Programme d’études 2022-2023English
Science des données I : visualisation et inférence
Unité d’enseignement du programme de Bachelier en sciences biologiques (MONS) (Horaire jour) à la Faculté des Sciences

CodeTypeResponsable Coordonnées
du service
Enseignant(s)
US-B2-SCBIOL-006-MUE ObligatoireGROSJEAN PhilippeS807 - Ecologie numérique
  • GROSJEAN Philippe

Langue
d’enseignement
Langue
d’évaluation
HT(*) HTPE(*) HTPS(*) HR(*) HD(*) CréditsPondération Période
d’enseignement
  • Français
Français07000066.00Année

Code(s) d’AAActivité(s) d’apprentissage (AA) HT(*) HTPE(*) HTPS(*) HR(*) HD(*) Période
d’enseignement
Pondération
S-BIOG-006Science des données I : visualisation035000Q1
S-BIOG-027Science des données I : inférence035000Q2

Note globale : les évaluations de chaque AA donnent lieu à une note globale pour l'unité d'enseignement.
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.
  • Résoudre des problèmes à composante biologique.
    • 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 de l'UE

Comprendre et employer les outils informatiques et statistiques nécessaires aux science des données, en particuliers, l'importation, le remaniement et la transformation des données, la visualisation sous forme de graphiques, et l'inférence statistique. Pouvoir présenter clairement et rigoureusement les résultats de ces analyses dans un rapport scientifique de manière reproductible. Etre capable d'analyser des données biologiques usuelles en pratique.

Contenu de l'UE : descriptif et cohérence pédagogique

Le cours est entièrement disponible en ligne : https://wp.sciviews.org. Les chapitres de cette UE sont:

- Initiation aux logiciels (Logiciels R, RStudio, git & Markdown).
- Visualisation I, nuage de points et R Markdown (Quarto)
- Visualisation II, histogramme, densité, violon
- Visualisation III, barres, camembert, boxplot, composition et moteurs graphiques
- Traitement des données I, importation, conversion, dplyr
- Traitement des données II, contingence, échantillonnage, traitement multi-tableaux avec tidyr
- Probabilités et distributions
- Test Chi carré
- Intervalle de confiance, test de Student, test de Wilcoxon
- Analyse de variance à un facteur
- Analyse de variance à deux facteurs
- Corrélation et test de corrélation

Compétences préalables

Notions de base d'utilisation d'un ordinateur. Notions de base en mathématique: arithmétique, y compris logarithme et exponentielle, systèmes de coordonnées cartésiennes et géométrie élémentaire dans le plan et dans un espace à trois dimensions. Ressources pour une mise à jour des compétences préalables: https://www.khanacademy.org/math, math 1, 2 & 3 + géométrie, aussi https://edu.gcfglobal.org/en/computerbasics/ pour apprendre les bases des ordinateurs et éventuellement https://edu.gcfglobal.org/en/typing/ pour apprendre à taper sur un clavier.

Type(s) et mode(s) d'évaluation Q1 pour l'UE

  • Production (travail écrit, rapport, essai, collection, produit…) à déposer - En présentiel
  • Exercice(s) coté(s) - A distance

Commentaire sur les évaluations Q1 de l'UE

L'évaluation de la progression se fait en continu tout au long des séances. La présence aux séances est donc obligatoire. Les absences injustifiées sont sanctionnées d'un 0/20.
 

Méthode de calcul de la note globale pour l'évaluation Q1 de l'UE

La pondération entre les AA du Q1 et du Q2 est de 50/50 (notes des évaluations continues, voir AA correspondante). Il faut avoir obtenu au minimum 8/20 à chaque AA, sans quoi la note de l'AA la plus faible est utilisée pour la note finale de l'UE. En cas d'échec, aucun report de note d'AA ne sera possible d'une année à l'autre.

Type(s) et mode(s) d'évaluation rattrapage Q1 (BAB1) pour l'UE

  • Néant - Néant

Commentaire sur les évaluations rattrapage Q1 (BAB1) de l'UE

Sans objet

Méthode de calcul de la note globale pour l'évaluation rattrapage Q1 (BAB1) de l'UE

Sans objet.

Type(s) et mode(s) d'évaluations Q2 pour l'UE

  • Production (travail écrit, rapport, essai, collection, produit…) à déposer - En présentiel
  • Exercice(s) coté(s) - A distance

Commentaire sur les évaluations Q2 de l'UE

L'évaluation de la progression se fait en continu tout au long des séances. La présence aux séances est donc obligatoire. Les absences injustifiées sont sanctionnées d'un 0/20.

Méthode de calcul de la note globale pour l'évaluation Q2 de l'UE

La pondération entre les AA du Q1 et du Q2 est de 50/50 (notes des évaluations continues, voir AA correspondante). Il faut avoir obtenu au minimum 8/20 à chaque AA, sans quoi la note de l'AA la plus faible est utilisée pour la note finale de l'UE. En cas d'échec, aucun report de note d'AA ne sera possible d'une année à l'autre.

Type(s) et mode(s) d'évaluations Q3 pour l'UE

  • Néant - Néant

Commentaire sur les évaluations Q3 de l'UE

Etant donné que la note de cette UE est basée sur une évaluation continue de travaux qu'il n'est pas possible d'organiser durant l'été, il n'y a pas de seconde session.

Méthode de calcul de la note globale pour l'évaluation Q3 de l'UE

Sans objet

Types d'activités

AATypes d'activités
S-BIOG-006
  • Travaux pratiques
  • Exercices de création et recherche en atelier
  • Projet sur ordinateur
  • Etudes de cas
S-BIOG-027
  • Travaux pratiques
  • Exercices de création et recherche en atelier
  • Projet sur ordinateur
  • Etudes de cas

Mode d'enseignement

AAMode d'enseignement
S-BIOG-006
  • Hybride
S-BIOG-027
  • Hybride

Supports principaux non reproductibles

AASupports principaux non reproductibles
S-BIOG-006Le contenu du cours est en ligne: https://wp.sciviews.org
S-BIOG-027Le contenu du cours est en ligne: https://wp.sciviews.org

Supports complémentaires non reproductibles

AASupport complémentaires non reproductibles
S-BIOG-006Sans objet
S-BIOG-027Sans objet

Autres références conseillées

AAAutres références conseillées
S-BIOG-006Barnier, 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). 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-027Barnier, 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. Dagnelie, P., 2007. Statistique théorique et appliquée, Volumes I et II (2ème ed.). De Boeck & Larcier, Bruxelles. 511pp (vol. I) 734pp (vol. II). Venables W.N. & B.D. Ripley, 2002. Modern applied statistics with S-PLUS (4th ed.). Springer, New York, 495 pp. Legendre, P. & L. Legendre, 1998. Numerical ecology (2nd ed.). Springer Verlag, New York. 587 pp.
(*) HT : Heures théoriques - HTPE : Heures de travaux pratiques encadrés - HTPS : Heures de travaux pratiques supervisés - HD : Heures diverses - HR : Heures de remédiation - Dans la colonne Pér. (Période), A=Année, Q1=1er quadrimestre et Q2=2e quadrimestre
Date de dernière mise à jour de la fiche ECTS par l'enseignant : 14/05/2022
Date de dernière génération automatique de la page : 20/06/2023
20, place du Parc, B7000 Mons - Belgique
Tél: +32 (0)65 373111
Courriel: info.mons@umons.ac.be