Nos tutoriels en science des données

Découvrez comment les routines Claude Code exécutent votre agent de développement dans le cloud selon un planning ou un événement GitHub, pour que revues de PR et audits avancent même ordinateur fermé.

Apprenez à accélérer l’inférence locale de Gemma 4 31B sur une seule RTX 4090 grâce au décodage spéculatif DFlash et à Flash Attention, comparés à une configuration de référence.

Découvrez comment un pipeline MLOps de bout en bout prédit les résultats de la Coupe du monde 2026, de l'entraînement automatisé et DVC à une simulation Monte Carlo du tableau en 10 000 itérations.

Un tutoriel complet sur l’usage d’outils natifs Python pour des opérations CRUD asynchrones et l’interactivité HTMX.

Découvrez comment utiliser Cofounder 2 pour transformer une idée en entreprise structurée : business plan, brand kit, tâches d’ingénierie, campagnes marketing et workflows commerciaux, grâce à des agents IA spécialisés.

GGUF regroupe les poids du modèle, les données du tokenizer et les métadonnées dans un fichier portable unique. Découvrez comment choisir le bon niveau de quantification et démarrer avec Ollama.

Fonctionnement de la régression par forêts aléatoires, ses limites, et comment l’évaluer, l’ajuster et l’interpréter. Inclut une implémentation Python et un cadre de comparaison de modèles.

La KDE est une méthode non paramétrique pour estimer la forme d’une distribution de données sans supposer de modèle fixe. Découvrez la formule, le choix de la largeur de bande et la mise en pratique en Python et en R.

Guide pratique des splines : comment les polynômes par morceaux et les nœuds modélisent le non linéaire, les principaux types de splines, et comment les ajuster en Python et R.

Un guide pratique des hypothèses de la régression logistique, des diagnostics qui détectent les violations en Python et R, et des alternatives à privilégier quand elles ne tiennent pas.

Un guide détaillé du surapprentissage et du sous-apprentissage en apprentissage automatique : comment identifier chaque mode d’échec, pourquoi ils surviennent et comment les corriger via le compromis biais-variance.

Un guide pratique des GLM — ce qu'ils sont, comment leurs trois composants s'articulent, et comment les ajuster et les interpréter en Python et en R.