100 Prompts IA pour les Data Scientists — Guide Complet

Je travaille sur un dataset [nom_du_dataset] avec [nombre] lignes et [nombre] colonnes. Les colonnes principales sont [liste_colonnes]. Génère un plan d'analyse exploratoire complet incluant les statistiques descriptives à calculer, les visualisations à créer et les questions clés à répondre.

Mon dataset contient des valeurs manquantes dans les colonnes suivantes : [colonnes_avec_NA]. Propose une stratégie de traitement des valeurs manquantes adaptée à chaque colonne en tenant compte du type de données ([types]) et de l'impact sur l'analyse. Justifie tes choix.

Explique comment détecter et traiter les outliers dans une colonne numérique [nom_colonne] qui représente [contexte_métier]. Propose au moins 3 méthodes de détection (statistiques et visuelles) et indique quand conserver ou supprimer ces valeurs aberrantes.

J'ai des variables catégorielles dans mon dataset : [liste_variables] avec respectivement [cardinalités] modalités. Mon modèle cible est [type_modèle]. Recommande la meilleure stratégie d'encodage pour chaque variable (one-hot, label encoding, target encoding, etc.) et explique ton raisonnement.

Mon dataset contient des features avec des échelles très différentes : [exemples_features_et_ranges]. Je vais entraîner un modèle [type_modèle]. Explique quelle technique de normalisation/standardisation appliquer à chaque feature et pourquoi, avec le code Python correspondant.

Génère un plan d'analyse de corrélation complet pour un dataset contenant des variables numériques, catégorielles et temporelles. La variable cible est [variable_cible]. Inclus les méthodes appropriées pour chaque type de variable, comment interpréter les résultats et comment gérer la multicolinéarité.

Mon modèle de production prédit [variable_cible] et je suspecte un data drift. Les données d'entraînement datent de [période_train] et les données actuelles de [période_actuelle]. Propose une méthodologie pour détecter et quantifier le drift sur les features [liste_features] et sur la distribution des prédictions.

J'ai une colonne datetime [nom_colonne] dans mon dataset de [contexte]. Génère toutes les features temporelles pertinentes à extraire (heure, jour, mois, saison, jours_fériés, etc.) avec le code pandas/Python correspondant. Explique l'utilité de chaque feature pour prédire [variable_cible].

Crée un template de rapport de qualité des données pour un dataset [domaine] qui couvre : complétude, unicité, validité, cohérence et fraîcheur des données. Pour chaque dimension, définis les métriques à mesurer, les seuils d'acceptabilité et les actions correctives recommandées.

Mon dataset de [taille] observations présente un déséquilibre de classes : [classe_majoritaire] représente [%] et [classe_minoritaire] représente [%]. Mon objectif est [objectif_business]. Compare les stratégies de resampling (oversampling, undersampling, SMOTE) et recommande la meilleure approche avec ses paramètres.

Conçois un pipeline de prétraitement scikit-learn complet pour un dataset avec : [types_features] features, [% missing] de valeurs manquantes, et destiné à un modèle [type_modèle]. Inclus le code Python avec ColumnTransformer, les transformations pour chaque type de feature, et la gestion du train/test split.

Mon problème est une [classification/régression] sur [taille_dataset] observations avec [nombre_features] features. La variable cible est [description]. Les contraintes sont : [contraintes_temps_mémoire]. Compare les algorithmes adaptés (au moins 5) en termes de performance attendue, interprétabilité, temps d'entraînement et recommande le meilleur point de départ.

Explique quelle stratégie de validation croisée utiliser pour mon problème de [type_problème] avec un dataset de [taille] observations sur une période de [période]. Je dois éviter le data leakage lié à [source_leakage]. Propose le code Python correspondant et les métriques d'évaluation adaptées.

Je veux optimiser les hyperparamètres d'un [nom_modèle] pour prédire [variable_cible]. Mon budget de calcul est [budget]. Compare GridSearchCV, RandomizedSearchCV et Optuna pour ce cas. Propose l'espace de recherche des hyperparamètres clés, la métrique d'optimisation et le code Python pour la meilleure approche.

J'ai entraîné un modèle [type_modèle] pour prédire [variable_cible] avec [nombre] features. Explique comment utiliser SHAP pour interpréter ce modèle : calcul des SHAP values, visualisations à créer (summary plot, dependence plot, force plot), et comment communiquer ces résultats à des stakeholders non-techniques.

Mon modèle [type_modèle] atteint [score_train] sur le train et [score_val] sur la validation, ce qui indique de l'overfitting. Les features utilisées sont [liste_features]. Propose 5 techniques concrètes pour réduire l'overfitting avec pour chacune le code Python, les paramètres à ajuster et l'impact attendu.

J'ai entraîné 4 modèles pour [tâche_ML] avec les scores suivants : [modèle1: score1], [modèle2: score2], [modèle3: score3], [modèle4: score4]. Explique comment construire un ensemble (bagging, boosting, stacking) pour améliorer les performances. Inclus le code Python et la stratégie pour éviter le leakage dans le stacking.

Mon modèle de classification [type_modèle] fait des erreurs sur [% erreur] des cas. Génère un plan d'analyse des erreurs complet : segmentation des erreurs par features, identification des patterns, visualisations à créer, et hypothèses à tester pour améliorer le modèle sur les cas difficiles.

Je veux prédire [variable] sur [horizon_temporel] avec des données historiques de [période]. Les patterns observés sont : [saisonnalité, tendance, etc.]. Compare ARIMA, Prophet et LSTM pour ce cas. Propose le code Python pour chaque approche, les métriques d'évaluation (RMSE, MAPE, etc.) et la stratégie de backtesting.

Mon dataset contient [nombre] features pour prédire [variable_cible]. Je veux sélectionner les [nombre_cible] features les plus pertinentes. Compare les méthodes filter (corrélation, chi2), wrapper (RFE) et embedded (Lasso, feature_importances). Implémente les 3 approches en Python et propose une stratégie de consensus.

Mon modèle de classification retourne des probabilités mais elles semblent mal calibrées (reliability diagram déformé). Explique comment calibrer les probabilités avec Platt Scaling et Isotonic Regression, quand utiliser chaque méthode, et comment mesurer l'amélioration de la calibration avec le Brier Score et ECE.

Je dois détecter des anomalies dans [contexte] avec un dataset de [taille] observations. Les features disponibles sont [liste_features]. Compare Isolation Forest, One-Class SVM, Autoencoder et LOF pour ce cas. Inclus le code Python, la stratégie de seuillage et comment évaluer les résultats sans labels ground truth.

Je veux déployer un nouveau modèle [modèle_B] en remplacement de [modèle_A] qui est en production. Conçois un plan d'A/B test rigoureux : calcul de la taille d'échantillon nécessaire, durée du test, métriques primaires et guardrail metrics, critères de succès, et plan de rollout progressif.

Je veux visualiser [type_de_relation: corrélation/distribution/évolution/comparaison] entre [variables]. Mon audience est [technique/business]. Recommande le type de visualisation le plus adapté parmi [liste_options], explique pourquoi et génère le code Python avec matplotlib/seaborn ou plotly.

Je dois créer un dashboard pour présenter les résultats de mon modèle de [contexte] à des dirigeants non-techniques. Propose la structure du dashboard avec : les KPIs à mettre en avant, le type de graphique pour chaque métrique, les alertes à configurer, et comment traduire les métriques ML en impact business.

J'ai analysé [dataset] et découvert que [insight_principal]. Mon audience est [description_audience] et l'objectif de la présentation est [objectif]. Structure un récit data-driven en 5 slides maximum : accroche, contexte, découverte, implications et recommandations. Suggère les visualisations pour chaque slide.

J'ai effectué un clustering K-Means avec [K] clusters sur un dataset de [taille] observations avec [nombre_features] features. Génère un plan de visualisation complet : réduction dimensionnelle pour visualiser les clusters, profil de chaque cluster avec les features clés, et comment nommer et interpréter chaque segment.

