• Bienvenue dans le Programme de formation en Science des Données au féminin en Afrique (SDAfrique)! 


    Cours de Science des données pour les étudiantes de l’Afrique francophone… parce que programmation, c’est un mot féminin!

    Nos étudiantes

    • Un groupe de 100 étudiantes sélectionnées, toutes de l’Afrique francophone.

    • 100 étudiantes motivées par la résolution de problèmes avec les outils technologiques du 21e siècle!

    • 100 étudiantes motivées par passer de l’intelligence artificielle à l’intelligence augmentée.

    • Un parcours de 6 cours sur deux années, incluant deux cours projets, organisé autour de deux certificats: le certificat pour la première année et le certificat pour la seconde année.

    Description

    • Durée du certificat 1: pendant trois trimestres, un groupe de jeunes femmes africaines francophones apprend ou approfondit leurs connaissances en programmation.

    • Durée du certificat 2: pendant trois trimestres, trois cours offerts: un cours sur les données géospatiales, un cours sur l'entrepreneuriat technologique et un cours projet.

    • Apprentissages: elles apprennent à programmer en R et en Markdown, et autres surprises!

    • Approche expérientielle: le choix d’un langage fonctionnel se justifie par l’objectif principal de cette activité: proposer des solutions technologiques à des problèmes de société qu’elles rencontrent chaque jour.

    Approche pédagogique

    Nous utilisons une approche expérientielle, totalement orientée vers la résolution de problèmes.

    Les étudiantes travaillent en équipe de trois à cinq personnes. Chaque équipe identifie un problème de société. Elles proposent ensuite un projet qui permet de répondre à ce problème ou à une dimension de ce problème. Il s’agit ici de commencer par une solution simple.

    Ensuite, les étudiantes apprennent les éléments fondamentaux de la programmation. Elles apprennent quelques modèles de base d’analyse de données. Elles apprennent également la programmation en Markdown afin de présenter leur solution sous forme d’un rapport dynamique.


Annonces du site

Photos de la cérémonie de remise de certificat 2024

par Claudia D. Tchobo,

Chers tous,

Veuillez trouver les photos des moments forts de la cérémonie de fin de formation et de remise de certificat des cohortes 2023 et 2024.

Cliquer sur ce lien Photos_SDA_2024 pour ouvrir la ressource.

Discuter sur ce sujet  (0 réponses)
Sujets antérieurs...


Cours disponibles

Cours 1. R: les fondamentaux

Titre du cours: Introduction à la science des données pour les sciences sociales

Professeur: Thierry Warin, PhD

Description du cours: Ce cours vise à fournir aux étudiants en sciences sociales une introduction complète à la science des données, en mettant l'accent sur l'utilisation du langage de programmation R. Les étudiants acquerront des compétences pratiques dans la manipulation de données, la création de visuels et de tableaux de bord, et l'accès à des bases de données et API. Le cours abordera également les bonnes pratiques en matière de débogage et de gestion de code avec Git et GitHub.

Objectifs pédagogiques: À la fin de ce cours, les étudiants seront en mesure de :

  1. Comprendre les principes fondamentaux de la science des données dans le contexte des sciences sociales.
  2. Utiliser R pour manipuler, analyser et visualiser des données.
  3. Créer des tableaux de bord interactifs et accéder à des données externes via des API.
  4. Appliquer des techniques de débogage pour résoudre des problèmes dans les scripts R.
  5. Gérer le code source et la collaboration via Git et GitHub.

Méthodologie d'enseignement: Le cours sera dispensé sous forme de conférences interactives et d'ateliers pratiques. Les étudiants seront encouragés à participer activement et à collaborer sur des projets de groupe.

Évaluation: L'évaluation sera basée sur des devoirs pratiques, la participation en classe, et un projet final.

Programme du cours:

Séance 1: Introduction générale

  • Présentation du cours et des objectifs
  • Aperçu de la science des données dans les sciences sociales
  • Importance des compétences en programmation et analyse de données

Séance 2: Introduction à R, Markdown et Github

  • Fondamentaux de R: installation et configuration de l'environnement
  • Introduction à Markdown pour la documentation
  • Utilisation de Git et GitHub pour la gestion de version

Séance 3: Manipuler les données

  • Importation et nettoyage de données avec R
  • Concepts de base des structures de données en R
  • Techniques d'analyse exploratoire des données

Séance 4: Créer des visuels avec R

  • Principes de la visualisation de données
  • Utilisation de ggplot2 et d'autres packages pour la création de graphiques
  • Interprétation et communication des résultats par des visuels

Séance 5: Créer des tableaux de bord avec R et accéder à des bases de données et API avec R

  • Introduction aux tableaux de bord interactifs avec Shiny
  • Connexion à des bases de données externes
  • Utilisation d'API pour récupérer des données en ligne

Séance 6: Apprendre à déboguer avec R et Conclusion

  • Techniques de débogage en R
  • Bonnes pratiques de programmation
  • Révision générale et perspectives futures dans la science des données pour les sciences sociales

Lectures recommandées et ressources seront fournies pour chaque séance.

Cours 2. R~Statistiques

Titre du cours : R~Statistiques
Professeur : Thierry Warin, PhD

Description du cours :
Ce cours approfondit l'analyse statistique avec R, mettant l'accent sur l'analyse exploratoire des données, les techniques de régression et l'analyse des données de panel. Il vise à doter les étudiants de compétences pratiques pour la manipulation de données et la modélisation statistique avec R.

Structure du cours :

  1. Séance 1 : Introduction générale

    • Présentation du cours, introduction à R et aux concepts d'analyse de données.

  2. Séance 2 : Analyse exploratoire des données 1/2

    • Techniques fondamentales d'analyse exploratoire, exercices pratiques et devoirs.

  3. Séance 3 : Analyse exploratoire des données 2/2 & Régression linéaire

    • Approfondissement de l'analyse exploratoire et introduction à la régression linéaire, avec des travaux pratiques.

  4. Séance 4 : Discussion sur les projets

    • Session interactive axée sur les projets étudiants et l'application des concepts appris.

  5. Séance 5 : Régression logistique & Données de panel et autres considérations

    • Exploration de la régression logistique et de l'analyse des données de panel, incluant des exercices pratiques.

  6. Séance 6 : Discussion sur les projets & Conclusion

    • Présentation finale des projets et conclusion du cours.

Évaluation :
Basée sur les devoirs, les présentations de projets et la participation active aux discussions.

Ressources :
Le cours offrira diverses ressources incluant des vidéos, des présentations interactives et des lectures recommandées.

Cours 3. Apprentissage automatique avec R

Titre du cours : Apprentissage automatique avec R

Professeur: Thierry Warin, PhD

Description : Ce cours explore l'apprentissage automatique en utilisant R, couvrant des sujets comme les modèles de classification, les réseaux neuronaux, et l'éthique en IA.

Séances :

  1. Introduction à l’apprentissage automatique - Fondements et présentation du cours.
  2. Modèles de classification - Principes et applications pratiques.
  3. Réseaux neuronaux - Concepts de base et introduction pratique.
  4. Projets - Application des concepts appris dans des projets concrets.
  5. Modèles logistiques avec pénalisation - Techniques avancées et cas d'utilisation.
  6. Intelligence artificielle et éthique - Discussion sur les implications éthiques.

Méthodologie : Présentations interactives, vidéos, et travaux pratiques.

Évaluation : Basée sur la participation, les projets, et les travaux pratiques.


Cours 4. Projets I- Développement

Le syllabus pour le cours "Projets I- Développement" chez SDAfrique se structure autour du développement de projets appliquant l'apprentissage automatique.

  • Il encourage les étudiantes à appliquer des compétences pratiques et des méthodes de gestion de projet agiles pour résoudre des problèmes locaux.
  • Les projets couvrent une gamme de sujets comme:
    • la reconnaissance vocale,
    • la détection de désinformation, et
    • l'amélioration des soins de santé.
Ce cours vise à préparer les étudiants à déployer leurs solutions dans des contextes variés tels que les ONG ou les startups ou les politiques publiques.

Cours 5. Données géospatiales avec R

Titre du cours : Données géospatiales avec R
Professeur : Thierry Warin, PhD

Description du cours :
Ce cours se concentre sur l'utilisation de R pour analyser et visualiser des données géospatiales. Il couvre des techniques allant de la manipulation de base de données géographiques jusqu'aux méthodes avancées d'analyse spatiale, en mettant l'accent sur les applications pratiques.

Structure du cours :

  1. Séance 1 : Introduction aux données géospatiales avec R

    • Fondamentaux des données géospatiales, systèmes de coordonnées, introduction aux packages R pour les données spatiales.

  2. Séance 2 : Techniques de base pour la manipulation de données géospatiales

    • Importation et exportation de données, manipulation de vecteurs et de raster, traitement de base des données spatiales.

  3. Séance 3 : Visualisation de données géospatiales avec R

    • Création de cartes statiques et interactives, utilisation de ggplot2 pour la visualisation spatiale, intégration de données externes.

  4. Séance 4 : Analyse spatiale avancée

    • Techniques d'analyse spatiale, y compris l'interpolation spatiale, l'analyse de cluster, et les méthodes de voisinage.

  5. Séance 5 : Intégration de données géospatiales dans la modélisation statistique

    • Modélisation spatiale et temporelle, régression spatiale, analyse de séries temporelles spatiales.

  6. Séance 6 : Projets appliqués et études de cas

    • Application des compétences acquises sur des projets réels, études de cas sur des problématiques actuelles utilisant les données géospatiales.

Évaluation :
Les évaluations se baseront sur des travaux pratiques, des projets et la participation en classe.

Ressources :
Des vidéos, des présentations interactives et des lectures recommandées seront mises à disposition pour approfondir les connaissances acquises en classe.

Cours 6. Apprentissage automatique avancé avec R

Titre du cours : Apprentissage automatique avancé avec R

Professeur: Thierry Warin, PhD

Description du cours :
Ce cours avancé sur l'apprentissage automatique avec R vise à approfondir les connaissances et compétences dans des techniques sophistiquées telles que l'apprentissage profond, l'optimisation des modèles et les réseaux neuronaux.

Structure du cours :

Séance 1: Introduction à la modélisation et aux outils de base

  • Introduction générale : Objectifs du cours, présentation du syllabus, importance de la modélisation en science des données.
  • Logiciel pour la modélisation : Présentation des logiciels utilisés dans le cours, focus sur R.
  • A Tidyverse Primer : Introduction aux packages du Tidyverse utilisés pour la manipulation de données.

Séance 2: Fondamentaux de la modélisation avec R

  • Révision des fondamentaux de la modélisation avec R : Concepts de base de la modélisation statistique et préparation des données.
  • The Ames Housing Data : Exploration et préparation d'un jeu de données réel pour la modélisation.
  • Spending our Data : Techniques de gestion des données pour la modélisation.

Séance 3: Construction et évaluation de modèles de base

  • Fitting Models with parsnip : Introduction à parsnip pour l'ajustement des modèles.
  • A Model Workflow : