DataManip Insights

Comprendre les maths. Mieux comprendre la donnée.

Des cours interactifs — pas des vidéos. Tu manipules les simulateurs, tu vois les algorithmes réagir en direct.

355épisodes
39séries
100%interactif
Stéphane Barré Par Stéphane Barré — 37 ans dans l'énergie, aujourd'hui data scientist. En savoir plus
🧭 Nouveau ici ? Suis le parcours conseillé

39 séries, c'est beaucoup. Elles sont classées ci-dessous du plus simple au plus spécialisé, avec le niveau et les prérequis de chacune. Un parcours pas à pas t'indique par où entrer selon ton profil.

Voir le parcours conseillé →
① Les bases② La donnée③ ML & IA④ Spécialités
🎁 Teste gratuitement
58 épisodes en accès libre, sans carte bancaire ni inscription. Choisis celui qui te ressemble :

Voir les 58 épisodes gratuits →

🔓 58 épisodes en accès libre pour découvrir la méthode. Débloque les 297 épisodes restants pour 99€ (+ TVA selon le pays), accès à vie.

① Les bases : pour démarrer sans prérequis

Dans cet ordre si tu pars de zéro. Les maths se consultent en parallèle, dès qu'une formule te bloque.

Chiffres en main

5 épisodes Débutant

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.

Les Fondamentaux de la Statistique

16 épisodes Débutant

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

Prérequis : Aucun prérequis.

Gratuit Épisode 1

Statistiques Descriptives

Moyenne, médiane, variance, quartiles — résumer un jeu de données en quelques nombres.

Gratuit Bonus

Régression vers la moyenne

On traite les 10 % de postes les plus défaillants : ils s'améliorent de 49 % l'année suivante, sans aucun traitement.

🔒 Épisode 2

Probabilités & Lois

Loi des grands nombres, loi binomiale, loi normale, et le piège du théorème de Bayes.

🔒 Épisode 3

Échantillonnage & Intervalle de Confiance

Théorème central limite, erreur type, et comment encadrer une estimation.

🔒 Épisode 4

Tests d'Hypothèse & p-value

H0, p-value, erreurs de type I et II — décider si un effet est réel ou dû au hasard.

🔒 Épisode 5

ANOVA & Comparaisons Multiples

Comparer plus de deux groupes sans faire exploser le risque de fausse alerte.

🔒 Épisode 6

Régression & Corrélation

Coefficient r, droite des moindres carrés, résidus, R² — et le piège corrélation/causalité.

🔒 Épisode 7

Régression Multiple & Multicolinéarité

Combiner plusieurs variables explicatives, et gérer le piège des prédicteurs redondants.

🔒 Épisode 8

Analyse Multivariée & ACP

Résumer des variables corrélées en quelques composantes principales, sans perdre l'essentiel.

🔒 Épisode 9

Machine Learning & Python

Train/test split, sur-apprentissage, validation croisée — assembler tous les fondamentaux.

🔒 Épisode 10

Séries Temporelles et Prévision

Décomposition tendance/saisonnalité/résidu, stationnarité, et panorama des 20 modèles de prévision — d'ARIMA au deep learning.

🔒 Épisode 11

Monty Hall & Bayes

Trois portes, une voiture : pourquoi changer double vos chances, et comment Bayes met à jour une probabilité.

🔒 Épisode 12

Pourquoi les riches deviennent plus riches

Le hasard multiplicatif fabrique des inégalités sans différence de talent : médiane, moyenne et lois de puissance.

🔒 Épisode 13

Théorie des jeux : le dilemme du prisonnier

Pourquoi deux joueurs rationnels trahissent, et comment la répétition fait émerger la coopération.

🔒 Épisode 14

ARIMA et prévision

Autocorrélation, différenciation, choix de p, d et q par l'AIC, prévision avec intervalle : pourquoi un seul test ne suffit pas.

🔒 Épisode 15

Inférence bayésienne et MCMC

A priori, a posteriori et échantillonnage de Metropolis : pas, rodage, R-hat et taille d'échantillon effective.

🔒 Épisode 16

Chaînes de Markov et PageRank

États, distribution stationnaire, surfeur aléatoire : PageRank, amortissement α, culs-de-sac, pièges et vitesse de convergence.

Visualisation de données

8 épisodes Débutant

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

Prérequis : Aucun prérequis.

Probabilités & Monte Carlo

8 épisodes Débutant

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

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

Bonnes Pratiques en Analyse de Données

4 épisodes Débutant

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.

Maths pour la Data

23 épisodes Débutant

Les maths dont tu as vraiment besoin pour la data science, des ensembles aux équations différentielles : un simulateur par épisode, zéro prérequis.

Prérequis : Aucun prérequis. À ouvrir en parallèle des autres séries.

GratuitÉpisode 1

Les ensembles de nombres

Entiers, fractions, racines, π : dans quelle « poupée russe » vit chaque nombre ?

GratuitÉpisode 2

Les sommes (Σ)

Le symbole Σ décodé : une boucle for qui donne la moyenne, la variance et l'erreur d'un modèle.

🔒Épisode 3

Les fonctions

Une machine qui transforme une entrée en sortie : la brique de base de tout modèle de machine learning.

🔒Épisode 4

L'exponentielle & les suites

Pourquoi une croissance de 30 % par pas finit par écraser n'importe quel ajout constant.

🔒Épisode 5

Le logarithme

L'opération inverse de l'exponentielle : combien de fois faut-il multiplier pour atteindre un nombre ?

🔒Épisode 6

Trigonométrie : sinus & cosinus

Le cercle, ses angles, et l'origine de toutes les ondes.

GratuitÉpisode 7

Dérivées & descente de gradient

Comment mesurer la vitesse à laquelle quelque chose change, et s'en servir pour descendre vers un minimum.

🔒Épisode 8

La règle de la chaîne

Une fonction dans une autre : on multiplie les pentes. C'est le moteur de la rétropropagation.

🔒Épisode 9

Dérivées partielles & gradient

Plusieurs paramètres, une seule pente : le gradient indique où descendre le plus vite.

🔒Épisode 10

Vecteurs & projection

Représenter des données comme des flèches, et mesurer à quel point deux flèches vont dans la même direction.

🔒Épisode 11

Distances & normes

L1, L2, cosinus : comment mesurer la ressemblance entre deux vecteurs.

🔒Épisode 12

Matrices & déterminant

Une matrice transforme l'espace : elle étire, tourne, écrase. Le déterminant dit de combien l'aire change.

🔒Épisode 13

Le produit matriciel

Une couche de neurones, c'est une matrice × un vecteur : chaque ligne fait un produit scalaire.

🔒Épisode 14

Valeurs propres & vecteurs propres

Parmi tous les vecteurs, quelques directions spéciales sont seulement étirées par la matrice.

🔒Épisode 15

Les intégrales

L'aire sous une courbe : le lien entre les sommes Σ et les probabilités continues.

🔒Épisode 16

La loi normale

Pourquoi la courbe en cloche apparaît presque partout, et ce que valent 68 %, 95 % et 99,7 %.

🔒Épisode 17

Les moindres carrés

Trouver la meilleure droite à travers un nuage de points, et préparer la régression.

🔒Épisode 18

Sigmoïde & softmax

Transformer un score brut en probabilité : le pont vers la classification.

🔒Épisode 19

Les nombres complexes

Un nombre complexe est un point du plan : le multiplier, c'est le faire tourner et l'étirer.

🔒Épisode 20

Taylor & Newton

Localement, toute courbe lisse ressemble à un polynôme : pourquoi la descente de gradient marche, et comment Newton trouve un zéro.

🔒Épisode 21

Changement de base & projecteurs

Les mêmes données dans d'autres repères : projeter sur un axe, et choisir le bon.

🔒Épisode 22

SVD & compression

Une matrice se décompose en couches classées par importance : garde les premières et tu compresses.

🔒Épisode 23

Équations différentielles & Laplace

Au lieu de dire où est un système, dire comment il change : reconstruire toute sa trajectoire.

Algorithmique : premiers pas

7 épisodes Débutant Nouvelle série

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.

Gratuit Épisode 1

input() renvoie du texte : 10 et 5 tapés donnent « 105 » et non 15 (7 fois trop), et « 10 » répété 3 fois donne « 101010 » au lieu de 30

input() renvoie du texte : 10 et 5 tapés donnent « 105 », pas 15.