Génère le template d'un rapport d'analyse de données automatisé avec Python pour un dataset [domaine]. Le rapport doit inclure : résumé exécutif, statistiques descriptives, distributions des variables clés, corrélations, et insights automatiquement détectés. Utilise pandas-profiling ou ydata-profiling.

Je dois expliquer visuellement comment fonctionne un [type_modèle] à une audience non-technique. Propose 3 analogies visuelles, les schémas à créer avec leurs descriptions, et comment illustrer le processus de décision du modèle pour un exemple concret de [domaine_application].

Génère le code Python pour créer une heatmap de corrélation professionnelle et lisible pour [nombre] variables. La heatmap doit : masquer le triangle supérieur, annoter uniquement les corrélations significatives (p < 0.05), utiliser une palette divergente adaptée, et mettre en évidence les corrélations fortes avec [variable_cible].

J'ai comparé [nombre] modèles de classification sur [tâche]. Génère le code Python pour créer une visualisation comparative incluant : courbes ROC avec AUC, courbes précision-rappel, matrice de confusion stylisée, et un tableau récapitulatif des métriques. Adapte selon le contexte [déséquilibre de classes: oui/non].

J'ai [nombre] séries temporelles sur la période [période] avec des fréquences différentes [fréquences]. Je veux visualiser leurs interactions et tendances. Propose une stratégie de visualisation avec Plotly pour : comparaison des tendances normalisées, détection des événements corrélés, et décomposition saisonnière.

Mon modèle prédit [variable] avec des intervalles de confiance. Je dois présenter ces incertitudes à des décideurs. Explique comment visualiser les incertitudes de manière compréhensible (intervalles de confiance, fan charts, violin plots), les pièges à éviter et comment contextualiser l'incertitude pour une prise de décision éclairée.

Génère un plan détaillé pour une infographie résumant les résultats de mon étude sur [sujet]. Les 3 insights principaux sont [insight1], [insight2], [insight3]. L'audience cible est [description]. Propose la structure visuelle, les types de graphiques, les couleurs et le texte pour chaque section.

Je veux déployer mon modèle [type_modèle] de [contexte] comme une API REST avec FastAPI. Le modèle prend en entrée [features_input] et retourne [output]. Génère le code complet de l'API incluant : endpoints, validation des données avec Pydantic, gestion des erreurs, logging, et documentation Swagger.

Génère un Dockerfile optimisé pour déployer mon modèle Python [framework: sklearn/torch/tensorflow] avec ses dépendances [fichier requirements.txt]. Inclus les bonnes pratiques : image de base légère, layer caching, utilisateur non-root, variables d'environnement, et un docker-compose.yml pour le développement local.

Mon modèle de [contexte] est en production depuis [durée]. Conçois un système de monitoring complet couvrant : suivi de la performance (métriques business et ML), détection du data drift sur les features [liste_features], alertes automatiques, et tableau de bord de surveillance. Propose les outils et l'architecture.

Conçois un pipeline CI/CD pour un projet ML avec GitHub Actions. Le pipeline doit inclure : tests unitaires des transformations de données, tests d'intégration du modèle, validation des performances (le nouveau modèle doit surpasser [baseline]), publication du modèle dans [MLflow/W&B/autre] et déploiement automatique si les seuils sont atteints.

Génère un template de documentation complète (Model Card) pour mon modèle de [contexte]. La documentation doit couvrir : description du modèle, données d'entraînement, métriques de performance par segment, limitations connues, biais potentiels, cas d'usage recommandés et non-recommandés, et guide d'utilisation.

Mon projet ML implique des mises à jour régulières des données et des modèles. Propose une stratégie de versioning complète avec DVC ou MLflow : comment versionner les datasets, les features, les modèles entraînés, comment tracer la lignée des données, et comment faire un rollback si un nouveau modèle dégrade les performances.

Mon modèle [type_modèle] a une latence d'inférence de [latence_actuelle] ms mais le SLA est de [latence_cible] ms. Les données d'entrée sont [description_features]. Propose des techniques d'optimisation : quantization, pruning, ONNX export, batching, caching, et leur impact estimé sur la latence et la précision.

