 | Programme d’études 2022-2023 | English | |
 | Science des données I : visualisation et inférence | ||
Unité d’enseignement du programme de Bachelier en sciences mathématiques (MONS) (Horaire jour) à la Faculté des Sciences |
| Code | Type | Responsable | Coordonnées du service | Enseignant(s) |
|---|---|---|---|---|
| US-B3-SCMATH-035-M | UE optionnelle | GROSJEAN Philippe | S807 - Ecologie numérique |
|
| Langue d’enseignement | Langue d’évaluation | HT(*) | HTPE(*) | HTPS(*) | HR(*) | HD(*) | Crédits | Pondération | Période d’enseignement |
|---|---|---|---|---|---|---|---|---|---|
| Français | 0 | 70 | 0 | 0 | 0 | 9 | 9.00 | Année |
| Code(s) d’AA | Activité(s) d’apprentissage (AA) | HT(*) | HTPE(*) | HTPS(*) | HR(*) | HD(*) | Période d’enseignement | Pondération |
|---|---|---|---|---|---|---|---|---|
| S-BIOG-006 | Science des données I : visualisation | 0 | 35 | 0 | 0 | 0 | Q1 | |
| S-BIOG-027 | Science des données I : inférence | 0 | 35 | 0 | 0 | 0 | Q2 |
| Unité d'enseignement |
|---|
Objectifs par rapport aux acquis d'apprentissage du programme
- Comprendre de manière profonde les mathématiques " élémentaires ".
- Comprendre les fondements des probabilités et de la statistique.
- Résoudre des problèmes nouveaux.
- Utiliser les connaissances issues de différents domaines pour traiter des questions.
- Utiliser efficacement l'outil informatique.
- Connaissance d'au moins un langage de programmation.
- Pouvoir développer des programmes informatiques pour résoudre des problèmes ayant une formulation mathématique.
- Pourvoir aborder la littérature et dialoguer avec les autres sciences.
- Avoir une bonne connaissance d'un domaine connexe utilisant les mathématiques.
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 varance 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 académique 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 académique 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
| AA | Types d'activités |
|---|---|
| S-BIOG-006 |
|
| S-BIOG-027 |
|
Mode d'enseignement
| AA | Mode d'enseignement |
|---|---|
| S-BIOG-006 |
|
| S-BIOG-027 |
|
Supports principaux non reproductibles
| AA | Supports principaux non reproductibles |
|---|---|
| S-BIOG-006 | Le contenu du cours est en ligne: https://wp.sciviews.org |
| S-BIOG-027 | Le contenu du cours est en ligne: https://wp.sciviews.org |
Supports complémentaires non reproductibles
| AA | Support complémentaires non reproductibles |
|---|---|
| S-BIOG-006 | Sans objet |
| S-BIOG-027 | Sans objet |
Autres références conseillées
| AA | Autres références conseillées |
|---|---|
| S-BIOG-006 | 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). 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-027 | 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. 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. |