Classement relatif des 53 communes de la région de Dakar selon leur exposition physique aux inondations (radar Sentinel-1, Copernicus DEM, OpenStreetMap), avec une IA générative qui explique chaque résultat et ses limites.
RésultatSeules 13 communes sur 53 gardent un rang stable quelle que soit la combinaison d'indicateurs : les extrêmes du classement tiennent, le milieu dépend des choix de méthode.
Un portail public des statistiques macroéconomiques des huit pays de l'UEMOA : 29 indicateurs BCEAO, critères de convergence, profils pays, analyses, et des prévisions ARIMA 2025–2026 pour le Sénégal avec intervalles à 95 %.
RésultatFace au modèle naïf, l'ARIMA réduit l'erreur de 35 à 66 % selon la série (inflation −40 %, PIB nominal −66 %) ; aucun gain sur le taux de change, dont la prévision n'est pas publiée.
Data ScienceTime SeriesDecision IntelligenceData EngineeringWeb
Le score combine trois indicateurs à poids égaux. En le recalculant sans le satellite, puis avec l'altitude seule, seules 13 communes gardent un rang stable. Ce que ça dit du score, et comment l'appli l'affiche. Lire la suite : 13 communes sur 53 : tester la robustesse d'un classement
Sur le taux de change, le meilleur ARIMA obtient une MAE de 28,45 contre 28,47 pour la dernière valeur connue : aucun gain réel. L'observatoire affiche donc le modèle naïf, et le dit. Lire la suite : Quand le modèle naïf gagne : prévoir une série en marche aléatoire
00 collecte des contours des communes (OpenStreetMap), 01 précipitations (CHIRPS), 02 radar Sentinel-1 et topographie (Copernicus DEM), 03 calcul du score et contrôle de robustesse. Le notebook 02 nécessite un compte gratuit Copernicus Data Space.
01 exploration des séries DBnomics, 02 feature engineering, 03 modélisation et comparaison au modèle naïf.
Les 29 indicateurs BCEAO du portail pour les huit pays et l'Union (1960–2024 selon les séries), les critères de convergence et les prévisions 2025–2026 pour le Sénégal, téléchargeables série par série. Source : BCEAO via DBnomics ; données du FMI et de la Banque mondiale présentées séparément.
Données imparfaites → EDA → statistiques → hypothèses → recommandations.
Méthodes statistiques, ML et deep learning comparés sur des transactions ou des capteurs.
Nettoyage et préparation d'un jeu de données brut avec Python et Pandas.
EDA sur le jeu IBM HR Analytics : facteurs d'attrition des employés.
UCI Online Retail : nettoyage, EDA, segmentation client RFM, recommandations business.
Ventes de véhicules (FRED) : manipulation et visualisation de séries temporelles.
Dashboard d'analyse football : scouting, efficience du marché, profils de joueurs par clustering, simulateur de transferts.