Data Science

Tu es un expert en machine learning appliqué à l'e-commerce. Optimise le système de recommandation pour : [PLATEFORME E-COMMERCE ET DONNÉES DISPONIBLES] Système de recommandation optimisé : 1. **Analyse Comportementale** : Extraction de patterns utilisateur et produit 2. **Collaborative Filtering** : Filtrage collaboratif avancé avec factorisation matricielle 3. **Content-Based Filtering** : Analyse sémantique des descriptions et images produits 4. **Deep Learning Models** : Réseaux de neurones pour recommandations contextuelles 5. **Real-time Personalization** : Adaptation dynamique selon comportement session 6. **Cold Start Solution** : Gestion des nouveaux utilisateurs et produits 7. **Multi-arm Bandit** : Exploration/exploitation pour découvrir nouvelles recommandations 8. **A/B Testing Framework** : Tests continuels des algorithmes de recommandation 9. **Business Metrics Integration** : Optimisation selon taux conversion et panier moyen 10. **Explainability** : Justification des recommandations pour confiance utilisateur 11. **Cross-selling & Upselling** : Stratégies de vente additionnelle et montée en gamme 12. **Seasonal & Trend Adaptation** : Adaptation aux tendances saisonnières et émergentes

Tu es un expert en systèmes de recommandation avancés. Optimise ce système hybride pour : [PLATEFORME ET OBJECTIFS DE RECOMMANDATION] Architecture système hybride : 1. **Filtrage collaboratif** : Matrix factorization et deep learning pour similarités utilisateurs 2. **Content-based filtering** : Analyse sémantique et embeddings de contenu 3. **Knowledge graphs** : Intégration relations et contextes métier 4. **Multi-armed bandits** : Exploration vs exploitation en temps réel 5. **Cold start resolution** : Stratégies pour nouveaux utilisateurs/items 6. **Diversity algorithms** : Éviter bulles de filtre et serendipity 7. **Real-time inference** : Pipeline streaming avec latence < 100ms 8. **A/B testing framework** : Évaluation continue et optimisation automatique 9. **Fairness & bias mitigation** : Détection et correction des biais systémiques 10. **Explainability** : Interface justifiant les recommandations aux utilisateurs

Tu es un expert en systèmes de recommandation temps réel. Optimise cette architecture pour millions d'utilisateurs : [PLATEFORME ET VOLUMES UTILISATEURS] Optimisation système recommandation : 1. Architecture hybride (content-based + collaborative + knowledge-based) 2. Apprentissage temps réel avec streaming data (Spark, Flink) 3. Vector databases et embeddings approximés (ANN) 4. Multi-armed bandits pour exploration/exploitation 5. Cold start strategies et nouveaux items handling 6. Personalization contextuelle (device, temps, localisation) 7. A/B testing et offline evaluation metrics 8. Pipeline d'entraînement continu et model deployment 9. Latence < 100ms et throughput 10k+ req/sec 10. Monitoring drift et automatic retraining

Tu es un expert en systèmes de recommandation. Optimise ce système pour personnalisation maximale : [SYSTÈME ACTUEL ET DONNÉES UTILISATEURS DISPONIBLES] Stratégie d'optimisation recommandation : 1. **Analyse données comportementales** : Patterns clics, temps session, et interactions implicites 2. **Algorithmes hybrides** : Content-based, collaborative filtering, et deep learning combinés 3. **Personalisation contextuelle** : Adaptation temps réel selon situation et historique 4. **Cold start mitigation** : Stratégies nouveaux utilisateurs et nouveaux items 5. **Diversification résultats** : Équilibre entre pertinence et découverte 6. **A/B testing continu** : Validation algorithmes et métriques engagement 7. **Bias et fairness** : Détection et correction biais systémiques 8. **Scalabilité temps réel** : Optimisation calculs et caching intelligent 9. **Explicabilité recommandations** : Interfaces transparentes et contrôles utilisateur 10. **Métriques business** : Conversion, rétention, et satisfaction client Fournis l'architecture optimisée, les algorithmes sélectionnés, et la stratégie de déploiement.

Tu es un expert en systèmes de recommandation et IA hybride. Optimise ce système pour : [PLATEFORME ET OBJECTIFS DE RECOMMANDATION] Architecture recommandation hybride : 1. **Multi-strategy fusion** : Content-based, collaborative filtering, et knowledge-based 2. **Deep learning models** : Autoencoders, transformers, et GNNs pour préférences 3. **Context-aware recommendations** : Adaptation selon localisation, temps, et device 4. **Cold start solution** : Stratégies pour nouveaux utilisateurs et items 5. **Real-time personalization** : Mises à jour instantanées des profils 6. **Explainability interface** : Justifications des recommandations utilisateur 7. **A/B testing framework** : Optimisation continue des algorithmes 8. **Bias detection** : Identification et correction des biais systémiques 9. **Multi-objective optimization** : Balance entre engagement, diversité, et business goals 10. **Privacy-preserving** : Federated learning et differential privacy 11. **Cross-domain recommendations** : Transfert d'apprentissage entre catégories Fournis l'architecture modèle, les métriques d'évaluation, et la stratégie de déploiement.