🔒 Épisode 2

Tester les mentions dans le mauvais ordre : avec les seuils 10, 12, 14 et 16 pris du bas vers le haut, 9 notes sur 21 (42,9 %) reçoivent la mauvaise mention, et jusqu'à 79,8 % d'une classe de moyenne 14

Tests dans le mauvais ordre : 9 notes sur 21 reçoivent la mauvaise mention.

🔒 Épisode 3

Une boucle dans une boucle n'est pas deux fois plus longue : pour n = 100, 10 000 opérations contre 100 ; pour n = 1 000 000, 13,9 h au lieu de 50 ms (durées estimées à 50 ns l'opération)

Une boucle dans une boucle : 10 000 opérations pour 100 éléments, pas 200.

🔒 Épisode 4

Copier 12 fois un calcul de 8 lignes donne 96 lignes au lieu de 21 avec une fonction, et à 5 % d'oubli par endroit, 46,0 % de chances de laisser une copie non corrigée

12 copies d'un calcul de 8 lignes : 96 lignes contre 21 avec une fonction.

🔒 Épisode 5

[[0] * 4] * 5 crée 5 fois la même ligne : modifier une case en modifie 5, soit 4 de trop, et avec 20 lignes 95 % des cases changées le sont par erreur

[[0] * 4] * 5 : modifier une case en modifie 5, dont 4 par erreur.

🔒 Épisode 6

Chercher dans 1 000 000 d'éléments : 500 000 comparaisons en moyenne avec une liste, 20 avec la dichotomie (25 000 fois moins) ; trier d'abord devient rentable dès 40 recherches

1 000 000 d'éléments : 500 000 comparaisons avec une liste, 20 avec la dichotomie.

🔒 Épisode 7

Trier 1 000 éléments au tri à bulles : 499 500 comparaisons contre environ 9 966 pour un tri efficace (50 fois moins) ; pour 1 000 000 d'éléments, 6,9 h estimées contre 1 s à 50 ns la comparaison

Tri à bulles : 499 500 comparaisons pour 1 000 éléments, environ 9 966 avec un tri efficace.

Python : les pièges du débutant

7 épisodes Débutant Nouvelle série

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).

Gratuit Épisode 1

Additionner dix fois 0,1 donne 0,9999999999999999, pas 1 : sur 10 000 additions, 9 982 cumuls sont inexacts et l'erreur atteint 1,6 × 10⁻¹⁰

Dix fois 0,1 donne 0,9999999999999999 : sur 10 000 additions, 9 982 cumuls sont inexacts.

Gratuit Bonus

Boucle ou vectorisation ?

NumPy bat la boucle de 5 à 80 fois dès 1 000 valeurs, mais perd à 10 valeurs. Et np.append recopie tout.

🔒 Épisode 2

Sur 100 valeurs en ,5, l'arrondi à l'école ajoute 50 à la somme (5 050 au lieu de 5 000) quand round() reste exact ; mais round(v, 2) s'écarte de l'arrondi attendu pour 50 prix sur 100 finissant par 5

round(2.5) vaut 2 : sur 100 valeurs en ,5, 5 000 avec round() contre 5 050 à l'école.

🔒 Épisode 3

Oublier la dernière valeur d'une boucle : sum(range(1, 30)) donne 435 au lieu de 465 (−6,5 %), et une fenêtre glissante de 7 sur 30 valeurs perd 1 fenêtre sur 24

sum(range(1, 30)) donne 435 au lieu de 465 : −6,5 %, sans aucune erreur.

🔒 Épisode 4

Retirer des éléments d'une liste en la parcourant : sur 1 à 100, en supprimant tout ce qui est ≤ 50, 25 éléments à retirer sur 50 restent (50 %)

Retirer en parcourant : sur 1 à 100, 25 éléments à retirer sur 50 restent dans la liste.

🔒 Épisode 5

Chercher 10 000 valeurs dans une liste de 100 000 coûte en moyenne 750 002 500 comparaisons, contre 110 000 opérations avec un ensemble : 6 818 fois moins, rentable dès 2 recherches

10 000 recherches dans 100 000 éléments : 750 002 500 comparaisons avec une liste, 110 000 avec un ensemble.

🔒 Épisode 6

fib(30) écrit en récursion naïve fait 2 692 537 appels (durée estimée : 0,27 s à 100 ns l'appel) contre 31 avec un cache ; fib(40) en demande 331 160 281, soit plus de 33 s estimées

fib(30) en récursion naïve fait 2 692 537 appels, contre 31 avec un cache.

🔒 Épisode 7

Un texte de 1 000 caractères avec 4 % d'accents et 0,5 % de « € » pèse 1 050 octets en UTF-8 et s'affiche avec 95 caractères corrompus (9,0 %) lu en latin-1 ; sur 100 caractères, 99,0 % de chances d'avoir au moins un problème

« Énergie : 12,5 € » : 16 caractères, 19 octets, et 5 caractères corrompus lu en latin-1.

② Manipuler et comprendre la donnée

Les outils et les réflexes d'un analyste : SQL, Pandas, qualité, tests, causalité, temps.

SQL & Données

7 épisodes Débutant

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

Prérequis : Aucun prérequis.

POO pour débutants

7 épisodes Débutant Nouvelle série

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).

Gratuit Épisode 1

Trier une seule de trois listes parallèles désaligne en moyenne 9 lignes sur 10 (90,0 %) ; avec des objets, aucune, et la probabilité qu'aucune ligne ne reste en place se stabilise à 36,8 %

Trier une seule de trois listes parallèles désaligne 9 lignes sur 10 en moyenne.

🔒 Épisode 2

Sans contrôle, 1 000 € moins 40 retraits de 30 € donnent −200 € ; avec une méthode qui refuse, le solde reste à 10 € et 7 retraits sont rejetés dès le 34e

1 000 € moins 40 retraits de 30 € : −200 € sans contrôle, 10 € avec une méthode.

🔒 Épisode 3

Avec articles = [] au niveau de la classe, 10 paniers qui ajoutent 1 article en voient chacun 10 (100 comptés au lieu de 10) et facturent 2 000 € au lieu de 200 €

articles = [] dans la classe : 10 paniers en voient chacun 10, 2 000 € facturés au lieu de 200 €.

🔒 Épisode 4

10 types de comptes de 12 lignes communes : 150 lignes sans héritage, 53 avec (−64,7 %), et une règle commune à corriger en 1 endroit au lieu de 10

10 types de comptes de 12 lignes communes : 150 lignes sans héritage, 53 avec.

🔒 Épisode 5

Avec 6 fonctions qui testent le type par if/elif, ajouter 3 nouveaux types oblige à modifier 18 endroits ; avec des méthodes (polymorphisme), 3, et 4,5 tests de moins par appel en moyenne pour 8 types

6 fonctions à if/elif et 3 nouveaux types : 18 modifications, contre 3 avec des méthodes.

🔒 Épisode 6

3 motorisations × 4 couleurs × 2 boîtes donnent 24 classes en héritage contre 9 composants en composition ; avec 10 options par catégorie, 1 000 contre 30

3 moteurs × 4 couleurs × 2 boîtes : 24 classes en héritage, 9 composants en composition.

🔒 Épisode 7

1 000 clients dont 10 % de doublons : sans __eq__, Python en détecte 0 et compte 1 000 clients au lieu de 900 ; à 5 € l'envoi en double, 500 € gaspillés

1 000 clients dont 100 doublons : sans __eq__, Python n'en détecte aucun, 500 € gaspillés.

Pandas & Préparation de données

8 épisodes Débutant

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.

Gratuit Épisode 1

Valeurs manquantes : supprimer ou imputer ?

dropna ou fillna(mean) : l'imputation par la moyenne garde la moyenne mais écrase l'écart-type et affaiblit les corrélations.

Gratuit Bonus

Valeurs manquantes : la médiane écrase la variance

Remplacer 30 % de valeurs par la médiane fait chuter la corrélation de 0,90 à 0,74. La régression avec bruit la restaure.

🔒 Épisode 2

Doublons et clés : ce que drop_duplicates supprime vraiment

Toutes les colonnes laissent passer des doublons, le nom seul supprime de vraies personnes : comparez trois clés.

