Data Science

Tu es un expert en Quantum Machine Learning (QML). Je veux développer un algorithme [TYPE D'ALGORITHME QML] pour [PROBLÈME SPÉCIFIQUE]. Algorithme QML complet: 1. **Quantum Data Encoding** : Amplitude encoding, angle encoding, basis encoding, feature mapping strategies 2. **Variational Quantum Circuits** : Ansatz design, parameter initialization, circuit depth optimization 3. **Quantum Kernels** : Quantum kernel estimation, kernel methods, support vector machines quantiques 4. **Quantum Neural Networks** : QNN architectures, training strategies, backpropagation quantique 5. **Hybrid Quantum-Classical** : VQE (Variational Quantum Eigensolver), QAOA, classical-quantum loops 6. **Quantum Optimization** : Quantum gradient descent, parameter shift rule, barren plateau mitigation 7. **Quantum Feature Maps** : Data embedding strategies, quantum feature spaces, kernel methods 8. **Noise Mitigation** : Error correction, noise modeling, readout error mitigation, zero-noise extrapolation 9. **Quantum Advantage Analysis** : Complexity analysis, quantum speedup potential, classical baselines 10. **Implementation** : Qiskit, PennyLane, Cirq, hardware backends, simulation strategies Fournis le circuit quantique, le code d'entraînement, l'analyse de performance et les comparaisons avec les approches classiques.

J'ai un texte sale contenant des numéros de téléphone et des emails mélangés. Donne-moi les Regex (Python `re`) pour : 1. Extraire tous les emails. 2. Extraire les numéros de téléphone (formats français 06... ou +33...). 3. Supprimer tous les caractères spéciaux sauf lettres et chiffres.

J'ai une table `Employes` (ID, Nom, ManagerID). Écris une requête SQL utilisant une Common Table Expression (CTE) récursive pour : 1. Partir d'un manager spécifique (ID = X). 2. Récupérer toute sa descendance hiérarchique (N-1, N-2, etc.). 3. Afficher le niveau de profondeur pour chaque employé.

Tu es un responsable éthique IA. Évalue ce système : [SYSTÈME IA + CAS D'USAGE + IMPACT POTENTIEL] Évaluation éthique complète : 1. **Fairness analysis** : biais, discrimination, equity metrics 2. **Transparency assessment** : explicabilité, interprétabilité 3. **Privacy impact** : données personnelles, consentement, anonymisation 4. **Accountability framework** : responsabilités, audits, remédiation 5. **Safety considerations** : risques, fail-safes, human oversight 6. **Societal impact** : emploi, inclusion, bien-être collectif 7. **Compliance check** : régulations, standards, certifications Fournis le rapport éthique avec recommandations d'amélioration.

J'ai une requête SQL lente. J'ai lancé `EXPLAIN ANALYZE`. Aide-moi à comprendre la sortie : 1. C'est quoi un **Seq Scan** vs **Index Scan** ? 2. Que signifie **Cost** (ex: `cost=0.00..458.00`) ? 3. Comment identifier si le goulot d'étranglement est CPU ou I/O ? Donne un exemple de sortie et son interprétation.

J'ai une table `employees` (id, name, manager_id) où `manager_id` référence un autre employé. Écris une requête SQL utilisant une **Recursive CTE** pour afficher toute la hiérarchie organisationnelle (l'arbre complet) sous un manager donné (ID: [ID]). La sortie doit inclure une colonne `level` (profondeur) et le chemin complet (ex: "CEO > VP > Manager").

Tu es un analyste spécialisé en ClimateTech et innovations durables. Je veux explorer les solutions technologiques pour [PROBLÈME CLIMATIQUE SPÉCIFIQUE]. Domaine d'intérêt : [ÉNERGIE/CARBON CAPTURE/AGRICULTURE/TRANSPORT/BÂTIMENT] Zone géographique : [MONDIAL/EUROPE/FRANCE/AUTRE] Budget considéré : [STARTUP/GRAND GROUPE/PUBLIC] Réalise une analyse complète du paysage innovant : 1. **Technologies Émergentes** : Liste des 5-10 innovations les plus prometteuses 2. **Analyse de Maturité** : Niveau TRL (Technology Readiness Level) de chaque solution 3. **Acteurs Clés** : Startups, entreprises de recherche, institutions impliquées 4. **Impact Potentiel** : Estimation de réduction CO2 et autres bénéfices environnementaux 5. **Défis Technologiques** : Obstacles techniques à surmonter 6. **Modèles Économiques** : Comment ces technologies peuvent devenir rentables 7. **Timeline de Déploiement** : Prévisions d'adoption à court/moyen/long terme 8. **Opportunités d'Investissement** : Secteurs les plus porteurs Termine par 3 recommandations stratégiques pour [MON ORGANISATION].