J'ai un DataFrame Pandas `df` très sale. Écris le code pour : 1. Supprimer les lignes entièrement vides. 2. Remplacer les valeurs manquantes de la colonne `age` par la médiane. 3. Convertir la colonne `date` (actuellement string) en datetime. 4. Supprimer les doublons basés sur l'ID. 5. Mettre toutes les chaînes de `ville` en minuscules.

J'ai une table `events` avec une colonne `data` de type `JSONB`. Structure : `{"user": {"id": 123, "country": "FR"}, "action": "click"}`. Écris les requêtes SQL pour : 1. Trouver tous les événements où `country` est "FR" (Utilise l'opérateur `->>`). 2. Compter les événements par type d'`action`. 3. Créer un index GIN sur la colonne `data` pour accélérer ces recherches.

Tu es un expert en analytics comportemental prédictif et data science utilisateur avancée. Développe un moteur pour :\n\n[DONNÉES UTILISATEUR ET OBJECTIFS PRÉDICTIFS]\n\nMoteur analytics comportemental prédictif :\n1. **Multi-source data fusion** : Fusion données multi-sources (navigation, achat, social, IoT, contextuelles)\n2. **Behavioral pattern recognition** : Reconnaissance patterns comportementaux avec clustering hiérarchique\n3. **Intent prediction modeling** : Modélisation prédictive intentions avec séquences temporelles et Markov chains\n4. **Churn risk scoring** : Scoring risque attrition avec survival analysis et features engineering\n5. **Personalized journey mapping** : Cartographie parcours personnalisés avec path optimization\n6. **Real-time behavioral scoring** : Scoring comportemental temps réel avec streaming analytics\n7. **A/B testing predictive** : Tests A/B prédictifs avec uplift modeling et causal inference\n8. **Cross-domain behavior transfer** : Transfert apprentissage comportemental cross-domain avec transfer learning\n9. **Ethical behavior analytics** : Analytics comportementaux éthiques avec privacy-preserving techniques\n10. **Actionable insights generation** : Génération insights actionnables avec recommandations automatisées\n\nFournis l'architecture analytics complète, les modèles prédictifs, et les métriques de performance comportementale.

Agis en tant qu'ingénieur expert en feature engineering pour le machine learning. Transforme mes données brutes en features puissantes qui maximiseront la performance de mes modèles. Pour chaque projet : 1. Analyse exploratoire des données brutes et identification patterns 2. Création de features temporelles, catégorielles et numériques avancées 3. Gestion des valeurs manquantes et outliers avec techniques sophistiquées 4. Feature selection avec méthodes statistiques et basées sur modèles 5. Scaling et transformation pour optimiser convergence 6. Documentation du pipeline et automatisation pour production Mon projet de ML : - Type de problème : [classification/régression/clustering] - Données disponibles : [description des datasets] - Volume : [taille des données] - Objectif métier : [KPI à optimiser] - Contraintes : [temps/ressources/réglementaires] Crée un pipeline de feature engineering complet et optimal.

Agis en tant qu'architecte expert en Data Mesh. Conçois pour moi une architecture de données distribuée qui évolue avec mon organisation. Pour chaque architecture : 1. Analyse de l'organisation et identification des domaines de données 2. Définition des principes et standards du Data Mesh 3. Conception des data products et leurs interfaces 4. Mise en place de la gouvernance fédérée et du self-service 5. Infrastructure de données partagée et plateforme serving 6. Stratégie de migration depuis l'architecture actuelle Mon contexte data : - Taille organisation : [nombre de départements/équipes] - Volumes de données : [péta-octets/jour] - Cas d'usage : [analytics/ML/real-time] - Compétences actuelles : [data engineers/analysts] - Contraintes : [techniques/budget/culturelles] Conçois une architecture Data Mesh évolutive et autonome.

Agis en tant qu'architecte expert en analytics temps réel. Conçois une pipeline complète pour analyser des données en streaming avec latence minimale. Pour chaque architecture : 1. Ingestion de données : - Message brokers (Kafka, Pulsar, Kinesis) - Protocoles et formats (Avro, Protobuf, JSON) - Gestion de back-pressure et réconciliation 2. Processing stream : - Frameworks (Apache Flink, Spark Streaming, ksqlDB) - Fenêtrage temporel (tumbling, sliding, session) - State management et exactly-once semantics 3. Stockage et indexing : - Time-series databases (InfluxDB, TimescaleDB) - Search engines (Elasticsearch, OpenSearch) - Data lakes avec partitionnement temporel 4. Visualisation et alerting : - Dashboards temps réel (Grafana, Kibana) - Anomaly detection et alerting intelligent - SLA monitoring et performance tracking 5. Scalabilité et résilience : - Auto-scaling horizontal - Fault tolerance et disaster recovery - Cost optimization et resource management Mon cas d'usage : - Source de données : [IoT/logs/events/clickstream] - Volume : [millions/sec, Go/jour] - Latence cible : [ms/secondes] - Analytiques requises : [agrégations/détections/predictions] - Stack technique existante : [technologies actuelles] - Contraintes : [budget/compétences/réglementaires] Conçois une architecture real-time analytics complète avec diagramme, configuration et monitoring.

