Data science maroc

Data science maroc L'information est de longue date un actif stratégique pour les entreprises, outil incontournable d'aide à la décision.

Un fichier de ventes arrive. Le chargez-vous directement dans votre tableau de bord ?Un import automatique peut aussi au...
04/10/2026

Un fichier de ventes arrive. Le chargez-vous directement dans votre tableau de bord ?

Un import automatique peut aussi automatiser les erreurs. Voici une fiche pratique en 3 images pour contrôler un fichier avant son intégration.

Exemple fictif : sur 5 lignes, le script repère :
• 1 identifiant manquant ;
• 1 identifiant dupliqué ;
• 1 date invalide ;
• 1 montant négatif.

La méthode :
1. convertir les dates invalides en valeurs détectables ;
2. compter les identifiants manquants et dupliqués ;
3. vérifier les règles métier, comme un montant qui ne doit pas être négatif ;
4. bloquer l’import ou isoler les lignes concernées avant toute correction.

Le but n’est pas de remplacer toutes les anomalies par zéro. Il faut comprendre leur cause et appliquer une règle validée.

Conservez cette procédure pour votre prochain fichier CSV ou Excel.

02/10/2026

0 et valeur manquante ne racontent pas la même chose.

Exemple fictif : les ventes quotidiennes sont 10, 0 et « ? ».

• 0 signifie qu’une mesure a bien été faite et qu’aucune vente n’a été enregistrée.
• « ? » signifie que la valeur est inconnue ou n’a pas été saisie.

La moyenne des valeurs connues vaut (10 + 0) ÷ 2 = 5.
Si l’on remplace automatiquement la donnée manquante par 0, elle devient (10 + 0 + 0) ÷ 3 = 3,3.

Le fichier est presque identique, mais la conclusion change.

Avant de remplir une valeur manquante, demandez-vous :
1. pourquoi elle manque ;
2. si zéro est une mesure réelle ;
3. quel calcul sera affecté.

Animation et musique originales. Données fictives ; vidéo sans voix off.

30/09/2026

Le modèle n’a pas changé. Pourtant, ses prédictions peuvent devenir moins fiables parce que les données ont changé.

C’est le data drift : la distribution des variables reçues en production se déplace par rapport aux données d’entraînement.

Exemple fictif : un modèle utilise le délai de livraison.
• En juin, la médiane est de 2 jours.
• En septembre, elle passe à 4 jours.

Le modèle voit désormais davantage de délais longs. Cela ne prouve pas automatiquement qu’il échoue, mais c’est une alerte à examiner.

À surveiller régulièrement :
1. les valeurs manquantes et les catégories nouvelles ;
2. les médianes, quantiles et histogrammes ;
3. les mêmes indicateurs sur les données d’entraînement et de production ;
4. la performance réelle lorsque la réponse attendue devient disponible.

Avant de relancer ou remplacer un modèle, cherchez la variable qui a changé, la date du changement et son impact réel.

Animation et musique originales. Données fictives ; vidéo sans voix off.

28/09/2026

Une colonne sans case vide n’est pas forcément une clé unique.

Exemple fictif : un fichier contient 4 lignes de commande.
• commande : C01, C01, C02, C02
• produit : P7, P8, P7, P7
• ligne_id : L001, L002, L003, L004

`commande` n’est pas unique : une commande peut contenir plusieurs lignes.
`produit` n’est pas unique : le même produit peut être vendu plusieurs fois.
Même le couple commande + produit peut se répéter : C02/P7 apparaît deux fois.

Ici, `ligne_id` identifie chaque ligne une seule fois.

Avant d’utiliser une colonne comme clé, vérifiez quatre points :
1. aucune valeur nulle ;
2. aucun doublon ;
3. une valeur stable dans le temps ;
4. une définition qui correspond bien à l’objet identifié.

Une bonne clé évite les doubles comptes, les jointures qui multiplient les lignes et les déduplications dangereuses.

Animation et musique originales. Données fictives ; vidéo sans voix off.

18 DH ou 22 DH : lequel coûte réellement moins cher ?Sans l’unité, on ne peut pas répondre.Exemple fictif :• Paquet A : ...
26/09/2026

18 DH ou 22 DH : lequel coûte réellement moins cher ?

Sans l’unité, on ne peut pas répondre.

Exemple fictif :
• Paquet A : 18 DH pour 750 g.
• Paquet B : 22 DH pour 1 kg.

Pour comparer, convertissons les deux prix en dirhams par kilogramme :
• A : 18 ÷ 0,75 = 24 DH/kg.
• B : 22 ÷ 1 = 22 DH/kg.

Le paquet A coûte moins à la caisse, mais le paquet B coûte moins par kilogramme.

Avant d’utiliser un indicateur, vérifiez toujours :
1. son unité : DH, DH/kg, %, minutes… ;
2. sa base : par client, par mois, par trajet… ;
3. sa période ;
4. son dénominateur.

Une valeur sans unité peut être exacte… et inutilisable.

Deuxième fiche pratique gratuite de la série « La data pas à pas ». Données fictives.

24/09/2026

Votre modèle affiche 99 %. Pourtant, il échoue dès qu’on l’utilise vraiment.

Une cause possible : la fuite de données (data leakage).

Exemple fictif : vous voulez prédire un re**rd de paiement avant l’échéance. Votre fichier contient `jours_de_re**rd`, une information connue seulement après l’échéance. Si cette variable entre dans l’entraînement et le test, elle révèle presque directement la réponse.

