqués avec des simulateurs qu'on manipule soi-même.

Prérequis : Statistiques fondamentales ; Pandas et les dérivées (Maths) aident.

Unités, variables corrélées, dépendance partielle, Shapley, causalité, stabilité et explication locale : sept épisodes pour savoir ce qu'une explication de modèle dit vraiment.

Prérequis : Machine Learning Fondamentaux.

Du perceptron aux transformers : comment empiler des couches et des non-linéarités transforme une simple ligne droite en un outil capable d'apprendre presque n'importe quoi.

Prérequis : Machine Learning Fondamentaux ; matrices et dérivées (Maths).

Du tokenizer au prompt engineering : comment un LLM comprend, génère et s'adapte — les mécanismes derrière ChatGPT, Claude et les autres.

Prérequis : Deep Learning & Réseaux de Neurones.

Un LLM qui répond une fois, c'est un modèle. Un LLM qui planifie, utilise des outils et itère, c'est un agent — les mécanismes derrière AutoGPT et les assistants qui agissent.

Prérequis : LLM & GenAI.

Un modèle qui marche en notebook n'est pas un modèle qui marche en production : dérive, supervision, déploiement, tout ce qui casse après la mise en ligne.

Prérequis : Machine Learning Fondamentaux.

Les chiffres derrière l'IA au quotidien : limites d'usage, tests de conseils, prospection, variabilité des réponses, comparatifs. Cinq épisodes pour ne plus se fier à un seul chiffre.

Prérequis : Aucun prérequis.

De la moyenne au machine learning : statistiques descriptives, probabilités, tests d'hypothèse, régression et ACP.

Prérequis : Aucun prérequis.

Grands nombres, anniversaires, aires, marches aléatoires, fiabilité, bootstrap, événements rares : simuler pour comprendre le hasard.

Prérequis : Statistiques fondamentales conseillées (les 5 premiers épisodes suffisent).

Dérive, capteur figé, compteur cumulatif, heure d'été, redondance, échantillonnage et étalonnage : sept épisodes pour savoir si l'on peut se fier à une mesure.

Prérequis : Statistiques fondamentales.

Références naïves, décomposition, stationnarité, autorégression, validation temporelle, intervalles de prévision, détection de ruptures : prévoir sans se tromper sur la qualité de la prévision.

Prérequis : Statistiques fondamentales et Pandas.

Weibull, remplacement, censure, disponibilité, baignoire, prédictif, stock et garantie : la science de la panne, avec des simulateurs.

Prérequis : Statistiques fondamentales et Probabilités & Monte Carlo.

Foisonnement, thermosensibilité, prix négatifs, marge de capacité, effacement, pertes en ligne, stockage : les ordres de grandeur du système électrique, simulés.

Prérequis : Statistiques fondamentales.

Saturation, variabilité, mutualisation, bornes de recharge, priorités, fiabilité des simulations et dimensionnement : sept épisodes pour décider combien de guichets, de bornes ou de conseillers il faut.

Prérequis : Probabilités & Monte Carlo.

Programmation linéaire, sac à dos, descente de gradient, minima locaux, batterie, achat sous incertitude, tournées : décider avec un modèle et mesurer l'écart à l'optimum.

Prérequis : Dérivées (série Maths pour la Data).

Variables et types, conditions, boucles, fonctions, listes, recherche et tri : sept épisodes pour comprendre ce que fait vraiment un programme, chiffres à l'appui.

Prérequis : Aucun prérequis.

Flottants, arrondis, bornes de boucles, modification en parcourant, liste ou ensemble, récursion et encodage : sept erreurs silencieuses que Python ne signale pas.

Prérequis : Algorithmique : premiers pas (conseillé).

Classe et objet, encapsulation, attribut partagé, héritage, polymorphisme, composition et égalité : sept épisodes pour comprendre la programmation orientée objet, chiffres à l'appui.

Prérequis : Algorithmique : premiers pas (fonctions et listes).

Valeurs manquantes, doublons, dates, aberrations, jointures, fuite de données, séries temporelles : les pièges silencieux de la préparation de données.

Prérequis : Lire un peu de Python (boucles, listes) aide.