🔒 Épisode 3

Types et dates : heure d'été et formats ambigus

Une journée de 23 ou 25 heures, un « 03/04 » qui peut être mars ou avril : les pièges silencieux des dates.

🔒 Épisode 4

Valeurs aberrantes : moyenne, médiane ou IQR ?

Le z-score s'aveugle quand les aberrations gonflent l'écart-type : comparez z-score, IQR et MAD.

🔒 Épisode 5

merge : clés sales et lignes en trop

Une espace en trop, un zéro perdu, une clé en double : la jointure perd ou fabrique des lignes sans erreur.

🔒 Épisode 6

Fuite de données : l'optimisme invisible

Choisir les variables avant le découpage donne un bon score sur du bruit pur : voyez l'ampleur du mirage.

🔒 Épisode 7

Séries : resample, trous et pointe

Zéro, interpolation ou dernière valeur : ce que devient la moyenne, et pourquoi la pointe cachée dans un trou est perdue.

🔒 Épisode 8

groupby : les lignes sans clé disparaissent du rapport

Par défaut groupby écarte les clés manquantes : 10 % de lignes peuvent représenter 25 % du total, sans aucun message d'erreur.

Qualité des données & capteurs

8 épisodes Intermédiaire

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.

Gratuit Épisode 1

Un capteur qui dérive de 0,5 °C pour 100 jours : invisible à l'œil, détecté au jour 132

Un capteur qui dérive de 0,5 °C pour 100 jours se noie dans la saison : référence, CUSUM et fausses alarmes.

🔒 Épisode 2

Capteur figé : la courbe plate qui ressemble à une journée calme

Un capteur figé laisse la moyenne presque intacte : longueur des séquences identiques, résolution et seuil.

🔒 Épisode 3

Compteur cumulatif : une remise à zéro et 688 kWh deviennent −11 502 kWh

Une remise à zéro transforme 688 kWh en −11 502 kWh : différence d'index, valeur absolue et pic fantôme.

🔒 Épisode 4

Heure d'été : la journée de 23 heures qui casse vos agrégats

Journées de 23 et 25 heures : doublon, trou et courbe de charge étalée de 11,4 % par l'heure UTC.

🔒 Épisode 5

Redondance : trois capteurs, une moyenne, 0,52 °C d'erreur contre 0,30 pour le meilleur seul

Trois capteurs, un biais : moyenne, médiane et pondération par la précision, et pourquoi la moyenne peut perdre.

🔒 Épisode 6

Courbe de charge à 30 minutes : la pointe vue ne vaut que 40,0 % de la pointe réelle

Courbe de charge à 30 minutes : la pointe vue ne vaut que 40,0 % de la pointe réelle, l'instantané rate l'énergie.

🔒 Épisode 7

Étalonnage : sur 100 compteurs, 95,7 % de l'incertitude ne s'efface pas en moyennant

Moyenner réduit le hasard, jamais le biais commun : incertitude de la somme de N compteurs et plancher à 0,50 %.

🔒 Épisode 8

Les horloges désynchronisées : l'effet avant la cause

Une horloge qui dérive de 50 ppm s'écarte de 4 secondes par jour : assez pour inverser la chronologie entre deux capteurs.

Tests statistiques

9 épisodes Intermédiaire

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

Prérequis : Statistiques fondamentales et Probabilités & Monte Carlo.

Gratuit Épisode 1

p < 0,05 : « 95 % de chances que l'effet soit réel » ? Faux, parfois 58 % de faux positifs

« 95 % de chances que l'effet soit réel » ? La p-value ne dit pas cela : faux positifs, puissance et fréquence des vrais effets.

🔒 Épisode 2

Comparaisons multiples : tester 20 choses, en trouver une

Tester 20 choses et en trouver une : le risque familial, Bonferroni et son prix en puissance.

🔒 Épisode 3

Regarder en cours de route : arrêter le test dès que p < 0,05

Regarder un test A/B chaque jour et l'arrêter au premier significatif multiplie le risque d'erreur par quatre.

🔒 Épisode 4

Puissance : combien d'observations pour voir un effet ?

Combien d'observations pour voir un effet ? Puissance, effet minimal détectable et loi en 1/δ².

🔒 Épisode 5

Significatif n'est pas important : un effet minuscule, un énorme échantillon

Avec assez de données tout devient significatif : preuve contre valeur, et seuil de rentabilité.

🔒 Épisode 6

Malédiction du gagnant : les effets significatifs sont exagérés

Quand la puissance est faible, les résultats significatifs exagèrent l'effet : le facteur d'exagération.

🔒 Épisode 7

Non significatif ne veut pas dire sans effet

Non significatif ne veut pas dire sans effet : lire l'intervalle, marge d'équivalence, taille d'essai.

🔒 Épisode 8

Au-delà de Bonferroni : contrôler la part de fausses découvertes

Bonferroni protège mais rate des vrais effets : Benjamini-Hochberg et le taux de fausses découvertes.

🔒 Épisode 9

Student ou Welch : un test qui se croit exact

Quand le petit groupe est le plus dispersé, Student annonce 5 % de fausses alertes et en donne 28 % : pourquoi Welch par défaut.

Causalité & Expérimentation

9 épisodes Intermédiaire

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

Prérequis : Statistiques fondamentales.

Gratuit Épisode 1

Corrélation, causalité et confondeurs

Deux grandeurs qui varient ensemble ne prouvent pas que l'une agit sur l'autre : débusquez le confondeur qui pilote les deux.

🔒 Épisode 2

Tests A/B : puissance et regards répétés

Combien d'observations faut-il pour détecter un petit effet, et pourquoi regarder les résultats tous les jours fausse le test.

🔒 Épisode 3

Différence de différences

Quand on ne peut pas tirer au sort : comparer l'évolution d'un groupe traité à celle d'un groupe témoin, avant et après.

🔒 Épisode 4

Régression sur discontinuité

Quand un seuil décide du traitement (au-dessus, on y a droit), les cas juste au-dessus et juste en dessous forment une quasi-expérience.

🔒 Épisode 5

Variables instrumentales

Quand un confondeur reste invisible : trouver une variable qui pousse le traitement sans toucher directement au résultat.

🔒 Épisode 6

Scores de propension

Quand tous les confondeurs sont observés mais nombreux : comparer des foyers qui avaient la même probabilité d'être traités.

🔒 Épisode 7

Séries interrompues

Quand une mesure démarre à une date précise et qu'il n'y a pas de groupe témoin : lire le changement de niveau et de pente, saisonnalité comprise.

🔒 Épisode 8

Biais de collision : sélectionner crée un lien

Deux causes indépendantes deviennent corrélées dès qu'on ne garde que les cas sélectionnés : le piège des données filtrées.

🔒 Épisode 9

Uplift : cibler ceux que l'on convainc, pas ceux qui achètent

Contacter les meilleurs acheteurs ne rapporte rien : ils auraient acheté sans campagne, et les « dormeurs » achètent moins quand on les sollicite.

Statistique bayésienne

7 épisodes Intermédiaire

Du taux de base à la décision : prior, posterior, A/B test, shrinkage, intervalles, prédiction et perte asymétrique, simulés.

Prérequis : Probabilités & Monte Carlo.

Séries temporelles & Prévision

9 épisodes Intermédiaire

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.

Gratuit Épisode 1

Prévoir sans modèle : le naïf saisonnier, la référence à battre

À trois jours, « comme hier » fait pire que la moyenne de l'année : comparez trois références simples.

🔒 Épisode 2

Décomposition : la fenêtre qui fabrique la saison

Une fenêtre qui n'est pas un multiple de la période laisse fuir la saison dans la tendance.

🔒 Épisode 3

Stationnarité : la corrélation fantôme

Deux marches aléatoires sans lien affichent plus de 0,5 de corrélation dans 40 % des cas.

🔒 Épisode 4

Modèle autorégressif : combien de temps une anomalie persiste ?

Un coefficient φ décide de la demi-vie d'une anomalie et de l'horizon où prévoir a un sens.

🔒 Épisode 5

Validation temporelle : couper sans tricher

Un découpage aléatoire sous-estime l'erreur de 30 % : l'origine glissante mesure l'erreur réelle.

🔒 Épisode 6

Intervalles de prévision : le « 90 % » qui couvre 56 %

Un intervalle calé sur l'erreur à 1 jour couvre de moins en moins : mesurez la couverture réelle.

