Enseignement

Enseignement

Aider étudiants et professionnels à acquérir des bases solides en mathématiques, en calcul scientifique, en intelligence artificielle et en data science.

Je crois que la compréhension passe toujours avant la mise en œuvre : une méthode qu'on ne sait pas expliquer est une méthode qu'on ne maîtrise pas encore.

Philosophie d’enseignement

Je ne sépare pas l’enseignement de la recherche : bien expliquer une méthode révèle souvent si je la comprends vraiment. Quelques convictions sur lesquelles j’essaie de ne pas transiger :

Comprendre avant d’appliquer. Je préfère qu’un étudiant passe une séance de plus à comprendre pourquoi une méthode fonctionne plutôt qu’il en mémorise les étapes. La syntaxe et les formules s’oublient ; le raisonnement se transpose.

La curiosité est le vrai prérequis. Ni le talent ni le bagage préalable : la volonté de demander « pourquoi ça marche » plutôt que d’accepter une règle. J’essaie de protéger cette curiosité plutôt que de l’éteindre à coups de procédures apprises par cœur.

Une complexité progressive. Chaque matière que j’enseigne suit le même arc : d’abord construire l’intuition, ensuite la formaliser, et seulement après ajouter la complexité technique. Commencer par le formalisme est efficace pour moi et déroutant pour presque tout le monde.

L’esprit critique avant la bonne réponse. Un étudiant capable d’expliquer pourquoi une réponse fausse est fausse a appris davantage qu’un étudiant qui a deviné la bonne. Je préfère évaluer le raisonnement plutôt que le résultat.


Cadre d’apprentissage

Chaque matière que j’enseigne suit la même progression, quel que soit le sujet :

  1. Comprendre
  2. Modéliser
  3. Implémenter
  4. Expérimenter
  5. Interpréter
  6. Communiquer

À chaque étape, l’objectif est de construire l’intuition avant la complexité technique : non pas éviter la complexité, mais la mériter.


Matières enseignées

Regroupées en ensembles cohérents plutôt qu’en sujets isolés, chacune ancrée dans une vraie expérience d’enseignement ou professionnelle.

  • Mathématiques appliquées et analyse

    Logique, algèbre, analyse et structures discrètes, enseignées avec un lien concret vers l'informatique et la data science plutôt que comme des exercices abstraits.

    Fondamental · Étudiants de licence, personnes en reconversion

    Applications : Génie logiciel, data science, pensée computationnelle

  • Algèbre linéaire et probabilités

    Les deux piliers de l'essentiel de la data science et de l'apprentissage automatique modernes, construits à partir de l'intuition géométrique et probabiliste plutôt que de formules apprises par cœur.

    Fondamental à intermédiaire · Étudiants de licence et de master

    Applications : Apprentissage automatique, statistique, méthodes numériques

  • Statistique et analyse numérique

    L'inférence statistique et les méthodes numériques qui rendent les modèles mathématiques calculables, en insistant sur la stabilité et sur une incertitude assumée.

    Intermédiaire · Étudiants de master, chercheurs

    Applications : Analyse de données, calcul scientifique, simulation

  • Calcul scientifique

    Traduire des modèles mathématiques en code numérique qui fonctionne : différences finies, stabilité, et l'écart entre une équation juste et une simulation juste.

    Intermédiaire à avancé · Étudiants de master, candidats au doctorat, chercheurs

    Applications : Simulation, recherche appliquée, modélisation numérique

  • Python pour la data science

    Préparation des données, analyse exploratoire et construction de modèles avec Pandas, NumPy et Scikit-learn, ancrées dans de vrais flux de travail plutôt que dans une syntaxe isolée.

    Fondamental à intermédiaire · Personnes en reconversion, professionnels, étudiants de licence

    Applications : Analyse de données, pipelines d'apprentissage automatique, automatisation

  • SQL, analyse de données et informatique décisionnelle

    Requêtes, reporting et tableaux de bord avec SQL et Power BI, tirés directement d'un vrai travail d'analyse et de reporting plutôt que d'exemples de manuel.