Le score peut devenir excellent… mais la variable n’existera pas au moment de décider.

Quatre vérifications utiles :
1. Fixer le moment exact où la prédiction doit être faite.
2. Garder seulement les informations disponibles à ce moment.
3. Séparer entraînement et test avant les transformations.
4. Si le temps compte, tester sur une période future.

La question décisive : « Cette information existe-t-elle au moment de la prédiction ? »

Animation et musique originales. Données fictives ; vidéo sans voix off.

Votre requête SQL retourne plus de lignes que prévu… et votre chiffre d’affaires augmente sans qu’aucune vente n’ait été...
22/09/2026

Votre requête SQL retourne plus de lignes que prévu… et votre chiffre d’affaires augmente sans qu’aucune vente n’ait été ajoutée.

Exemple fictif :
• La commande C01 vaut 100 DH et contient deux produits.
• La commande C02 vaut 200 DH et contient un produit.
• Le vrai total est donc 300 DH.

Si vous joignez la table « commandes » à la table « produits » puis additionnez directement total_DH, la commande C01 apparaît deux fois :
100 + 100 + 200 = 400 DH.

La requête fonctionne techniquement, mais le calcul est faux parce que les deux tables n’ont pas le même niveau de détail.

Le bon réflexe :
1. Définir ce que représente une ligne dans chaque table.
2. Vérifier le nombre de lignes avant et après la jointure.
3. Agréger au bon niveau avant de sommer.

Une jointure correcte ne garantit pas un indicateur correct. Contrôlez toujours le « grain » de vos données.

Données fictives. Fiche originale Data science maroc.

Un atelier d’IA utile, pour vous, ce serait quoi ? 🇲🇦Avant de construire une première formation Data science maroc, nous...
20/09/2026

Un atelier d’IA utile, pour vous, ce serait quoi ? 🇲🇦

Avant de construire une première formation Data science maroc, nous souhaitons comprendre ce que vous voulez réussir concrètement.

Par exemple :
• analyser un fichier Excel et expliquer ses résultats ;
• apprendre Python avec un petit projet ;
• comprendre et évaluer un modèle de machine learning ;
• utiliser l’IA pour améliorer une tâche professionnelle.

Quel résultat aimeriez-vous obtenir à la fin d’un atelier ? Et vous conviendrait-il mieux en ligne ou en présentiel à Rabat–Salé ?

Cette discussion nous aidera à définir le programme. Si une session est lancée, ses dates, son niveau, ses modalités et ses éventuels frais seront précisés dans l’appel à candidatures, avant toute inscription.

Un modèle avec 99 % de bonnes réponses peut rater tous les cas qui vous intéressent.Exemple fictif : sur 1 000 pièces fa...
18/09/2026

Un modèle avec 99 % de bonnes réponses peut rater tous les cas qui vous intéressent.

Exemple fictif : sur 1 000 pièces fabriquées, 990 sont conformes et 10 sont défectueuses.

Un modèle répond toujours : « conforme ».

Son exactitude, ou accuracy, vaut :
990 ÷ 1 000 = 99 %.

Pourtant, il ne détecte aucune pièce défectueuse : son rappel pour cette classe est de 0 %.

Pourquoi ? Le rappel mesure ici la proportion de pièces défectueuses effectivement repérées :
0 détectée ÷ 10 défectueuses = 0 %.

Avant de se fier à un score, il faut donc regarder :
• la répartition des classes ;
• les défauts manqués ;
• les fausses alertes ;
• les résultats sur des données qui n’ont pas servi à entraîner le modèle.

Le bon critère dépend de l’usage. Une fausse alerte et un défaut manqué n’ont pas forcément le même coût.

Un premier réflexe utile : comparer le modèle à une règle très simple, puis examiner les erreurs qu’il fait réellement.

Un panier moyen de 240 DH… alors que 4 clients sur 5 ont dépensé 50 DH. Comment est-ce possible ?Voici 5 achats fictifs ...
16/09/2026

Un panier moyen de 240 DH… alors que 4 clients sur 5 ont dépensé 50 DH. Comment est-ce possible ?

Voici 5 achats fictifs :
50 DH • 50 DH • 50 DH • 50 DH • 1 000 DH

📊 La moyenne
On additionne tous les montants, puis on divise par le nombre d’achats :
(50 + 50 + 50 + 50 + 1 000) ÷ 5 = 240 DH.

📍 La médiane
On classe les montants et on prend celui du milieu :
50 DH.

Les deux résultats sont corrects. Ils répondent à des questions différentes.

La moyenne tient compte de chaque montant : elle permet ici de retrouver le total, soit 240 × 5 = 1 200 DH.

La médiane est moins sensible à l’achat exceptionnel de 1 000 DH. Dans cet exemple, elle décrit mieux le montant habituel des achats.

Avant d’interpréter une moyenne, regardez aussi la médiane, le nombre d’observations et la répartition des valeurs.

Petit exercice : si l’achat de 1 000 DH devient 2 000 DH, la moyenne passe à 440 DH. La médiane reste à 50 DH.

Address

Hay Amal Route Kenitra
Salé
10010

Website

Alerts

Be the first to know and let us send you an email when Data science maroc posts news and promotions. Your email address will not be used for any other purpose, and you can unsubscribe at any time.

Shortcuts

Share

Category