🔒 Épisode 7

Détection de ruptures : CUSUM contre seuil à 3 σ

À même taux de fausses alertes, le CUSUM voit un décalage de 1 σ en 7 jours contre 41.

🔒 Épisode 8

Choisir sa métrique : le MAPE récompense les prévisions trop basses

La prévision qui minimise le MAPE est trop basse : MAPE, MAE, MASE et le coût réel d'une erreur.

🔒 Épisode 9

Variables exogènes : la météo de demain, il faut la prévoir

Le score de test avec la température réelle est trop beau : en production, l'erreur de la prévision météo se propage dans la prévision.

Biais & équité

7 épisodes Intermédiaire

Biais d'échantillonnage, survivant, proxys, seuils par groupe, calibration, boucles de rétroaction et mesure avec peu de données : sept épisodes pour auditer un modèle sans se faire piéger.

Prérequis : Statistiques fondamentales.

③ Machine learning et IA

Du modèle simple au LLM et à la mise en production. Commence par « Machine Learning Fondamentaux ».

Machine Learning Fondamentaux

22 épisodes Intermédiaire

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.

Gratuit Épisode 1

Biais & Variance

Pourquoi un modèle parfait sur ses données d'entraînement peut être un très mauvais modèle.

Gratuit Bonus

Régression ou classification ?

Une droite sur des 0 et des 1 : 58 jours sur 200 reçoivent une « probabilité » impossible.

Gratuit Bonus

99 % d'exactitude, 4 défauts trouvés sur 50

Un défaut rare : répondre « normal » partout a déjà 99 % de bonnes réponses. Rappel, précision, seuil, coût.

Gratuit Bonus

Recommandation et « cold start »

Sans avis connu, la personnalisation réussit 18,1 %, comme la popularité. Avec 5 avis : 54,6 %.

Gratuit Bonus

Stabilité d'une segmentation

Sur les mêmes clients, 3 groupes se retrouvent à 0,99 d'ARI, 5 groupes à 0,70.

Gratuit Bonus

Prédire en log : le biais du retour

On repasse du log à l'exponentielle : le total est faux de 28 %. Un facteur de correction le ramène à 97 %.

🔒 Épisode 2

Naive Bayes

Une hypothèse d'indépendance presque toujours fausse — et un classificateur qui marche quand même.

🔒 Épisode 3

La Malédiction de la Dimension

Pourquoi ajouter des variables à un modèle peut le rendre pire, pas meilleur.

🔒 Épisode 4

Le Gradient qui Disparaît

Pourquoi les réseaux profonds ont mis 30 ans à devenir entraînables.

🔒 Épisode 5

Arbres, Forêts & le Pouvoir du Vote

Bagging, Random Forest, et pourquoi voter à plusieurs modèles bat un seul expert.

🔒 Épisode 6

La Régularisation

Pourquoi punir son propre modèle pendant l'entraînement le rend meilleur en production.

🔒 Épisode 7

Le Test du Khi-2

Le détective statistique des tableaux de contingence.

🔒 Épisode 8

La Loi des Grands Nombres & le Paradoxe du Parieur

Pourquoi l'intuition d'un joueur de casino trompe presque toujours.

🔒 Épisode 9

Cross-Validation

Pourquoi une seule mesure de performance ment presque toujours.

🔒 Épisode 10

Du Perceptron au Transformer

Une frise historique des réseaux de neurones, des origines aux modèles actuels.

🔒 Épisode 11

Matrice de Confusion

Mon modèle a raison à 95% — est-ce vraiment bon ? Pourquoi un pourcentage seul ne dit rien.

🔒 Épisode 12

Courbe ROC & AUC

Comparer deux modèles sans même choisir de seuil.

🔒 Épisode 13

SHAP & Explicabilité

Le modèle dit 77% de risque. Mais pourquoi, exactement, pour cette ligne précise ?

🔒 Épisode 14

Clustering : K-means & DBSCAN

Aucune étiquette : combien de groupes ? K-means, DBSCAN et la silhouette pour juger un découpage.

🔒 Épisode 15

Feature Engineering

Même modèle, mêmes données : change une unité et il s'effondre. Échelle, encodage, valeurs manquantes.

🔒 Épisode 16

Gradient Boosting & XGBoost

Chaque arbre corrige les erreurs du précédent, jusqu'au moment où il faut savoir s'arrêter.

🔒 Épisode 17

La Régression Logistique

Une frontière droite et pourtant une probabilité : cotes, perte logarithmique, et des poids qui ne s'arrêtent pas de grandir.

🔒 Épisode 18

SVM et noyaux

Une droite échoue sur un centre entouré d'un anneau : marge, vecteurs de support et astuce du noyau, jusqu'au surapprentissage de γ.

🔒 Épisode 19

Gaussian Mixture et EM

Des groupes qui se chevauchent : affectation souple, itérations de l'algorithme EM, choix de K par le BIC et pièges des optima locaux.

🔒 Épisode 20

Recherche d'hyperparamètres

Grille ou tirage aléatoire : comment dépenser un budget d'essais, pourquoi la grille répète les mêmes valeurs, et pourquoi le meilleur score trouvé est optimiste.

🔒 Épisode 21

k plus proches voisins (KNN)

Distance, vote et choix de k : biais et variance, échelle des variables, variables parasites et malédiction de la dimension.

🔒 Épisode 22

La calibration : un modèle peut avoir raison et se tromper sur sa confiance

L'exactitude et l'AUC ne voient pas la calibration : quand le modèle annonce 90 % et que la fréquence réelle est de 75 %, les décisions coûtent plus cher.

Explicabilité des modèles

7 épisodes Intermédiaire

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.

Gratuit Épisode 1

Changer kW en W : le coefficient de la puissance passe de 85,7 % à 0,6 % de l'importance affichée

Changer kW en W fait passer le coefficient de 85,7 % à 0,6 % de l'importance affichée : unités, standardisation et permutation.

🔒 Épisode 2

Deux variables jumelles : l'une paraît à 3,63, l'autre à 0,84, le groupe vaut 7,49

Deux variables jumelles : l'une paraît à 3,63, l'autre à 0,84, le groupe vaut 7,49 d'erreur supplémentaire.

🔒 Épisode 3

Effet de la température : une courbe plate, mais 100 % des foyers réagissent de 5,25 kW

Une courbe d'effet plate cache 100 % des foyers qui réagissent de 5,25 kW : dépendance partielle et courbes individuelles.

🔒 Épisode 4

Valeurs de Shapley : 1 048 576 évaluations pour 20 variables, ou 4 000 pour 1,9 % d'erreur

Valeurs de Shapley : 1 048 576 évaluations pour 20 variables, ou 4 000 pour 1,9 % d'erreur par échantillonnage.

🔒 Épisode 5

Importance 6,48, effet réel 0,00 : le modèle utilise la variable, elle ne cause rien

Importance 6,48, effet réel 0,00 : le modèle utilise la variable, elle ne cause rien.

🔒 Épisode 6

Le classement des variables change dans 38,3 % des échantillons : l'importance a une incertitude

Le classement des variables change dans 38,3 % des échantillons : bootstrap et incertitude de l'importance.

🔒 Épisode 7

Explication locale : pente −1,94 ou +0,04 selon la largeur du voisinage, la vraie est −1,97

Explication locale : pente −1,94 ou +0,04 selon la largeur du voisinage, la vraie est −1,97.

Prévision probabiliste

8 épisodes Avancé

Quantile, perte pinball, calibration, CRPS, queues, combinaison et coût de l'erreur : sept épisodes pour passer d'une prévision à une décision.

Prérequis : Séries temporelles et Machine Learning Fondamentaux.

Gratuit Épisode 1

Prévoir la moyenne ne dimensionne rien : une capacité égale à la prévision manque 46,0 % des jours

Une capacité égale à la prévision moyenne manque 46,0 % des jours : quantile, marge et incertitude.

🔒 Épisode 2

Noter un quantile : la perte pinball choisit 126,5 MW, l'erreur quadratique 100,5

Pour un quantile à 90 %, la perte pinball choisit 126,5 MW, l'erreur quadratique 100,5.

