 | Programme d’études 2020-2021 | English | |
 | Science des données II : analyse et modélisation | ||
Unité d’enseignement du programme de Bachelier en sciences biologiques à la Faculté des Sciences |
| Les étudiants sont invités à consulter les fiches ECTS des AA pour prendre connaissance des modalités d’évaluation spéciales Covid-19 éventuellement prévues pour la fin du Q3 |
|---|
| Code | Type | Responsable | Coordonnées du service | Enseignant(s) |
|---|---|---|---|---|
| US-B3-SCBIOL-006-M | UE Obligatoire | GROSJEAN Philippe | S807 - Ecologie numérique |
|
| Langue d’enseignement | Langue d’évaluation | HT(*) | HTPE(*) | HTPS(*) | HR(*) | HD(*) | Crédits | Pondération | Période d’enseignement |
|---|---|---|---|---|---|---|---|---|---|
| Français | 0 | 40 | 0 | 0 | 0 | 3 | 3.00 | Année |
| Code(s) d’AA | Activité(s) d’apprentissage (AA) | HT(*) | HTPE(*) | HTPS(*) | HR(*) | HD(*) | Période d’enseignement | Pondération |
|---|---|---|---|---|---|---|---|---|
| S-BIOG-015 | Sciences de données II : modélisation | 0 | 20 | 0 | 0 | 0 | Q1 | |
| S-BIOG-061 | Science des données II : analyse | 0 | 20 | 0 | 0 | 0 | Q2 |
| Unité d'enseignement |
|---|
Objectifs par rapport aux acquis d'apprentissage du programme
- Acquérir, maitriser et utiliser des savoirs dans les domaines de la biologie et dans d'autres domaines de connaissances.
- Comprendre et employer les outils mathématiques et statistiques de base pour décrire et comprendre les concepts biologiques.
- Intégrer de façon critique des savoirs d'autres domaines de connaissances à la biologie (sciences de la terre, physique, chimie, mathématiques) afin de favoriser une approche interdisciplinaire.
- Synthétiser et résumer sous différentes formes (textuelle, numérique, verbale et graphique) de manière critique l'information issue de la littérature scientifique.
- Résoudre des problèmes à composante biologique.
- Réaliser des observations avec précision dans le cadre d'activités sur le terrain et en laboratoire.
- Analyser et interpréter, de façon pertinente, des données biologiques collectées in natura, par dissection ou sur base d'un protocole expérimental en laboratoire.
- Appliquer une démarche scientifique et exercer un esprit critique.
- Connaître et appliquer les principes de base du raisonnement (obtention des données, analyse, synthèse, comparaison, règle de trois, syllogisme, analogie, ....).
- Maîtriser les méthodes statistiques et/ou probabilistes.
- Travailler avec efficience/exactitude/précision.
- Savoir poser une hypothèse et un raisonnement hypothético-déductif.
- Développer un esprit critique, savoir tester et contrôler ses conclusions, en connaître le domaine de validité, envisager des hypothèses alternatives.
- Pouvoir gérer le doute et l'incertitude.
- Communiquer efficacement et de manière adaptée en français et en anglais.
- Communiquer oralement et par écrit en français les résultats d'expériences et d'observations en construisant et en utilisant des graphiques et des tableaux.
- Développer son autonomie, se fixer des objectifs de formation et effectuer les choix pour les atteindre.
- Organiser son temps et son travail, tant individuel que collectif.
- Savoir fixer des priorités.
- Savoir gérer son stress et ce quel que soit les évènements (examens, présentations,..).
Acquis d'apprentissage UE
Etre capable d'analyser correctement des données biologiques variées. En particuliers, les différentes modèles linéaires (modèle linéaire, modèle linéaire généralisé, modèles non-linéaire,...), les méthodes d'ordination (ACP et AFC) et de classification (dendrogramme) sont étudiés. Apprendre à décrire correctement les données, et à tester les conditions d'application des techniques envisagées. Apprendre également à tirer des conclusions appropriées par rapport à l'analyse effectuée, et à les formuler de manière rigoureuse. Nous insistons également sur la présentation des résultats (rédaction de rapports) et sur l'utilisation de logiciels professionnels dans le domaine de la science des données : R, RStudio, R Markdown, git.