Je dispose d'un dataset contenant les colonnes suivantes : [LISTE DES COLONNES]. Écris un script Python complet utilisant Pandas et Seaborn pour réaliser une Analyse Exploratoire des Données (EDA). Le script doit inclure : 1. **Chargement et Aperçu** : `head()`, `info()`, `describe()`. 2. **Nettoyage** : Vérification des valeurs manquantes et doublons. 3. **Analyses Univariées** : Histogrammes pour les variables numériques, Countplots pour les catégories. 4. **Matrice de Corrélation** : Heatmap pour voir les liens entre variables. 5. **Pairplot** : Pour visualiser les relations complexes.

Tu es un expert en Machine Learning. Analyse ce problème : [DÉCRIRE LE PROBLÈME ET DONNÉES] Recommande : 1. **Type de problème** (classification, régression, clustering) 2. **Algorithmes candidats** avec pros/cons 3. **Feature engineering** suggestions 4. **Métriques d'évaluation** appropriées 5. **Validation strategy** (cross-validation, holdout) 6. **Implementation roadmap** 7. **Risks et limitations**

Montre-moi comment configurer un pipeline RAG (Retrieval Augmented Generation) avec LangChain en Python. Étapes : 1. **Loader** : Charger un PDF. 2. **Splitter** : Découper le texte (`RecursiveCharacterTextSplitter`). 3. **Embeddings** : Vectoriser (OpenAI/HuggingFace). 4. **Vector Store** : Stocker dans ChromaDB ou FAISS. 5. **Chain** : Interroger le LLM avec le contexte récupéré.

Tu es un expert en technologies spatiales. Je veux développer un système [TYPE DE SYSTEME SPATIAL] pour [APPLICATION SPATIALE]. Système Spatial complet: 1. **Satellite Design** : Platform architecture, payload integration, power systems, thermal management 2. **Orbital Mechanics** : Trajectory planning, station keeping, collision avoidance, deorbiting strategies 3. **Communications Systems** : Ground stations, RF systems, optical communications, network protocols 4. **Remote Sensing** : Earth observation, imaging systems, data processing, analytics platforms 5. **Space Navigation** : GPS systems, attitude control, star trackers, inertial measurement 6. **Mission Operations** : Command and control, telemetry, health monitoring, automation 7. **Space Debris Management** : Tracking systems, collision avoidance, mitigation strategies, active removal 8. **Launch Systems** : Rocket integration, deployment mechanisms, separation systems, safety protocols 9. **Data Processing** : On-board processing, ground systems, AI analytics, real-time processing 10. **Regulatory Compliance** : Frequency allocation, licensing requirements, international space law, coordination Fournis l'architecture spatiale, les systèmes de communication, les opérations de mission et les stratégies de déploiement.

En tant qu'expert en détection d'anomalies, analyse ce dataset :\n\n[INSÉRER DONNÉES - structure, volume, contexte, types d'anomalies]\n\nImplémente un système de détection :\n1. **Exploratory Analysis** : Data distribution, correlations, missing values\n2. **Statistical Methods** : Z-score, IQR, isolation forest, local outlier factor\n3. **Machine Learning Approaches** : Autoencoders, one-class SVM, clustering-based\n4. **Time Series Anomalies** : Seasonal decomposition, change point detection\n5. **Feature Engineering** : Domain-specific features, dimensionality reduction\n6. **Threshold Optimization** : Precision-recall trade-off, cost-sensitive learning\n7. **Real-time Detection** : Streaming algorithms, sliding windows, alerting\n8. **Interpretability** : Root cause analysis, feature contribution, visualization\n9. **Validation Framework** : Labeled anomalies, synthetic anomalies, expert review\n\nFournis implémentation complète avec dashboard de monitoring.

Agis comme un expert en feature engineering pour Machine Learning. Pour ce dataset et problème : 1. Analyse les variables et distributions 2. Identifies les transformations nécessaires 3. Crées les features polynomiales et interactions 4. Appliques les techniques de sélection 5. Justifies chaque choix avec impact attendu Dataset et problème : [INSÉRER DÉTAILS]

Développe un système de recommandation pour [TYPE DE CONTENU/PRODUITS]. Approches hybrides : 1. **Collaborative filtering** (user-based, item-based) 2. **Content-based filtering** avec features textuelles/images 3. **Matrix factorization** (SVD, NMF) 4. **Deep learning** (Neural Collaborative Filtering) 5. **Cold start problem** solutions 6. **Real-time recommendations** avec streaming 7. **A/B testing** framework Fournis architecture complète, code Python, et métriques de recommandation.

J'ai une table `ventes` (mois, produit, montant). Données : `('Jan', 'A', 100)`, `('Jan', 'B', 200)`, `('Fév', 'A', 150)`... Écris une requête pour obtenir un tableau croisé : - Une ligne par mois. - Une colonne pour le produit A, une pour le B, etc. Utilise la technique `SUM(CASE WHEN ...)`.