Une boutique
customers, products, orders, order_itemsJointures, paniers, chiffre d’affaires par mois, clients qui n’ont jamais commandé.
Data science
Data analyst, data scientist, data architect. Une route, badge par badge.
Trois métiers assez proches pour être confondus, assez différents pour échouer en entretien. QuantPad entraîne chacun avec des exercices notés sur de vraies tables et mesure la distance jusqu’au niveau suivant.
Rétention par cohorte · SQL
select date_trunc('month', u.signup_date) as cohort, count(distinct u.id) as users, round(100.0 * count(distinct e.user_id) / count(distinct u.id), 1) as active_pct from users u left join events e on e.user_id = u.id and e.event_date >= u.signup_date + 30 group by 1 order by 1;
L’échelle
Ce qu’on attend à chaque niveau
Chaque niveau compte les leçons terminées, les exercices SQL et pandas résolus, les puzzles et les cartes maîtrisés. Rien n’est déclaratif.
Data analyst
Transforme les questions métier en requêtes, tableaux de bord et décisions.
Jointures et fenêtresMétriques et cohortesTests A/BRemise en forme pandasData scientist
Construit, valide et met en production des modèles prédictifs.
Statistique sous le modèleValidation sans fuitescikit-learnSuivi de dériveData architect
Conçoit comment les données sont stockées, déplacées et fiabilisées.
Modélisation des donnéesChaînes rejouablesChoix du stockageQualité et traçabilité
Dans le Lab
Un test t sur le revenu, comme le ferait une équipe.
Le revenu par utilisateur inclut ceux qui n’ont jamais payé. Les retirer répondrait à une autre question. L’exercice vérifie la statistique et la p-valeur, pas la forme du code.
Test A/B sur le revenu · Welch
from scipy.stats import ttest_ind rev = (users.set_index("id")[["variant"]] .join(payments.groupby("user_id")["amount"].sum()) .fillna({"amount": 0})) # non-payers count a, b = (rev.loc[rev.variant == v, "amount"] for v in "AB") t = ttest_ind(a, b, equal_var=False) result = [t.statistic, t.pvalue]
Correct · t = -1,5947, p = 0,1116
Quatre jeux de données
Les mêmes tables partout
Apprenez une table une fois, puis interrogez-la en SQL, remodelez-la avec pandas, modélisez-la avec scikit-learn et calculez dessus en Julia ou en C++.
Un marché
instruments, prices, traders, tradesRendements, volatilité, drawdown, VWAP, corrélation, P&L.
Une base RH
departments, employeesHiérarchies, salaires, l’auto-jointure classique.
Un produit
users, events, paymentsEntonnoirs, rétention, tests A/B, qui paie et pourquoi.
Cours
Les parcours data
Des leçons qui se terminent par quelque chose à faire fonctionner, puis un badge.
6 leçons
Data Analyst
D’une question métier à un chiffre fiable : SQL, métriques, cohortes, tests A/B et graphiques honnêtes. Aucun prérequis.
10 leçons
Data Science
Statistiques, pandas, apprentissage supervisé et non supervisé, évaluation et production : la boîte à outils du data scientist généraliste, chaque idée implémentée à la main.
6 leçons
Data science pour la recherche quant
Nettoyage, variables causales, validation qui survit au réel. La moitié du métier que les offres listent et que les cours sautent.
6 leçons
Quant ML en pratique
La chaîne de recherche du machine learning sur données de marché : mesurer, nettoyer, découper, étiqueter, dimensionner, et juger honnêtement.
7 leçons
IA & grands modèles de langage
Ce qu’il y a dans les modèles qu’utilise désormais chaque desk : entraînement, transformers, décodage, récupération, service et évaluation, chacun avec des puzzles notés.
4 leçons
NLP pour la finance
Transformer rapports, conférences et nouvelles en signaux testés et en données propres : sentiment, études d’événement, dédoublonnage et extraction par LLM.
Gratuit · français et anglais
Commencez par un spread. Finissez par une offre.
Pas de carte, pas d’essai. Connectez-vous et résolvez votre premier exercice en moins d’une minute.
Ouvrir l’application