🔒 Épisode 3

Un intervalle « à 90 % » qui couvre 67,6 % : annoncer ±9,9 MW au lieu de ±16,4 MW, c'est 3,2 fois plus de surprises

Un intervalle « à 90 % » qui couvre 67,6 % : calibration, couverture et diagramme de fiabilité.

🔒 Épisode 4

Même moyenne, même erreur de 7,8 MW : le CRPS départage une prévision à 5,51 d'une à 6,48

Même moyenne, même erreur de 7,8 MW : le CRPS départage une prévision à 5,51 d'une à 6,48.

🔒 Épisode 5

Le quantile à 99 % estimé sur 100 observations : entre 137 et 170 au lieu de 156,1, et trop bas 72,0 % du temps

Quantile à 99 % sur 100 observations : entre 137 et 170 au lieu de 156,1, et trop bas 72,0 % du temps.

🔒 Épisode 6

Moyenner deux prévisions : 9,54 MW d'erreur contre 10,00 pour la meilleure, mais 10,44 si leurs erreurs se ressemblent à 0,8

Moyenner deux prévisions : 9,54 MW d'erreur contre 10,00, mais 10,44 si leurs erreurs se ressemblent.

🔒 Épisode 7

Un manque coûte 5 fois un excès : le bon quantile est 83,3 %, soit 118,9 MW, et 31,3 % de coût en moins qu'en visant la moyenne

Un manque coûte 5 fois un excès : quantile à 83,3 %, 118,9 MW et 31,3 % de coût en moins.

🔒 Épisode 8

Prédiction conforme : la garantie dépend du nombre de points

Une couverture garantie en moyenne, mais avec 30 points de calibrage elle varie de 80 % à 97 % selon le tirage.

Deep Learning & Réseaux de Neurones

16 épisodes Avancé

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).

Gratuit Épisode 1

Du Neurone au Réseau

Pourquoi un neurone seul ne peut tracer qu'une ligne droite, et pourquoi empiler des neurones change tout.

Gratuit Bonus

Epoch, batch, itération

30 epochs, 1 000 images, des lots de 20 : combien de mises à jour des poids ? Ce n'est pas 30.

Gratuit Bonus

IA, machine learning, deep learning

Trois mots emboîtés, pas synonymes : sur un damier, 49,5 %, 50 % et 93 % de bonnes réponses.

🔒 Épisode 2

Fonctions d'Activation

Sigmoïde, ReLU, tanh — pourquoi la non-linéarité est la seule chose qui rend un réseau plus puissant qu'une régression.

🔒 Épisode 3

Backpropagation, pas à pas

La règle de la chaîne appliquée à un mini-réseau, calculée à la main puis vérifiée en direct.

🔒 Épisode 4

Convolution & Vision

Pourquoi un filtre 3×3 détecte un contour, et comment un CNN construit des concepts de plus en plus abstraits.

🔒 Épisode 5

Mémoire séquentielle : RNN & LSTM

Pourquoi prédire le mot suivant nécessite une mémoire, et pourquoi les RNN simples oublient vite.

🔒 Épisode 6

Embeddings & Espaces Vectoriels

Pourquoi "roi - homme + femme ≈ reine" fonctionne mathématiquement.

🔒 Épisode 7

Le Mécanisme d'Attention

La vraie mécanique derrière "Attention is All You Need", sans jargon.

🔒 Épisode 8

Batch Normalization & Stabilité

Pourquoi normaliser entre les couches évite l'explosion ou la disparition du gradient.

🔒 Épisode 9

Pooling & Hiérarchie de Features

Comment un CNN construit des représentations de plus en plus abstraites couche après couche.

🔒 Épisode 10

Des Transformers aux LLM

Assembler attention, embeddings et couches pour comprendre l'architecture d'un LLM moderne.

🔒 Épisode 11

Optimiseurs : Momentum & Adam

La même perte, mais l'optimiseur décide de la vitesse : momentum, Adam, dropout.

🔒 Épisode 12

Autoencodeurs

Recopier l'entrée à travers un goulot : code latent, lien avec l'ACP, et pourquoi une erreur minuscule peut cacher une simple recopie.

🔒 Épisode 13

Modèles de diffusion

Générer en débruitant : processus avant, réseau qui prédit le bruit, DDPM contre DDIM et compromis entre nombre de pas et qualité.

🔒 Épisode 14

Réseaux de neurones sur graphes

Classer des nœuds avec très peu d'étiquettes : agrégation des voisins, nombre de couches et risque de sur-lissage.

🔒 Épisode 15

Exemples adverses

Un changement invisible, une réponse fausse : attaque FGSM, bruit aléatoire de même amplitude, et pourquoi la direction compte plus que la taille.

🔒 Épisode 16

Attention efficace : Flash Attention et attention linéaire

Le coût quadratique de l'attention, calcul par tuiles exact de Flash Attention, attention linéaire approchée : mémoire, accès mémoire et fidélité.

LLM & GenAI

17 épisodes Avancé

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.

Gratuit Épisode 1

Tokenization

Comment un texte devient une suite de nombres avant même d'entrer dans le modèle.

Gratuit Bonus

TF-IDF contre simple comptage

Avec 80 % de mots courants, compter les mots classe 80 % des textes ; TF-IDF, 96 %.

🔒 Épisode 2

Embeddings & Espace sémantique

Pourquoi « roi − homme + femme ≈ reine » fonctionne mathématiquement.

🔒 Épisode 3

Self-Attention

Comment un mot peut regarder tous les autres mots d'une phrase pour se définir lui-même.

🔒 Épisode 4

Positional Encoding

Pourquoi un Transformer, sans mémoire de l'ordre des mots, a besoin d'une astuce mathématique pour le retrouver.

🔒 Épisode 5

Architecture Decoder-Only

Le masque causal : pourquoi un LLM ne voit jamais le futur pendant l'entraînement.

🔒 Épisode 6

Next-Token Prediction & Loss

Le seul objectif d'entraînement d'un LLM : prédire le mot suivant, rien de plus.

🔒 Épisode 7

Échantillonnage (Sampling)

Température, top-k, top-p : comment un LLM choisit un mot parmi des milliers de candidats.

🔒 Épisode 8

Scaling Laws

Pourquoi plus de paramètres et plus de données donnent des modèles prévisiblement meilleurs.

🔒 Épisode 9

RLHF & Alignment

Comment transformer un modèle qui prédit du texte en assistant qui essaie d'être utile.

🔒 Épisode 10

RAG (Retrieval-Augmented Generation)

Pourquoi donner des documents à lire à un LLM plutôt que de tout lui faire mémoriser.

🔒 Épisode 11

Fine-tuning & LoRA

Adapter un modèle à une tâche sans réentraîner des milliards de paramètres.

🔒 Épisode 12

Évaluation & Hallucinations

Pourquoi un LLM peut affirmer un fait faux avec la même assurance qu'un fait vrai.

🔒 Épisode 13

Prompt Engineering & In-Context Learning

Changer le comportement d'un modèle sans toucher à un seul de ses poids.

🔒 Épisode 14

Recherche Vectorielle & Reranking

Comparer une requête à des millions de vecteurs, sans les comparer tous.

🔒 Épisode 15

Inférence LLM : KV cache & quantification

Générer un mot coûte peu, se souvenir du reste coûte cher : KV cache, quantification, décodage spéculatif.

🔒 Épisode 16

Raisonnement & RL (GRPO)

Pas de réponse modèle, seulement une récompense : comment un LLM apprend à raisonner.

🔒 Épisode 17

Découper pour le RAG : la réponse coupée en deux

Taille de morceau et recouvrement : la probabilité qu'un morceau contienne le passage utile en entier, et ce que coûte le recouvrement.

IA Agentique

9 épisodes Avancé

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.

MLOps & Production

8 épisodes Avancé

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.

Gratuit Épisode 1

La dérive des données

Le modèle n'a pas changé, c'est le monde qui a bougé : détecter la dérive avant que la précision ne s'effondre.

Gratuit Bonus

API de modèle : valider et tester

Sans validation, 475 réponses fausses sur 501 requêtes mal formées, sans erreur. Et un test CI ne voit qu'une baisse sur deux.

🔒 Épisode 2

Détection d'anomalies

Mahalanobis, autoencodeur, Isolation Forest : trois façons de dire « étrange », et aucune ne gagne partout.