J'ai besoin de récupérer des données depuis l'API suivante : [URL API OU DOC]. Paramètres nécessaires : [CLÉ API, FILTRES]. Écris un script Python utilisant `requests` et `pandas` pour : 1. Faire l'appel API (avec gestion des erreurs/retry). 2. Parser la réponse JSON. 3. Transformer les données en DataFrame Pandas. 4. Sauvegarder le résultat en CSV.

J'ai un DataFrame Pandas avec les colonnes : [COLONNES]. Écris le code Python (Matplotlib/Seaborn) pour créer un graphique : [TYPE, EX: SCATTER PLOT, HISTOGRAMME]. Personnalisation requise : - Titre et labels d'axes. - Palette de couleurs moderne. - Annotations sur les points aberrants (outliers).

Tu es un ingénieur en machine learning quantique. Développe des algorithmes pour [APPLICATION SPÉCIFIQUE] : Application et domaine : [DESCRIPTION DE L'APPLICATION] Données disponibles : [TYPE ET VOLUME DE DONNÉES] Contraintes quantiques : [NOMBRE DE QUBITS, TYPE DE PROCESSEUR] Développement ML quantique complet : 1. **Analyse quantique préliminaire** : - Évaluation du potentiel quantique vs classique - Identification des parties de l'algorithme quantifiable - Benchmarking avec algorithmes classiques existants 2. **Sélection d'algorithmes quantiques** : - QAOA (Quantum Approximate Optimization Algorithm) - VQE (Variational Quantum Eigensolver) - Algorithmes de grover adaptés au problème - Apprentissage quantique (QML) pour les données non structurées 3. **Conception des circuits quantiques** : - Design des circuits adaptés pour le hardware quantique cible - Encodage des données classiques en états quantiques - Compilation optimisée pour les cibles quantiques spécifiques - Test et validation des circuits 4. **Hybrid classique-quantique** : - Stratégies d'hybridation pour tirer le meilleur des deux mondes - Utilisation de coprocesseurs pour les calculs classiques dans les circuits quantiques - Gestion de la communication classique-quantique - Migration progressive vers le full quantique 5. **Simulation et benchmarking** : - Simulation des performances sur simulateurs quantiques - Comparaison avec les algorithmes classiques - Tests de robustesse et d'erreur - Analyse des coûts computationnels 6. **Optimisation continue** : - Calibration fine des paramètres quantiques - Compaction et optimisation des circuits - Techniques d'erreur mitigation - Monitoring des performances et évolution 7. **Déploiement pratique** : - Tests sur hardware quantique réel si disponible - Compilation sur simulateurs cloud quantiques - Tests avec données réelles ou synthétiques Fournis les circuits quantiques, les benchmarks de performance, et un guide de déploiement pratique.

Tu es un stratège expert en informatique quantique avec expérience en algorithmes quantiques et applications pratiques. Évalue cette opportunité quantique : [PROBLÈME/DOMAINE + CONTRAINTES ACTUELLES + OBJECTIFS QUANTIQUES] Stratégie informatique quantique complète : **1. Analyse de Faisabilité Quantique** : - Problèmes adaptés au quantique (optimisation, simulation, cryptographie) - Avantage quantique potentiel vs classique - État actuel de la technologie quantique pertinente - Niveau de maturité (NISQ vs fault-tolerant) **2. Algorithmes Quantiques Pertinents** : - **Optimisation** : QAOA, VQE, recuit simulé quantique - **Machine Learning** : QML, kernels quantiques, VQC - **Simulation** : Dynamique moléculaire, matériaux, systèmes complexes - **Cryptographie** : QKD, post-quantum cryptography - **Recherche** : Grover, amplitude amplification **3. Évaluation des Plateformes** : - **Hardware** : Superconducting, trapped ions, photonics, annealing - **Cloud Providers** : IBM Quantum, Google Quantum AI, Amazon Braket, Microsoft Azure Quantum - **Frameworks** : Qiskit, Cirq, PennyLane, Q# - **Coût et Accessibilité** : Pricing models, temps d'attente **4. Feuille de Route Quantique** : - Phase 1 : Éducation et expérimentation (0-6 mois) - Phase 2 : POC sur problèmes pilotes (6-18 mois) - Phase 3 : Intégration hybride quantique-classique (18-36 mois) - Phase 4 : Déploiement quantique production (36+ mois) **5. Compétences et Équipe** : - Profils requis (physiciens quantiques, développeurs, mathématiciens) - Formations et certifications disponibles - Partenariats académiques et industriels **6. Risques et Mitigations** : - Risques technologiques (décohérence, erreurs) - Risques opérationnels (intégration, maintenance) - Risques concurrentiels - Stratégies de diversification Fournis une recommandation stratégique avec ROI estimé, budget requis et plan d'action priorisé.