Conçois l'architecture d'un feature store pour une équipe data de [taille] gérant [nombre] modèles ML en production. Les features principales sont [exemples_features]. Inclus : structure des tables, stratégie de calcul (batch vs streaming), gestion des features pour le train vs la production, et outils recommandés (Feast, Hopsworks, etc.).

Je veux écrire une suite de tests pour mon pipeline ML qui prédit [variable_cible]. Génère des tests pytest couvrant : validation du schéma des données d'entrée, invariances du modèle (ex: changement de monnaie ne doit pas changer la prédiction), tests de performance minimale, et tests de non-régression sur des cas critiques.

Mon projet ML doit être reproductible sur différents environnements. Génère la configuration complète pour assurer la reproductibilité : gestion des seeds aléatoires, fichier requirements.txt avec versions épinglées, configuration des variables d'environnement, et Makefile avec les commandes pour reproduire les expériences.

Je veux déployer progressivement mon nouveau modèle [modèle_B] pour remplacer [modèle_A] en production. Conçois une stratégie de déploiement canary incluant : pourcentage initial de trafic, métriques de surveillance, critères pour augmenter ou réduire le trafic, plan de rollback automatique, et durée estimée du déploiement complet.

Je veux tester si [hypothèse] dans mon dataset. Les données sont [description: type, distribution, taille]. Recommande le test statistique adapté parmi les tests paramétriques et non-paramétriques, vérifie les conditions d'application, et génère le code Python avec interprétation de la p-value et de la taille d'effet.

Je prépare une expérience pour détecter un effet de [taille_effet] sur [métrique] avec une puissance de [80/90]% et un risque alpha de 5%. Calcule la taille d'échantillon nécessaire pour les différents designs d'expérience possibles. Génère le code Python avec scipy.stats et une visualisation de la courbe puissance-effectif.

Je veux établir une relation causale entre [variable_cause] et [variable_effet] à partir de données observationnelles. Explique les méthodes d'inférence causale applicables (matching, différences-en-différences, variables instrumentales, RDD) et laquelle est la plus appropriée pour mon contexte [description_contexte].

Je veux analyser le temps avant [événement] pour [contexte]. Mon dataset contient [nombre] observations avec [% censurées] de données censurées. Explique comment appliquer l'analyse de survie : courbe de Kaplan-Meier, test du log-rank pour comparer les groupes [groupes], et modèle de Cox pour les covariables [covariables].

Je veux quantifier l'effet de [variable_X] sur [variable_Y] mais je suspecte des variables confondantes : [liste_confondants]. Mon dataset a [taille] observations. Explique comment contrôler pour les confondants avec la régression multiple, la propensity score matching, et comment interpréter les coefficients ajustés.

Je veux effectuer une analyse de cohortes pour [contexte_business] sur des données couvrant [période]. Définis comment segmenter les cohortes [par date d'inscription, d'achat, etc.], les métriques à suivre pour chaque cohorte, et génère le code Python pour créer une heatmap de rétention.

Ma métrique principale est [métrique] calculée sur [taille] observations. Je veux estimer ses intervalles de confiance sans faire d'hypothèse distributionnelle. Explique et implémente le bootstrap en Python pour calculer des IC à 95%, compare avec les IC théoriques, et génère la visualisation de la distribution bootstrap.

Mon dataset contient [nombre] variables corrélées que je veux réduire. Explique comment appliquer la PCA : choix du nombre de composantes (scree plot, variance expliquée), interprétation des loadings, visualisation dans le plan factoriel, et biplot. Inclus le code Python et comment utiliser les composantes comme features pour [tâche_ML].

Je veux modéliser [phénomène] avec une approche bayésienne. Les données disponibles sont [description]. Explique comment définir les priors, construire le modèle avec PyMC, interpréter les posteriors et les intervalles de crédibilité, et comparer ce modèle à une approche fréquentiste pour ce problème.

Je cherche des outliers multivariés dans un dataset de [taille] observations avec [nombre] dimensions. Les méthodes univariées ne suffisent pas car les outliers sont liés à des combinaisons de variables. Explique et implémente la distance de Mahalanobis, Isolation Forest multivariée, et comment visualiser ces anomalies en haute dimension.