🔒 Épisode 3

System design d'un modèle de fraude

Seuil, capacité de revue, étiquettes tardives : le modèle ne décide pas, le système décide.

🔒 Épisode 4

Passerelle et routage LLM

Petit modèle pour le simple, grand pour le difficile : un routeur aveugle ne fait pas mieux que le hasard.

🔒 Épisode 5

GPU et coût d'inférence

Un GPU qui sert un seul utilisateur travaille presque à vide : mémoire, taille de lot et coût par jeton.

🔒 Épisode 6

Dégradation et réentraînement

Les étiquettes arrivent tard, un réentraînement n'est jamais plus frais que ses données : planifié ou sur alerte, valider, garder l'ancien.

🔒 Épisode 7

Combien d'énergie coûte une réponse ?

Puissance, périmètre de mesure, réseau électrique : un chiffre d'énergie sans son périmètre ne veut rien dire.

🔒 Épisode 8

Décalage entre entraînement et service : une variable calculée autrement

Un modèle perd 25 points en production sans aucune erreur : le décalage d'une variable, et comment le voir sans attendre les étiquettes.

CI/CD & Déploiement

7 épisodes Avancé

Un pipeline au vert ne dit rien de la qualité du modèle : tests de données, seuils de qualité, secrets et retour arrière, pour déployer sans casser la production.

Prérequis : Machine Learning Fondamentaux.

Classes rares & évaluation d'un modèle

5 épisodes Intermédiaire

Quand le défaut est rare, les scores flattent : ROC-AUC contre PR-AUC, rééquilibrage, fuite du SMOTE, probabilités à recalibrer, incertitude du rappel.

Prérequis : Machine Learning Fondamentaux.

Évaluer ses prompts & ses IA

7 épisodes Intermédiaire

Un essai, nombre d'essais, meilleur de plusieurs, juge IA, répétitions, mêmes questions et surveillance : sept épisodes pour savoir si un résultat est vraiment meilleur.

Prérequis : Tests statistiques.

Gratuit Épisode 1

Sur 10 essais chacun, le moins bon des deux prompts (60 %) fait au moins aussi bien que le meilleur (70 %) dans 40,5 % des cas

Sur 10 essais chacun, un prompt à 60 % égale ou bat un prompt à 70 % dans 40,5 % des cas : un seul test ne tranche pas.

🔒 Épisode 2

Pour départager un prompt à 70 % d'un prompt à 60 % avec 80 % de chances de le voir, il faut 354 essais par prompt, pas 100

Pour distinguer 60 % de 70 % avec 80 % de chances, il faut 354 essais par prompt, pas 100.

🔒 Épisode 3

Dix variantes de prompt à 60 % réel, testées sur 20 essais : la « meilleure » affiche 76,4 % en moyenne, 16,4 points de trop

Dix variantes à 60 % réel testées sur 20 essais : la meilleure affiche 76,4 % en moyenne, 16,4 points de trop.

🔒 Épisode 4

Un juge IA à 95 % de sensibilité et 75 % de spécificité affiche 67,0 % pour un prompt réel à 60 % et réduit un écart de 10 points à 7

Un juge IA à 95 % de sensibilité et 75 % de spécificité affiche 67,0 % pour un prompt réel à 60 % et réduit un écart de 10 points à 7.

🔒 Épisode 5

Avec 30 questions, répéter 5 fois chaque question donne une erreur de 3,7 points ; 100 répétitions ne descendent pas sous 2,8

Avec 30 questions, répéter 5 fois chaque question donne une erreur de 3,7 points ; 100 répétitions ne descendent pas sous 2,8.

🔒 Épisode 6

Comparer deux prompts sur les mêmes 40 questions réduit l'erreur de l'écart de 5,6 à 3,1 points et divise par 3,3 les questions nécessaires

Sur les mêmes 40 questions, l'erreur de l'écart tombe de 5,6 à 3,1 points : 118 questions suffisent au lieu de 393.

🔒 Épisode 7

Un seuil d'alerte à 80 % sur 100 contrôles hebdomadaires donne 6,6 % de fausses alertes et détecte une chute à 75 % dans 85,1 % des cas

Avec 100 contrôles par semaine et une alerte sous 80 %, 6,6 % de fausses alertes et 85,1 % de détection d'une chute à 75 %.

④ Spécialités et terrain : à choisir selon ton métier

Pas d'ordre imposé : prends ce qui ressemble à ton quotidien, après les bases du groupe ①.

Énergie & Réseaux

8 épisodes Intermédiaire

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

Prérequis : Statistiques fondamentales.

Fiabilité & Maintenance

11 épisodes Intermédiaire

Weibull, remplacement, censure, disponibilité, baignoire, prédictif, stock et garantie, loi sans mémoire, cause commune et pièges du MTBF : la science de la panne, avec des simulateurs.

Prérequis : Statistiques fondamentales et Probabilités & Monte Carlo.

Gratuit Épisode 1

La loi de Weibull

Une durée de vie moyenne cache l'essentiel : la loi de Weibull donne la forme du risque de panne avec seulement deux paramètres.

🔒 Épisode 2

Quand remplacer ? Préventif ou correctif

Connaître β ne suffit pas : à partir de quel âge remplacer coûte-t-il moins cher que d'attendre la panne ? Calculez-le avec vos coûts.

🔒 Épisode 3

Données censurées et Kaplan-Meier

Les équipements encore en service ne sont pas « sans panne ». Voyez comment les prendre en compte sans fausser la durée de vie.

🔒 Épisode 4

MTBF, MTTR et disponibilité

Un équipement qui tombe en panne puis se répare : combien de temps est-il vraiment disponible, seul, en duo, en trio ?

🔒 Épisode 5

La courbe en baignoire et le rodage

Pannes de jeunesse, pannes au hasard, pannes d'usure : on les additionne et on voit pourquoi on rode les équipements avant livraison.

🔒 Épisode 6

Maintenance prédictive : durée de vie restante

Un capteur mesure la dégradation : jusqu'où peut-on extrapoler pour prévoir la panne, et avec quelle marge d'erreur ?

🔒 Épisode 7

Stock de pièces et garantie

Combien de pièces garder en stock, et combien de pannes provisionner sous garantie ? La loi de Poisson et le B10 donnent la réponse.

🔒 Épisode 8

La loi sans mémoire

À taux de panne constant, un équipement âgé n'est ni plus sûr ni plus fragile qu'un neuf : 90,5 % de chances de tenir 100 h de plus. Avec usure (β = 3), c'est 80,5 % contre 99,9 %.

🔒 Épisode 9

Redondance : la cause commune

Deux pompes en parallèle : 4,8 h d'arrêt par an si les pannes sont indépendantes, 14,6 h avec 5 % de cause commune. Au-delà de deux équipements, un plancher bloque le gain.

🔒 Épisode 10

Les pièges du MTBF

Une MTBF de 100 000 h ne veut pas dire 11 ans de vie : 63,2 % du parc est déjà en panne à t = MTBF. Et avec 75 pannes observées, l'estimation reste incertaine d'environ 11,5 %.

🔒 Épisode 11

Vote 2 sur 3 : trois unités ne valent pas toujours mieux qu'une

Sous 50 % de fiabilité par unité, le vote 2 sur 3 fait pire qu'une unité seule : le calcul, et le rôle du voteur.

Files d'attente & simulation

7 épisodes Intermédiaire

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.

Gratuit Épisode 1

À 90 % d'utilisation, un client attend en moyenne 9 fois le temps de service ; à 95 %, 19 fois

Une file utilisée à 90 % fait attendre en moyenne 90 minutes pour 10 minutes de service ; à 95 %, 190 minutes : l'attente explose près de la saturation.

🔒 Épisode 2

Même charge de 85 % et même service moyen de 10 minutes : l'attente va de 28,3 minutes (service constant) à 283,3 (CV de 3), soit 10 fois plus

À 85 % de charge, l'attente va de 28,3 à 283,3 minutes selon la régularité du service : la variabilité compte autant que la moyenne.

🔒 Épisode 3

À 85 % d'utilisation, un guichet seul fait attendre 56,7 minutes ; dix guichets mutualisés à la même charge, 3,5 minutes, soit 16 fois moins

Un guichet seul à 85 % fait attendre 56,7 minutes ; dix guichets avec une file commune, 3,5 minutes, soit 16 fois moins.

