Digital tools

Cross-disciplinary program

Introduction to programming

  • Python initiation - 28h - Pierre Augier, Cyrille Bonamy, Eric Maldonado - 1 session
    - Connaître les bases du langage Python
    - Développer des scripts et programmes en Python de traitements simples de données
    - Être capable de reprendre et modifier un programme écrit par une autre personne
  • Initiation à la programmation : application en langage Python - 15h - Céline Acary-Robert et Pierre-Antoine Bouttier - 2 sessions
    Découvrir les rudiments de la programmation informatique et être à même de réaliser le programme d'un problème.
  • Introduction au langage Julia - 12h - Rémy Drouilhet - 1 session
    - Manipuler une session de travail julia.
    - S’initier à la programmation julia.
    - Se familiariser à l’écosystème des packages julia.
  • Introduction au logiciel SPSS – 12h - Eline Jongmans, Marie-Claire Wilhelm - 1 session
    - Faire découvrir les bases du fonctionnement du logiciel SPSS et permettre de s’en servir pour des analyses statistiques de base mais aussi d’autres plus spécifiques.
    - Les connaissances apportées doivent permettre de réaliser et savoir présenter les analyses de données majeures utiles pour communiquer ses données et résultats dans un article de recherche ou une thèse.

Tools for data processing, software development and scientific computing 

  • Les bases du système Linux pour le calcul scientifique - 9h - Frédéric Audra, Glenn Cougoulat - 1 session
    - Connaissances générales des systèmes Unix
    - Les fondamentaux de la ligne de commande
    - Connexion et travail sur une machine distante           
     
  • Gestion de projets et développements collaboratifs - Utilisation de la plate-forme gricad-gitlab - 12h - Franck Pérignon, Alizia Tarayoun - 1 session
    Fournir aux étudiants un ensemble de connaissances et de bonnes pratiques dans l’utilisation des outils de développement collaboratif.
     
  • Introduction aux formats de données et à la visualisation en calcul scientifique - Entrée-sorties parallèles – 12h - Caroline Bligny, Mondher Chekki, Albanne Lecointre, Franck Pérignon - 1 session
    L’objectif de ce module est de fournir aux étudiants un ensemble de connaissances et de bonnes pratiques pour la visualisation en calcul scientifique et la gestion de données dans un code de calcul.

  • Des sources à l’exécutable : la chaine de compilation - 12h - Violaine Louvet, Franck Pérignon - 1 session
    Apprendre à compiler et exécuter un code de calcul. L’idée est de bien comprendre toutes les étapes qui mènent à une librairie ou un exécutable (compilation, édition de lien etc) et de découvrir quelques outils liés à ces étapes (cmake, debug …)

  • Introduction au calcul parallèle - 36h - Céline Acary-Robert, Pierre-Antoine Bouttier, Glenn Cougoulat, Albanne Lecointre, Franck Pérignon, Violaine Louvet, Frédéric Audra - 1 session
    Donner une vue claire de ce qu’est le calcul parallèle et de ce qu’il peut apporter. Cette formation peut en particulier permettre d’acquérir les connaissances nécessaires pour choisir un modèle de programmation parallèle adapté à votre application et aux ressources de calcul disponibles.     

Tools for data science

  • Introduction à la modélisation statistique bayésienne - 20h - Ladislas Nalborczyk - 1 session
    L’objectif de cette formation est de découvrir l’approche bayésienne. Les conceptions et outils qui seront introduits tout au long de la formation seront illustrés par des cas concrets d’analyse de données.
     
  • Bonnes pratiques en statistique : de la statistique descriptive à la modélisation - 12h - Franck Corset, Sana Louhichi - 1 session
    - Acquérir les bases et les bons réflexes d’une étude statistique (en quoi le protocole est important ? Comment ne pas truquer les graphiques en voulant les rendre jolis ? Dans quel cas une médiane est-elle préférable à une moyenne ? Comment aller plus loin que juste regarder si la p value est plus petite que 5% ?)
    - Introduire les bases de l'estimation paramétrique, calculer un estimateur à l’aide de la méthode des moments et du maximum de vraisemblance et comprendre les qualités d'un estimateur.

  • Initiation à l’analyse de données avec R - 12h - Céline Péréa - 1 session
    - Utiliser R pour traiter des données (lire, nettoyer, visualiser, et analyser les données)
    - Utiliser, adapter, créer des notebooks R Markdown
    - Distinguer/reconnaître les différents types d’objets dans l’environnement RStudio
    - Distinguer/reconnaître les différents types de données
    - Appliquer différentes méthodes d’analyse de données
    - Développer son autonomie dans l’apprentissage du langage R
     
  • Introduction au Deep Learning - 30h - MIAI/CNRS/UGA - 1 session
    - L'objectif de cette formation est de proposer une introduction au Deep Learning, allant des concepts fondamentaux aux architectures avancées (VAE, Transformers, GAN, ...) et à destination d'un large public scientifique.
  • Outils statistiques pour Data Science - 36h - Massih-Resah Amini - 1 session
    - Le développement de l'apprentissage automatique a amélioré la croissance et l'importance de la science des données, et l'objectif de cette formation est de découvrir les principes et les principaux algorithmes en apprentissage illustrés sur une application phare qui est la recherche d'information.
drapeau Statistical tools for Data Science - 36h - Massih-Resah Amini - 1 session
The objective of this training is to discover the field of machine learning applied to Data Science. The algorithms which will be introduced throughout the training will be illustrated on an application which is the search for information in large textual databases.

Science Methodology

  • MOOC Recherche reproductible : principes méthodologiques pour une science transparente - 24h - inscription sur la plateforme FUN MOOC - 1 session
    Ce Mooc propose des principes méthodologiques pour une science ouverte et transparente. Il aborde de manière pratique la prise de notes, le document computationnel, la réplicabilité des analyses.
Updated on  July 19, 2023