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.
Ma façon de voir
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.
Comment chaque matière est enseignée
Cadre d’apprentissage
Chaque matière que j’enseigne suit la même progression, quel que soit le sujet :
- Comprendre
- Modéliser
- Implémenter
- Expérimenter
- Interpréter
- Communiquer
À chaque étape, l’objectif est de construire l’intuition avant la complexité technique : non pas éviter la complexité, mais la mériter.
Ce que j’enseigne
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.
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.
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.
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.
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.
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.
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.
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.
Applications : Pipelines de données, plateformes analytiques, flux reproductibles
Adapté, pas uniforme
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
Pas un cours magistral passif
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.
Au-delà de la séance
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)
Au-delà de la salle de classe
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
Un cycle, pas une suite
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.
- Recherche
- Projets
- Enseignement
- Nouvelles questions
Les faits
Où j’ai enseigné
Chargé de cours en mathématiques pour l’informatique
Enseignement universitaire, Université Quisqueya (UniQ), 2025
En tant que chargé de cours en mathématiques pour l’informatique, j’enseigne les fondements mathématiques nécessaires aux filières orientées informatique.
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.
Leurs mots
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.
Réserver une séance
Cours particuliers, encadrement de recherche, accompagnement académique, mentorat en data science, orientation professionnelle ou préparation aux entretiens.