Les Fondamentaux de la Statistique
10 épisodesDe la moyenne au machine learning : statistiques descriptives, probabilités, tests d'hypothèse, régression et ACP.
Statistiques Descriptives
Moyenne, médiane, variance, quartiles — résumer un jeu de données en quelques nombres.
🔒 Épisode 2Probabilités & Lois
Loi des grands nombres, loi binomiale, loi normale, et le piège du théorème de Bayes.
🔒 Épisode 3Échantillonnage & Intervalle de Confiance
Théorème central limite, erreur type, et comment encadrer une estimation.
🔒 Épisode 4Tests d'Hypothèse & p-value
H0, p-value, erreurs de type I et II — décider si un effet est réel ou dû au hasard.
🔒 Épisode 5ANOVA & Comparaisons Multiples
Comparer plus de deux groupes sans faire exploser le risque de fausse alerte.
🔒 Épisode 6Régression & Corrélation
Coefficient r, droite des moindres carrés, résidus, R² — et le piège corrélation/causalité.
🔒 Épisode 7Régression Multiple & Multicolinéarité
Combiner plusieurs variables explicatives, et gérer le piège des prédicteurs redondants.
🔒 Épisode 8Analyse Multivariée & ACP
Résumer des variables corrélées en quelques composantes principales, sans perdre l'essentiel.
🔒 Épisode 9Machine Learning & Python
Train/test split, sur-apprentissage, validation croisée — assembler tous les fondamentaux.
🔒 Épisode 10Séries Temporelles et Prévision
Décomposition tendance/saisonnalité/résidu, stationnarité, et panorama des 20 modèles de prévision — d'ARIMA au deep learning.
Finance Quantitative
9 épisodesLes mêmes outils statistiques appliqués aux marchés : risque, diversification, dérivés et décision automatisée.
Finance Quantitative
Intérêt composé, rendement et risque, diversification — les fondations mathématiques de l'investissement.
🔒 Épisode 2Ratio de Sharpe & Frontière Efficiente
Comparer des investissements par leur rendement ET leur risque, pas l'un sans l'autre.
🔒 Épisode 3Value at Risk & Gestion du Risque
Un seuil de perte statistique, et pourquoi les queues épaisses trompent les modèles paramétriques.
🔒 Épisode 4Séries Temporelles Financières
Autocorrélation, clustering de volatilité, moyennes mobiles — la mémoire cachée des marchés.
🔒 Épisode 5Introduction aux Produits Dérivés
Options, payoff, Black-Scholes — le droit sans l'obligation, et le prix de ce droit.
🔒 Épisode 6Corrélation & Contagion en Période de Crise
Pourquoi la diversification déçoit exactement quand on compte le plus dessus.
🔒 Épisode 7Trading Algorithmique
Transformer un signal statistique en règle de décision, et backtester honnêtement une stratégie.
🔒 Épisode 8Trading Haute Fréquence & Microstructure
Carnet d'ordres, spread bid-ask, impact de marché — l'anatomie cachée d'un "prix".
🔒 Épisode 9Cryptomonnaies & Finance Décentralisée
Volatilité extrême, teneurs de marché automatisés — les mêmes maths, une infrastructure nouvelle.
Physics for Data
10 épisodes Nouvelle sérieEntropie, diffusion, Fourier, physique statistique : les mêmes lois qui expliquent la matière expliquent aussi le machine learning.
Entropie & Information
Pourquoi un réseau de neurones et un gaz parfait obéissent à la même loi mathématique.
🔒 Épisode 2Marche Aléatoire & Diffusion
Du mouvement brownien d'une particule de pollen aux modèles de génération d'images.
🔒 Épisode 3Fourier & Analyse du Signal
Pourquoi ton assistant vocal, un ECG et une prévision météo décomposent le même type de signal.
🔒 Épisode 4Physique Statistique & Softmax
La fonction softmax d'un réseau de neurones a exactement la forme de la distribution de Boltzmann.
🔒 Épisode 5Mécanique des Systèmes Dynamiques
Pourquoi l'entraînement d'un réseau de neurones peut diverger, comme un pendule chaotique.
🔒 Épisode 6Simulation Monte Carlo
Comment les physiciens des années 1940 ont inventé la méthode que Wall Street utilise aujourd'hui.
🔒 Épisode 7Optimisation & Moindre Action
Pourquoi un rayon de lumière et une descente de gradient résolvent le même type de problème.
Gratuit Épisode 8Réseaux & Percolation
Pourquoi un réseau électrique qui tombe en panne en cascade et une rumeur virale obéissent à la même loi.
🔒 Épisode 9Physique des Files d'Attente
Pourquoi une file d'attente et un serveur informatique obéissent à la même loi mathématique.
🔒 Épisode 10Deep Learning & PINNs
Et si un réseau de neurones pouvait apprendre à respecter les lois de la physique, sans données ?
Bonnes Pratiques en Analyse de Données
1 épisode Hors-sérieUn format ponctuel, pas une série de fond : prendre du recul sur les pièges qui reviennent, quel que soit le sujet étudié.
Machine Learning Fondamentaux
10 épisodes Nouvelle sérieBiais-variance, Naive Bayes, malédiction de la dimension : les mécanismes derrière les modèles, expliqués avec des simulateurs qu'on manipule soi-même.
Biais & Variance
Pourquoi un modèle parfait sur ses données d'entraînement peut être un très mauvais modèle.
🔒 Épisode 2Naive Bayes
Une hypothèse d'indépendance presque toujours fausse — et un classificateur qui marche quand même.
🔒 Épisode 3La Malédiction de la Dimension
Pourquoi ajouter des variables à un modèle peut le rendre pire, pas meilleur.
🔒 Épisode 4Le Gradient qui Disparaît
Pourquoi les réseaux profonds ont mis 30 ans à devenir entraînables.
🔒 Épisode 5Arbres, Forêts & le Pouvoir du Vote
Bagging, Random Forest, et pourquoi voter à plusieurs modèles bat un seul expert.
🔒 Épisode 6La Régularisation
Pourquoi punir son propre modèle pendant l'entraînement le rend meilleur en production.
🔒 Épisode 7Le Test du Khi-2
Le détective statistique des tableaux de contingence.
🔒 Épisode 8La Loi des Grands Nombres & le Paradoxe du Parieur
Pourquoi l'intuition d'un joueur de casino trompe presque toujours.
🔒 Épisode 9Cross-Validation
Pourquoi une seule mesure de performance ment presque toujours.
🔒 Épisode 10Du Perceptron au Transformer
Une frise historique des réseaux de neurones, des origines aux modèles actuels.