    Fondamental à intermédiaire · Professionnels, personnes en reconversion

    Applications : Reporting, tableaux de bord, analyse métier

  • Apprentissage automatique et intelligence artificielle

    L'apprentissage automatique classique et l'IA appliquée, enseignés en privilégiant l'interprétabilité et la validation plutôt que de traiter les modèles comme des boîtes noires.

    Intermédiaire à avancé · Étudiants de master, professionnels, chercheurs

    Applications : Modélisation prédictive, aide à la décision, IA appliquée

  • Data engineering et analytics engineering

    Construire les pipelines et l'infrastructure qui rendent l'analyse reproductible : la discipline moins visible qui sous-tend tout résultat de data science.

    Intermédiaire à avancé · Professionnels, personnes en reconversion

    Applications : Pipelines de données, plateformes analytiques, flux reproductibles


À qui j’enseigne

L’enseignement s’adapte aux objectifs et au parcours de chacun, au lieu d’être délivré de la même façon quel que soit le public.

  • Étudiants de licence
  • Étudiants de master
  • Candidats au doctorat
  • Chercheurs
  • Professionnels
  • Personnes en reconversion
  • Lycéens

Déroulé des séances

Une séance repose sur une participation active :

  • Explication des concepts

    Construire l'intuition avant le formalisme.

  • Exemples commentés

    Voir la méthode appliquée avant de l'appliquer soi-même.

  • Mise en pratique

    Écrire le code ou dérouler la preuve, pas seulement regarder.

  • Exercices

    Un entraînement délibéré sur des problèmes choisis pour révéler les lacunes, pas pour confirmer la maîtrise.

  • Discussion

    Expliquer son raisonnement à voix haute, là où apparaissent les vraies lacunes.

  • Révision

    Revenir honnêtement sur ce qui n'a pas été retenu la première fois.

  • Applications concrètes

    Relier la méthode à un problème qui mérite d'être résolu.


Ressources pédagogiques

Des supports que je conçois et partage pour prolonger l’apprentissage au-delà de la séance : une collection qui s’enrichit, pas un ensemble figé.

  • Notes de cours
  • Notebooks de programmation
  • Démonstrations interactives
  • Diaporamas
  • Dépôts GitHub
  • Articles scientifiques
  • Tutoriels
  • Exercices
  • Suggestions de lecture
  • Cours en vidéo (prévus)

Encadrement

L’encadrement est la part la plus personnelle de l’enseignement : il porte moins sur une matière que sur la prochaine étape d’une personne précise. L’objectif reste toujours l’autonomie scientifique : aider quelqu’un à atteindre le point où il n’a plus besoin de moi pour vérifier son raisonnement.

  • Méthodologie de recherche
  • Écriture scientifique
  • Projets de data science
  • Programmation
  • Modélisation mathématique
  • Apprentissage automatique
  • Orientation professionnelle
  • Préparation aux études doctorales
  • Stages de recherche

Enseignement et recherche

La recherche produit de nouvelles connaissances. Les projets transforment les idées en solutions concrètes. L’enseignement rend les deux accessibles, et bien enseigner une notion fait régulièrement surgir la prochaine question qui mérite d’être étudiée.

  1. Recherche
  2. Projets
  3. Enseignement
  4. Nouvelles questions

Où j’ai enseigné

Assistant d’enseignement en data science et IA

Assistant d'enseignement, Université Quisqueya (UniQ), 2025

En tant qu’assistant d’enseignement en data science et IA, j’accompagne un cursus pratique mené en partenariat avec Akademi et aligné sur le programme intensif de la Flatiron School.

Tuteur en mathématiques

Cours particuliers, Indépendant, 2015

En tant que tuteur indépendant en mathématiques, j’accompagne dans la durée des élèves aux parcours variés.


Témoignages

Les témoignages d'étudiants et de collaborateurs apparaîtront ici au fil de cette pratique d'enseignement. Si nous avons travaillé ensemble, votre retour me fera plaisir.

Donner mon avis

Réserver une séance

Cours particuliers, encadrement de recherche, accompagnement académique, mentorat en data science, orientation professionnelle ou préparation aux entretiens.