Data Science

Je conçois une base de données MongoDB pour une application de : [TYPE APP, EX: BLOG AVEC COMMENTAIRES]. Propose un design de schéma (Collections et Documents). Question clé : Dois-je **embarquer** (embed) les sous-documents ou les **référencer** (reference) ? Pour le cas des [ENTITÉ 1, EX: COMMENTAIRES] et [ENTITÉ 2, EX: ARTICLES], justifie ton choix (Embedding vs Referencing) en fonction de la performance de lecture/écriture.

Tu es un expert en architecture de données et Big Data. Conçois une architecture Data Lakehouse pour : Entreprise : [secteur et taille] Volume données : [TB/jour, types de données] Cas d'usage : [analytics, ML, reporting, etc] Contraintes : [budget, compétences, compliance] Équipe : [data engineers, analysts, scientists] Architecture Data Lakehouse complète : 1. **Storage Layer** : Object storage optimisé et formatage 2. **Metadata Management** : Catalog et gouvernance 3. **Data Ingestion** : Batch et streaming unifiés 4. **Processing Engine** : Spark, Databricks, Snowflake 5. **Data Modeling** : Medallion architecture (bronze/silver/gold) 6. **Serving Layer** : Analytics et ML serving 7. **Data Quality** : Validation et monitoring 8. **Security & Governance** : RBAC, masking, lineage 9. **Cost Optimization** : Auto-scaling et spot instances 10. **Self-Service Analytics** : BI et data marketplace Inclus : - Diagramme d'architecture détaillé - Exemples de code (SQL, Python) - Stratégie de migration depuis systèmes existants - Métriques de performance et coûts

Conçois une architecture RAG complète pour : [CAS D'USAGE]. Données : [TYPE DE DONNÉES] Volume : [VOLUME ESTIMÉ] Contraintes : [CONTRAINTES] Fournis : 1. **Architecture technique** (composants, flux) 2. **Vector database** recommandée (Pinecone, Weaviate, etc.) 3. **Chunking strategy** optimale 4. **Embedding model** sélection 5. **Retrieval strategy** (similarity, hybrid) 6. **LLM integration** (API, fine-tuning) 7. **Evaluation metrics** (precision, recall) 8. **Scaling considerations** 9. **Coûts estimés**

Tu es un expert en bio-informatique. Je veux analyser [TYPE DE DONNÉES GÉNOMIQUES] pour [OBJECTIF DE RECHERCHE]. Analyse bio-informatique complète: 1. **Sequence Analysis** : FASTA/FASTQ parsing, quality control, read mapping 2. **Genome Assembly** : De novo assembly, reference-based assembly, assembly evaluation 3. **Gene Prediction** : ORF finding, promoter identification, functional annotation 4. **Phylogenetics** : Multiple sequence alignment, tree construction, evolutionary analysis 5. **Structural Bioinformatics** : Protein folding, homology modeling, molecular docking 6. **Transcriptomics** : RNA-Seq analysis, differential expression, splicing analysis 7. **Metagenomics** : 16S/18S analysis, community profiling, functional annotation 8. **Variant Calling** : SNP/indel detection, structural variants, pharmacogenomics 9. **Database Integration** : NCBI, Ensembl, UniProt, pathway databases 10. **Visualization** : Genome browsers, circular plots, heatmaps, interactive tools Fournis les pipelines d'analyse, les scripts Python/R, les visualisations et les rapports d'interprétation.

Tu es un expert en blockchain avancée. Je veux développer [TYPE D'APPLICATION BLOCKCHAIN] avec [PROTOCOLE LAYER 2]. Système blockchain avancé: 1. **Layer 2 Solutions** : State Channels, Plasma, Rollups, Sidechains comparison 2. **Zero-Knowledge Proofs** : SNARKs, STARKs, zk-SNARKs, bulletproofs 3. **Smart Contract Optimization** : Gas optimization, proxy patterns, upgradeable contracts 4. **Consensus Mechanisms** : PoS, DPoS, BFT, hybrid consensus models 5. **Cross-Chain Bridges** : Trustless bridges, wrapped tokens, atomic swaps 6. **DeFi Protocols** : AMM, lending protocols, yield farming, liquidations 7. **Privacy Solutions** : Mixers, ring signatures, confidential transactions 8. **Scalability Solutions** : Sharding, partitioning, parallel processing 9. **Security Auditing** : Formal verification, vulnerability assessment, best practices 10. **Tokenomics Design** : Utility tokens, governance tokens, economic models Fournis les smart contracts Solidity, les implémentations Layer 2, les circuits ZK et les audits de sécurité.

Agis comme un expert en NLP. Crée un classificateur pour :\n\n[INSÉRER TÂCHE - type de classification, données, classes cibles]\n\nDéveloppe le système complet :\n1. **Data Preprocessing** : Tokenization, stop words, stemming/lemmatization\n2. **Feature Extraction** : TF-IDF, word embeddings (Word2Vec, GloVe), BERT\n3. **Model Architecture** : Traditional ML vs Deep Learning (CNN, RNN, Transformers)\n4. **Training Strategy** : Class imbalance handling, cross-validation, hyperparameter tuning\n5. **Evaluation Metrics** : Accuracy, precision, recall, F1-score, confusion matrix\n6. **Error Analysis** : Misclassification patterns, improvement opportunities\n7. **Deployment** : API endpoints, batch processing, real-time inference\n8. **Monitoring** : Performance drift, data quality checks, model retraining\n9. **Explainability** : SHAP values, attention visualization, feature importance\n\nFournis code complet avec exemples d'utilisation.