Contenu de l'UE
Les chapitres de cette UE sont:
- Modèle linéaire
- Modèle linéaire, outils diagnostics
- Modèle linéaire généralisé
- Modèle non linéaire
- Distances et classification hiérarchique
- K-means, MDS et SOM
- ACP et AFC
- AFM et indices de biodiversité
Compétences préalables
Bases en science des données, en particulier, la gestion de projets d'analyse des données, l'importation et le remaniement des données, la visualisation à l'aide de graphiques et la rédaction de rapports reproductibles. Statistiques uni- et bivariées de base, y compris ANOVA, variance, covariance et corrélation. Utilisation des logiciels R, RStudio, R Markdown et git.
Types d'évaluations Q1 pour l'UE
- Présentation et/ou travaux
- Epreuve pratique
- eTest
Commentaire sur les évaluations Q1 de l'UE
Note globale rassemblant les évaluations suivantes:
- Evaluation de la progression en continu
- Participation lors des classes renversées
- Réalisations aux travaux pratiques
- Rapport d'analyse de données coté
- eTest
En raison de l'évaluation de la progression en continu, la présence aux séances est obligatoire.
Types d'évaluations Q2 pour l'UE
- Présentation et/ou travaux
- Epreuves pratiques
- eTest
Commentaire sur les évaluations Q2 de l'UE
Note globale rassemblant les évaluations suivantes:
- Evaluation de la progression en continu
- Participation lors des classes renversées
- Réalisations aux travaux pratiques
- Rapport d'analyse de données coté
- eTest
En raison de l'évaluation de la progression en continu, la présence aux séances est obligatoire.
Types d'évaluation Q3 pour l'UE
- Présentation et/ou travaux
- Epreuves pratiques
- eTest
Commentaire sur les évaluations Q3 de l'UE
Similaire à Q1 & Q2.
Types d'évaluation rattrapage BAB1 (Q1) pour l'UE
- Néant
Commentaire sur les évaluations rattr. Q1 de l'UE
Pas applicable.
Types d'activités
| AA | Types d'activités |
|---|---|
| S-BIOG-015 |
|
| S-BIOG-061 |
|
Mode d'enseignement
| AA | Mode d'enseignement |
|---|---|
| S-BIOG-015 |
|
| S-BIOG-061 |
|
Supports principaux
| AA | |
|---|---|
| S-BIOG-015 | |
| S-BIOG-061 |
Supports principaux non reproductibles
| AA | Supports principaux non reproductibles |
|---|---|
| S-BIOG-015 | Sans objet |
| S-BIOG-061 | Sans objet |
Supports complémentaires
| AA | |
|---|---|
| S-BIOG-015 | |
| S-BIOG-061 |
Supports complémentaires non reproductibles
| AA | Support complémentaires non reproductibles |
|---|---|
| S-BIOG-015 | Pas applicable. |
| S-BIOG-061 | Sans objet |
Autres références conseillées
| AA | Autres références conseillées |
|---|---|
| S-BIOG-015 | Barnier, J., 2018. Introduction à R et au tidyverse (https://juba.github.io/tidyverse/index.html). Ismay, Ch. & Kim A.Y, 2018. Moderndive: An introduction to statistical and data science via R (http://moderndive.com). Wickham, H. & Grolemund, G, 2017. R for data science (http://r4ds.had.co.nz). Zar, J.H., 2010. Biostatistical analysis (5th ed.). Pearson Education, London. 944pp. Husson, F., S. Lê & J. Pagès, 2009. Analyse de données avec R. Presses universitaires de Rennes, Rennes. 224pp. Cornillon, P.A. Et al, 2008. Statistiques avec R. Presses Universitaires de Rennes. 257pp. Dagnelie, P., 2007. Statistique théorique et appliquée, Volumes I et II (2ème ed.). De Boeck & Larcier, Bruxelles. 511pp (vol. I) 734pp (vol. II). |
| S-BIOG-061 | Barnier, J., 2018. Introduction à R et au tidyverse (https://juba.github.io/tidyverse/index.html). Ismay, Ch. & Kim A.Y, 2018. Moderndive: An introduction to statistical and data science via R (http://moderndive.com). Wickham, H. & Grolemund, G, 2017. R for data science (http://r4ds.had.co.nz). Zar, J.H., 2010. Biostatistical analysis (5th ed.). Pearson Education, London. 944pp. Husson, F., S. Lê & J. Pagès, 2009. Analyse de données avec R. Presses universitaires de Rennes, Rennes. 224pp. Cornillon, P.A. Et al, 2008. Statistiques avec R. Presses Universitaires de Rennes. 257pp. Dagnelie, P., 2007. Statistique théorique et appliquée, Volumes I et II (2ème ed.). De Boeck & Larcier, Bruxelles. 511pp (vol. I) 734pp (vol. II). Sans objet |