🔒 Épisode 4

Pour 8 erlangs de demande et 2 % de refus, il faut 14 bornes, utilisées à 56,2 % ; avec 8 bornes, 23,6 % des conducteurs repartent

Pour 8 erlangs de demande et 2 % de refus, il faut 14 bornes utilisées à 56,2 % ; avec 8 bornes, 23,6 % des conducteurs repartent.

🔒 Épisode 5

Avec 20 % d'urgences à 90 % de charge, les urgences attendent 11,0 minutes au lieu de 90,0, mais les autres 109,8 : la priorité déplace l'attente

Priorité aux urgences à 90 % de charge : 11,0 minutes d'attente pour elles, 109,8 pour les autres ; l'attente se déplace sans disparaître.

🔒 Épisode 6

Une simulation de 1 000 clients à 90 % de charge : l'attente moyenne tombe entre 39 et 189 minutes pour une vraie valeur de 90, et trop basse 67 % du temps

Une simulation de 1 000 clients à 90 % de charge donne entre 39 et 189 minutes pour une vraie valeur de 90 : il faut la répéter.

🔒 Épisode 7

Pour 120 appels par heure de 6 minutes, 16 conseillers minimisent le coût (516,8 € par heure) ; 13 conseillers « au plus juste » coûtent 74 % de plus

Pour 120 appels par heure de 6 minutes, 16 conseillers minimisent le coût ; 13 « au plus juste » coûtent 74 % de plus.

Optimisation & Aide à la décision

9 épisodes Intermédiaire

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).

Gratuit Épisode 1

Programmation linéaire : le prix caché d'une contrainte

Un plafond de CO₂ a un prix : le coût marginal d'une tonne évitée, lu directement dans la solution.

🔒 Épisode 2

Le sac à dos : glouton ou optimal ?

Choisir des projets sous budget : le glouton par ratio ou par gain passe-t-il à côté de l'optimum ?

🔒 Épisode 3

Descente de gradient : le pas et le conditionnement

Trop petit, trop long, trop grand : le pas décide si l'algorithme converge, rampe ou diverge.

🔒 Épisode 4

Minima locaux et redémarrages multiples

Combien de départs aléatoires faut-il pour trouver le bon creux avec 95 % de chances ?

🔒 Épisode 5

Batterie : règle simple ou optimisation ?

Seuils, règle journalière ou programmation dynamique : ce que vaut chaque stratégie face aux prix de l'électricité.

🔒 Épisode 6

Acheter sous incertitude : le piège de la demande moyenne

Manquer coûte plus que gaspiller : la bonne quantité est un quantile, pas la moyenne.

🔒 Épisode 7

Tournées : plus proche voisin et 2-opt

Relier 30 points au plus court : combien gagne-t-on à défaire les croisements d'un tour glouton ?

🔒 Épisode 8

Le front de Pareto : deux objectifs, pas un seul optimum

Treize options, six non dominées : la somme pondérée n'en trouve que cinq, et le meilleur compromis peut rester introuvable.

🔒 Épisode 9

Explorer ou exploiter : combien de visiteurs tester ?

Deux versions, dont une meilleure : tester trop peu ou trop longtemps fait perdre des conversions, et le bon réglage se calcule.

Graphes & réseaux

7 épisodes Intermédiaire

Hubs, petit monde, composante géante, centralité, robustesse, cascades et bouclages : sept épisodes pour comprendre comment un réseau tient, ou lâche.

Prérequis : Probabilités & Monte Carlo.

Gratuit Épisode 1

Même nombre de liaisons : le plus gros nœud en a 11 dans un réseau aléatoire, 47 dans un réseau à hubs, et 5 % des nœuds portent 25,3 % des connexions

Même nombre de liaisons, autre répartition : le plus gros nœud en a 11 ou 47, et 5 % des nœuds portent 25,3 % des connexions.

🔒 Épisode 2

Réarranger 2 % des liaisons : la distance moyenne passe de 25,4 à 10,6 pas, alors que 94 % du regroupement local est conservé

Réarranger 2 % des liaisons fait passer la distance moyenne de 25,4 à 10,6 pas et conserve 94 % du regroupement.

🔒 Épisode 3

À 1,5 liaison par nœud, 57,5 % des nœuds forment un seul bloc ; à 0,5, le plus gros bloc n'en contient que 1,2 %

À 1,5 liaison par nœud, 57,5 % des nœuds forment un seul bloc ; à 0,5, le plus gros bloc n'en contient que 1,2 %.

🔒 Épisode 4

Le nœud par lequel passent 100 % des échanges n'est que 12e par le nombre de liaisons : le degré ne mesure pas la criticité

Le nœud par lequel passent 100 % des échanges n'est que 12e par le nombre de liaisons : degré et intermédiarité.

🔒 Épisode 5

Retirer 20 % des nœuds : 78,3 % du réseau tient si c'est au hasard, 9,4 % si l'on vise les plus reliés

Retirer 20 % des nœuds : 78,3 % du réseau tient au hasard, 9,4 % si l'on vise les plus reliés.

🔒 Épisode 6

Un seul nœud retiré sur 147 : avec 10 % de marge de capacité, la cascade en fait tomber 80 et ne laisse que 20,4 % du réseau ; avec 50 %, elle s'arrête à 3

Un seul nœud retiré : 80 nœuds tombent avec 10 % de marge de capacité, 3 avec 50 % ; la cascade dépend de la marge.

🔒 Épisode 7

Réseau en antenne : la pire panne d'une ligne coupe 59,3 % des postes ; 3 bouclages la ramènent à 10,2 %, mais une double panne en coupe encore 72,9 %

Réseau en antenne : 3 bouclages ramènent la pire panne de 59,3 % à 10,2 %, mais une double panne en coupe encore 72,9 %.

Cartes & géodonnées

7 épisodes Intermédiaire

Découpage spatial, projection, cartes choroplèthes, autocorrélation, interpolation, distance réseau et petits territoires : sept épisodes pour lire une carte sans se faire piéger.

Prérequis : Statistiques fondamentales.

Gratuit Épisode 1

Même données, autre découpage : la corrélation passe de +1,00 à −0,98

Le même nuage de points, agrégé par zones : la corrélation passe de +1,00 à −0,98 selon l'orientation du découpage.

🔒 Épisode 2

Mercator : le Groenland paraît presque aussi grand que l'Afrique, il est 14 fois plus petit

Mercator gonfle les surfaces par 1/cos² de la latitude : le Groenland paraît presque aussi grand que l'Afrique, il est 14 fois plus petit.

🔒 Épisode 3

Même donnée, trois cartes : la classe la plus haute couvre 0,3 % ou 6,6 % de la surface

Quantiles ou intervalles égaux : la classe la plus haute couvre 6,6 % ou 0,3 % de la surface, et jusqu'à 31,6 % de la population.

🔒 Épisode 4

400 points voisins ne valent pas 400 observations : ici, seulement 16

Des voisins corrélés : 400 cellules valent 16 observations indépendantes et l'intervalle de confiance naïf ne couvre que 31,5 % des cas.

🔒 Épisode 5

Interpolation : 8 fois plus de stations, seulement 31 % d'erreur en moins

Interpolation IDW : avec 20 stations, un pic de 11,7 est estimé à 5,3 et 8 fois plus de stations ne retirent que 31 % de l'erreur.

🔒 Épisode 6

« Dans un rayon de 15 km » : 40,5 % des habitants à vol d'oiseau, 23,8 % par la route

Un rayon à vol d'oiseau compte 40,5 % des habitants, la route seulement 23,8 % : rivière, ponts et grille allongent les trajets.

🔒 Épisode 7

Les records viennent des petites communes : 85 % des 20 taux les plus élevés, sans risque réel supérieur

Les 20 taux les plus élevés viennent à 85 % de communes de moins de 500 habitants : entonnoir, dispersion en 1/√population et lissage.

Confidentialité des données

7 épisodes Intermédiaire

K-anonymat, ré-identification, agrégats qui fuient, bruit de Laplace, budget de confidentialité, généralisation et croisement de publications : sept épisodes pour partager des données sans exposer les personnes.

Prérequis : Probabilités & Monte Carlo.

Architecture & Systèmes

7 épisodes Intermédiaire

Répartition de charge, cache, limitation de débit, latence de queue, retries, idempotence, réplication : comment les systèmes se comportent sous charge.

