Le Blog
Articles
Analyses, décryptages, tutoriels et réflexions autour de la Data, de l'Intelligence Artificielle et des transformations qui façonnent les organisations.
CarrièreQuantitative UX Researcher : le métier caché chez Google, avec Pierre Petronin
Recrutement, salaires, culture, impact de l'IA : un ingénieur de Google Zurich dévoile un métier méconnu à la croisée de la data, de la psychologie utilisateur et du design produit.
Lire l'article →
Podcast« L'idée ne vaut rien » : les leçons de Moulaye Tabouré, cofondateur d'ANKA
13 millions de dollars levés, des clients dans 175 pays, une revente réussie : dans cet épisode du podcast, Moulaye Tabouré démonte les mythes de l'entrepreneuriat tech, de l'IA et des startups africaines.
Lire l'article →
Intelligence ArtificielleIA génératives en entreprise : le guide complet, avec Didier Gaultier (Orange Business)
Transformers, RAG, IA souveraine, méthode d'implémentation : 25 ans d'expérience condensés pour comprendre ce que l'IA générative peut — et ne peut pas — apporter à votre entreprise.
Lire l'article →
PodcastL'IA en Afrique : ce que personne ne vous dit vraiment
Retour d'expérience de Christelle Vignon-Patarin, Lead Machine Learning Engineer chez Orange Côte d'Ivoire, après son retour de France : état réel de l'écosystème, salaires, opportunités et erreurs à éviter.
Lire l'article →
Intelligence ArtificielleJ'ai créé 3 startups IA en moins de 30 minutes (sans écrire une ligne de code)
Un site professionnel, un dashboard pour créateurs, un CRM et une plateforme de formation — générés en quelques prompts. Ce que ce test révèle sur le vibe coding, et pourquoi votre vraie valeur n'est plus le code.
Lire l'article →
PodcastComment l'IA transforme le monde bancaire, avec Guillaume Durand (CDO de LCL)
Cas d'usage réels, gouvernance, shadow AI, réglementation : le Chief Data Officer de LCL raconte de l'intérieur comment une banque de 160 ans intègre l'intelligence artificielle.
Lire l'article →
100 Jours de ML#100JoursDeML : le guide complet pour apprendre le machine learning en 100 jours
Le programme jour par jour du challenge : Python, statistiques, préparation des données, modèles supervisés et non supervisés, séries temporelles — 100 leçons vidéo offertes, organisées en 10 modules.
Lire l'article →
100 Jours de ML100 Jours de ML — Module 1 : démarrer avec Python et les outils du data scientist
Qu'est-ce que le machine learning ? Comment installer Anaconda ? Cours détaillé leçon par leçon : NumPy, Pandas, Matplotlib et Seaborn pour débuter la data science avec Python.
Lire l'article →
100 Jours de ML100 Jours de ML — Module 2 : les statistiques indispensables pour le machine learning
Types de variables, moyenne, médiane, écart-type, normalité, lois de probabilité, corrélation : cours détaillé leçon par leçon du socle statistique du data scientist.
Lire l'article →
100 Jours de ML100 Jours de ML — Module 3 : les méthodes factorielles (ACP, AFC, ACM)
Analyse en composantes principales, AFC, ACM : cours détaillé leçon par leçon — inertie, valeurs propres, cercle des corrélations, interprétation des axes et pratique Python.
Lire l'article →
100 Jours de ML100 Jours de ML — Module 4 : préparer ses données (preprocessing)
Standardisation, encodage one-hot, Box-Cox, valeurs manquantes, outliers, feature selection : cours détaillé leçon par leçon du prétraitement des données en machine learning.
Lire l'article →
100 Jours de ML100 Jours de ML — Module 5 : les fondamentaux de l'apprentissage supervisé
Fonction de coût, RMSE, matrice de confusion, précision, rappel, F1, AUC, overfitting, biais-variance, validation croisée : cours détaillé leçon par leçon du machine learning supervisé.
Lire l'article →
100 Jours de ML100 Jours de ML — Module 6 : régressions linéaire et logistique
Moindres carrés, hypothèses, VIF, odds ratio, SMOTE, seuil optimal, Ridge, Lasso, Elastic Net : cours détaillé leçon par leçon des deux modèles fondamentaux du machine learning.
Lire l'article →
100 Jours de ML100 Jours de ML — Module 7 : arbres de décision, forêts aléatoires et ensemble learning
Indice de Gini, élagage, bagging, boosting, stacking, random forest, AdaBoost, gradient boosting, XGBoost, LightGBM, CatBoost : cours détaillé leçon par leçon des modèles rois des données tabulaires.
Lire l'article →
100 Jours de ML100 Jours de ML — Module 8 : KNN et SVM expliqués simplement
K plus proches voisins, distance euclidienne, lazy learning, hyperplan, marge maximale, vecteurs de support, kernel trick : cours détaillé leçon par leçon de deux classiques du machine learning.
Lire l'article →
100 Jours de ML100 Jours de ML — Module 9 : l'apprentissage non supervisé et le clustering
K-means, centroïdes, méthode du coude, silhouette, CAH, dendrogramme, critère de Ward, DBSCAN : cours détaillé leçon par leçon pour segmenter des données sans étiquettes.
Lire l'article →
100 Jours de ML100 Jours de ML — Module 10 : les séries temporelles (ARIMA, VAR, GARCH)
Stationnarité, test ADF, autocorrélation ACF/PACF, ARIMA, VAR, VECM, cointégration, volatilité ARCH/GARCH : cours détaillé leçon par leçon de la prédiction de séries temporelles.
Lire l'article →Ne manquez rien
Les prochains articles, directement dans votre boîte mail.
Chaque semaine : analyses, coulisses, nouveaux épisodes et une sélection des meilleures ressources Data & IA.
Je m'abonne à la newsletter →