J'ai une requête SQL imbriquée illisible. Montre-moi comment utiliser une CTE (`WITH nom_cte AS (...)`) pour : 1. Calculer d'abord les sous-totaux par catégorie. 2. Puis joindre ce résultat à la table principale. Donne un exemple concret.

Voici le schéma de la table A : [CREATE TABLE A...] Voici le schéma de la table B : [CREATE TABLE B...] 1. Quelles sont les différences (colonnes, types, index) ? 2. Génère la requête `ALTER TABLE` pour transformer A afin qu'elle devienne identique à B.

Tu es un expert en vision par ordinateur. Je veux développer un système [TYPE DE SYSTÈME CV] pour [APPLICATION]. Système Computer Vision complet: 1. **Image Preprocessing** : Noise reduction, enhancement, normalization, augmentation techniques 2. **Feature Extraction** : Traditional features, deep features, attention mechanisms, feature engineering 3. **Model Architecture** : CNNs, transformers, GANs, transfer learning, custom architectures 4. **Training Pipeline** : Data preparation, loss functions, optimization strategies, regularization 5. **Object Detection** : YOLO, R-CNN, SSD, custom object detection, tracking algorithms 6. **Image Segmentation** : Semantic segmentation, instance segmentation, panoptic segmentation 7. **Video Analysis** : Action recognition, video classification, temporal modeling, real-time processing 8. **Deployment Optimization** : Model quantization, edge deployment, inference optimization, hardware acceleration 9. **Evaluation & Testing** : Metrics calculation, benchmarking, A/B testing, error analysis 10. **Production Pipeline** : Batch processing, real-time inference, monitoring, model updating Fournis le modèle entraîné, les scripts de déploiement, les pipelines de traitement et les stratégies de monitoring.

Tu es un chercheur en algorithmique quantique. Conçois un algorithme quantique pour : [PROBLÈME À RÉSOUDRE] Algorithme Quantique Complet : 1. **Problem Formulation** : - Mapping du problème au formalisme quantique - Complexité quantique vs classique - Feasibility analysis 2. **Quantum Circuit Design** : - Qubits allocation et topology - Quantum gates sequence - Depth et width optimization 3. **Algorithm Selection** : - Grover's search (si applicable) - Quantum Fourier Transform - Variational Quantum Eigensolver (VQE) - Quantum Approximate Optimization (QAOA) 4. **Implementation** : - Code Qiskit/PyQuil/Cirq - Noise mitigation strategies - Error correction considerations 5. **Performance Analysis** : - Quantum advantage estimation - Resource requirements - Success probability 6. **Classical-Quantum Hybrid** : - Pre- et post-processing classique - Optimization loops - Variational parameters tuning 7. **Testing & Validation** : - Simulation results - Hardware implementation plan - Benchmarking vs classical algorithms

Agis comme un Data Engineer senior. Conçois un pipeline ETL pour : [INSÉRER SPÉCIFICATIONS DONNÉES] Architecture requise : 1. **Extraction** : sources APIs, databases, files 2. **Transformation** : cleaning, validation, enrichment 3. **Loading** : data warehouse, data lake 4. **Orchestration** : scheduling, monitoring, error handling 5. **Quality** : data validation, testing, lineage Fournis le diagramme d'architecture et exemples de code.

Tu es un expert en systèmes de recommandation. Conçois un système de recommandation pour : 1. Choisis l'approche (collaborative, content-based, hybrid) 2. Définis les features et algorithmes 3. Implémentes le cold start problem solution 4. Configures les métriques d'évaluation (precision@k, recall@k) 5. Proposes l'architecture et pipeline de données Contexte : [INSÉRER DÉTAILS]

Agis comme un expert en systèmes de recommandation. Construis un moteur pour :\n\n[INSÉRER CONTEXTE - type de contenu, utilisateurs, objectifs métier]\n\nDéveloppe le système complet :\n1. **Data Analysis** : User-item interactions, cold start problem, sparsity\n2. **Algorithm Selection** : Collaborative filtering, content-based, hybrid approaches\n3. **Collaborative Filtering** : User-based vs item-based, matrix factorization (SVD, ALS)\n4. **Content-based Filtering** : Feature extraction, similarity metrics, TF-IDF\n5. **Deep Learning** : Neural collaborative filtering, autoencoders, transformer models\n6. **Evaluation Metrics** : Precision@K, recall@K, MAP, NDCG, diversity metrics\n7. **Real-time Personalization** : Online learning, contextual bandits, reinforcement learning\n8. **Cold Start Solutions** : New users/items, demographic-based, content-based fallback\n9. **A/B Testing** : Offline evaluation, online testing, business metrics\n\nFournis architecture système et implémentation avec exemples.

Tu es un consultant en quantum computing expert. Analyse cette possibilite : [INSERER PROBLEME/DOMAINE D'APPLICATION] Fournis une analyse quantique : 1. **Quantum advantage** potential vs classical 2. **Algorithm selection** (Grover, Shor, VQE, QAOA) 3. **Qubit requirements** estimation 4. **Implementation** en Qiskit/PyQuil/Cirq 5. **Error mitigation** strategies 6. **Hybrid quantum-classical** approaches 7. **Timeline** pour avantage quantique pratique 8. **Resource requirements** et infrastructure Sois realiste sur les limitations actuelles et les perspectives futures.

Tu es un expert en création de tableaux de bord analytics. Conçois une solution complète pour : [BESOINS MÉTIER ET SOURCES DE DONNÉES] Architecture du dashboard : 1. Identification des KPI essentiels 2. Connexion aux sources de données 3. Création des visualisations interactives 4. Mise en place des filtres et drill-down 5. Automatisation des rapports 6. Optimisation des performances