Prérequis : Probabilités utiles ; la série Files d'attente est un bon complément.

Gratuit Épisode 1

Répartiteur de charge : le tourniquet ne suffit pas

Quatre serveurs, une charge qui monte : pourquoi le tourniquet explose le p99 et comment « le moins occupé » le contient.

Gratuit Bonus

Calcul distribué : Amdahl et broadcast

8 machines n'accélèrent que de ×4,0 si 10 % ne se parallélise pas ; un broadcast envoie 50 fois moins.

🔒 Épisode 2

Cache : taux de réussite et durée de vie

Quelle taille de cache pour quel gain ? La demande est très inégale : voyez où le cache cesse de payer, et le prix d'une donnée périmée.

🔒 Épisode 3

Limitation de débit : fenêtre fixe, glissante, seau à jetons

Une fenêtre fixe laisse passer le double du quota à la frontière de deux fenêtres : comparez trois limiteurs sur la même rafale.

🔒 Épisode 4

Latence de queue : le p99 vu par l'utilisateur

Une page qui appelle dix services attend le plus lent : un cas rare pour un service devient fréquent pour la page.

🔒 Épisode 5

Timeouts, retries et tempête de requêtes

Réessayer aide pour une panne brève et aggrave tout quand le service est surchargé : backoff, gigue et budget de retries.

🔒 Épisode 6

Idempotence et livraison au moins une fois

Réessayer un paiement sans clé d'idempotence, c'est risquer de débiter deux fois : voyez combien de doublons selon la mémoire des clés.

🔒 Épisode 7

Réplication : lire une donnée périmée

Vous modifiez, vous rechargez, et l'ancienne valeur revient : le retard de réplication et la lecture sur le primaire.

Finance Quantitative

9 épisodes Avancé

Les mêmes outils statistiques appliqués aux marchés : risque, diversification, dérivés et décision automatisée.

Prérequis : Statistiques fondamentales et Probabilités & Monte Carlo.

Physics for Data

14 épisodes + 1 bonus Avancé

Entropie, diffusion, Fourier, physique statistique : les mêmes lois qui expliquent la matière expliquent aussi le machine learning.

Prérequis : Maths pour la Data (dérivées, vecteurs).

Gratuit Épisode 1

Entropie & Information

Pourquoi un réseau de neurones et un gaz parfait obéissent à la même loi mathématique.

🔒 Épisode 2

Marche Aléatoire & Diffusion

Du mouvement brownien d'une particule de pollen aux modèles de génération d'images.

🔒 Épisode 3

Fourier & Analyse du Signal

Pourquoi ton assistant vocal, un ECG et une prévision météo décomposent le même type de signal.

🔒 Épisode 4

Physique Statistique & Softmax

La fonction softmax d'un réseau de neurones a exactement la forme de la distribution de Boltzmann.

🔒 Épisode 5

Mécanique des Systèmes Dynamiques

Pourquoi l'entraînement d'un réseau de neurones peut diverger, comme un pendule chaotique.

🔒 Épisode 6

Simulation Monte Carlo

Comment les physiciens des années 1940 ont inventé la méthode que Wall Street utilise aujourd'hui.

🔒 Épisode 7

Optimisation & Moindre Action

Pourquoi un rayon de lumière et une descente de gradient résolvent le même type de problème.

Gratuit Épisode 8

Réseaux & Percolation

Pourquoi un réseau électrique qui tombe en panne en cascade et une rumeur virale obéissent à la même loi.

🔒 Épisode 9

Physique des Files d'Attente

Pourquoi une file d'attente et un serveur informatique obéissent à la même loi mathématique.

🔒 Épisode 10

Deep Learning & PINNs

Et si un réseau de neurones pouvait apprendre à respecter les lois de la physique, sans données ?

🔒 Épisode 11

Modéliser une épidémie : le modèle SIR

Trois groupes, trois équations et un nombre, R₀, qui décide si la courbe explose ou s'éteint.

🔒 Épisode 12

Oscillations & résonance

Une petite force au bon rythme peut produire une réponse énorme : ponts, circuits, signaux.

🔒 Épisode 13

Chaos & équation logistique

Une règle d'une ligne, sans hasard, et pourtant plus aucune prévision à long terme possible.

🔒 Épisode 14

Émergence & systèmes complexes

Des règles locales minuscules produisent des structures globales que personne n'a décidées (modèle de Schelling).

Bonus Épisode bonus

Valeurs Propres & Stabilité du Réseau Électrique

Pourquoi un réseau électrique tient... jusqu'à ce qu'il ne tienne plus. Manipulez 4 simulateurs interactifs.

Quantum for Data

6 épisodes Avancé

Les idées quantiques utiles à un data scientist : vecteurs d'état, mesure, intrication, recuit, espace de Hilbert. De l'algèbre linéaire, sans mystère.

Prérequis : Maths pour la Data (matrices, nombres complexes).

Coût de la décision industrielle

7 épisodes Intermédiaire

Seuil de risque, seuil d'alerte, capteur, valeur de l'information, budget d'inspection, coûts incertains et choix de stratégie : sept épisodes pour décider en euros, pas en pourcentages.

Prérequis : Fiabilité & Maintenance et Probabilités & Monte Carlo.

Gratuit Épisode 1

Si une panne coûte 20 fois une intervention, il faut intervenir dès 5 % de risque, pas 50 % : à 8 % de risque, ne rien faire coûte 1 600 € contre 1 000 €

Une panne à 20 fois le coût d'une intervention : le seuil rentable est de 5 %, pas de 50 %.

🔒 Épisode 2

Avec une panne à 20 fois le coût d'une intervention, le meilleur seuil d'alerte détecte 76,9 % des pannes pour 10,3 % de fausses alertes : 262 € par équipement contre 600 € sans modèle

Le meilleur seuil d'alerte minimise le coût : 76,9 % de pannes détectées, 10,3 % de fausses alertes, 262 € par équipement.

🔒 Épisode 3

Un capteur qui détecte 80 % des pannes sur un parc à 4 % de pannes par an vaut au plus 560 € par équipement et par an ; à 400 €, il rapporte 160 €

À 4 % de pannes par an et 80 % de sensibilité, un capteur vaut au plus 560 € par équipement et par an.

🔒 Épisode 4

À 3 % de risque de panne, un test à 90 % de sensibilité et de spécificité vaut 416 € par équipement, soit 73 % de la valeur de l'information parfaite (570 €)

À 3 % de risque, un test à 90 % et 90 % vaut 416 € par équipement, soit 73 % de l'information parfaite.

🔒 Épisode 5

Inspecter 30 % du parc en commençant par les plus risqués capte 76,0 % des pannes et ramène le coût de 800 € à 492 € par équipement ; à risque uniforme, le gain est nul

Inspecter 30 % du parc en visant les plus risqués capte 76,0 % des pannes : 492 € par équipement au lieu de 800 €.

🔒 Épisode 6

Se tromper d'un facteur 2 sur le rapport des coûts surcoûte 8,5 % à 9,0 % ; d'un facteur 4, 31,9 % à 35,1 %

Se tromper d'un facteur 2 sur le rapport des coûts surcoûte 8,5 % à 9,0 % ; d'un facteur 4, 31,9 % à 35,1 %.

🔒 Épisode 7

À 4 % de pannes par an, une alerte à 85 % de sensibilité et 95 % de spécificité coûte 232 € par équipement, contre 800 € en correctif et 1 000 € en systématique ; elle est la moins chère de 0,49 % à 24,2 % de taux de panne

À 4 % de pannes, l'alerte coûte 232 € contre 800 € en correctif et 1 000 € en systématique ; elle gagne de 0,49 % à 24,2 %.

Stéphane Barré

À propos

Après 37 ans de terrain dans l'industrie de l'énergie (métrologie, systèmes de mesure, réseaux électriques et gaz), j'ai repris les études pour devenir data scientist — diplôme Bac+5 OpenClassrooms (RNCP Niveau 7) et diplôme d'ingénieur du CNAM. DataManip Insights, c'est le cours que j'aurais aimé avoir en commençant : pas des formules à apprendre par cœur, mais des simulateurs à manipuler pour vraiment comprendre pourquoi ces maths fonctionnent, pas juste les appliquer.