Data Science

J'ai un DataFrame Pandas sale. Donne-moi le code pour : 1. Supprimer les lignes avec des valeurs manquantes (`dropna`). 2. Remplir les valeurs manquantes d'une colonne par la moyenne (`fillna`). 3. Convertir une colonne 'date' (string) en datetime. 4. Supprimer les doublons.

Voici une table mal conçue (dénormalisée) : `Commandes(ID, ClientNom, ClientAdresse, Produit, Prix, Date)` Propose une structure normalisée (3ème Forme Normale). 1. Sépare les entités (Clients, Produits, Commandes). 2. Définis les clés primaires et étrangères. 3. Explique pourquoi cette structure est meilleure (moins de redondance, intégrité).

Tu es un expert en optimisation de bases de données SQL. Analyse et optimise cette base de données : [TYPE DE BASE DE DONNÉES] [VOLUME ET TRAFIC] [PROBLÈMES DE PERFORMANCE OBSERVÉS] Plan d'optimisation : 1. Analyse des requêtes lentes (EXPLAIN, profiling) 2. Optimisation des schémas et types de données 3. Stratégie d'indexation appropriée 4. Configuration des paramètres serveur 5. Mise en cache et stratégies de partitionnement 6. Monitoring continu et alertes 7. Sauvegardes et plan de récupération

Tu es un expert en optimisation de bases de données. Analyse et optimise les requêtes suivantes : [REQUÊTES LENTES ET SCHÉMA DE BDD] Plan d'optimisation : 1. Analyse des plans d'exécution et identification des goulots 2. Stratégies d'indexation avancées (composite, partial, covering) 3. Réécriture des requêtes et optimisation des jointures 4. Partitionnement et sharding si nécessaire 5. Cache et stratégies de préparation 6. Monitoring continu et maintenance

Tu es un expert en systèmes de recommandation temps réel. Optimise cette architecture pour : [PLATEFORME ET VOLUME D'UTILISATEURS] Optimisation système de recommandation : 1. **Architecture streaming** : Pipeline temps réel avec Kafka/Flink 2. **Feature store temps réel** : Mise à jour continue des features utilisateurs 3. **Multi-armed bandits** : Algorithmes d'exploration/exploitation adaptatifs 4. **Cold start resolution** : Stratégies pour nouveaux utilisateurs/items 5. **Embeddings dynamiques** : Mise à jour en continu des représentations 6. **A/B testing framework** : Évaluation continue des modèles 7. **Bias mitigation** : Détection et correction des biais systémiques 8. **Explainability** : Interface pour comprendre les recommandations 9. **Scaling horizontal** : Gestion de millions d'utilisateurs simultanés 10. **Latency optimization** : Objectif < 100ms pour recommandations

Tu es un expert MLOps. Optimise ce modèle ML pour la production : [DESCRIPTION DU MODÈLE/DATASETS] Optimisations à appliquer : 1. **Performance** : Temps d'inférence et throughput 2. **Taille** : Quantization et pruning 3. **Latence** : Batch processing et parallélisation 4. **Monitoring** : Drift detection et alerting 5. **Scaling** : Horizontal/vertical scaling 6. **Versioning** : Gestion des modèles en production 7. **A/B Testing** : Validation des performances

Agis comme un expert data engineering. Crée un pipeline pour : [DÉCRIRE LE BESOIN] Conçois : 1. **Architecture ETL/ELT** appropriée 2. **Data extraction** (APIs, databases, files) 3. **Transformation logic** et cleaning 4. **Loading strategy** (data warehouse, lake) 5. **Orchestration** (Airflow, Prefect, Dagster) 6. **Monitoring et alerting** 7. **Data quality** checks

Crée un pipeline MLOps pour [TYPE DE MODÈLE ML]. Composants MLOps : 1. **Data versioning** (DVC) 2. **Experiment tracking** (MLflow) 3. **Model registry** et versioning 4. **CI/CD pour ML** (GitHub Actions, Jenkins) 5. **Containerisation** (Docker, Kubernetes) 6. **Monitoring** et drift detection 7. **Automated retraining** triggers Fournis architecture complète, configurations, et scripts de déploiement.

Conçois un pipeline MLOps pour :\n\nType de modèle : [classification, régression, NLP, CV]\nVolume données : [taille dataset]\nFréquence entraînement : [journalier/hebdomadaire/mensuel]\nInfrastructure : [cloud/on-premise]\nContraintes : [latence, coût, compliance]\n\nArchitecture complète :\n1. Ingestion et validation données\n2. Feature engineering automatisé\n3. Training pipeline avec versioning\n4. Experiment tracking (MLflow)\n5. Model registry et versioning\n6. CI/CD pour modèles\n7. Monitoring en production\n8. Drift detection et retraining\n9. A/B testing framework\n10. Rollback et disaster recovery\n\nInclus des exemples de code.

Conçois un pipeline ML complet pour [PROBLÈME] avec données [TYPE]. Architecture complète : 1. **Data ingestion** et validation 2. **Preprocessing** (missing values, scaling, encoding) 3. **Feature engineering** automatique 4. **Model selection** avec cross-validation 5. **Hyperparameter tuning** (Bayesian optimization) 6. **Model evaluation** metrics et seuils 7. **Model registry** et versioning 8. **Deployment** (batch/real-time) 9. **Monitoring** drift et performance 10. **Retraining** automatique Inclus librairies Python et infrastructure cloud.

Je veux éviter la fuite de données (data leakage) dans mon modèle ML. Crée un `Pipeline` Scikit-Learn qui enchaîne : 1. **Imputation** : Remplacer les valeurs manquantes (`SimpleImputer`). 2. **Scaling** : Normaliser les données (`StandardScaler`). 3. **Modèle** : Un classifieur (`RandomForestClassifier`). Montre comment entraîner ce pipeline et faire une prédiction.

Agis comme un expert en séries temporelles. Analyse ces données : [DONNÉES TEMPORELLES] Développe : 1. **Décomposition** (trend, seasonalité, résidu) 2. **Stationarity tests** et transformations 3. **Modèles candidats** (ARIMA, Prophet, LSTM) 4. **Feature engineering** temporel 5. **Validation strategy** (walk-forward) 6. **Forecast accuracy** metrics 7. **Python implementation**

Crée une Procédure Stockée (PL/pgSQL ou T-SQL) pour : [LOGIQUE MÉTIER, EX: TRANSFÉRER DE L'ARGENT ENTRE DEUX COMPTES]. La procédure doit : 1. Prendre des paramètres d'entrée. 2. Utiliser une TRANSACTION (BEGIN/COMMIT/ROLLBACK) pour garantir l'intégrité. 3. Gérer les cas d'erreur (ex: solde insuffisant) et lever une exception.

Tu es un expert en applications quantiques. Je veux développer une application [TYPE D APPLICATION QUANTIQUE] pour [PROBLEME]. Application Quantique complète: 1. **Quantum Algorithm Design** : Grover's algorithm, Shor's algorithm, VQE, QAOA, quantum Fourier transform 2. **Hardware Selection** : Superconducting qubits, trapped ions, photonic quantum computers, quantum simulators 3. **Circuit Optimization** : Gate decomposition, circuit depth reduction, error mitigation, noise-aware design 4. **Quantum-Classical Hybrid** : Variational algorithms, quantum annealing, classical optimization loops 5. **Error Correction** : Surface codes, logical qubits, fault tolerance, error syndromes 6. **Quantum Software Stack** : QISKit, Cirq, PennyLane, Ocean SDK, quantum compilers 7. **Application Domains** : Optimization problems, drug discovery, financial modeling, cryptography, machine learning 8. **Performance Analysis** : Quantum advantage assessment, complexity analysis, benchmarking, resource estimation 9. **Integration Strategy** : Classical-quantum workflows, API design, data preparation, result interpretation 10. **Future Roadmap** : Quantum advantage timeline, scaling strategies, hardware evolution, application roadmap Fournis les circuits quantiques, le code d'implémentation, les simulations et les stratégies d'optimisation.

Tu es un expert en informatique quantique. Explique les concepts quantiques suivants pour [PUBLIC CIBLE: DÉBUTANTS/ÉTUDIANTS/PROFESSIONNELS]. Concepts quantiques complets: 1. **Qubits & Superposition** : États quantiques, sphère de Bloch, décohérence 2. **Quantum Gates** : Portes logiques quantiques, circuits universels, réversibilité 3. **Quantum Algorithms** : Grover's search, Shor's factoring, QFT, VQE 4. **Quantum Hardware** : Superconducting qubits, trapped ions, photonic qubits 5. **Error Correction** : Quantum error correction codes, surface codes, fault tolerance 6. **Quantum Software** : Qiskit, Cirq, PennyLane, quantum simulators 7. **Applications** : Cryptography, optimization, simulation, machine learning 8. **Complexity Theory** : BQP, QMA, quantum advantage vs classical 9. **Current State** : NISQ devices, quantum supremacy, industry applications 10. **Future Outlook** : Quantum internet, quantum sensing, post-quantum cryptography Fournis des explications avec analogies, des exemples concrets et des ressources d'apprentissage.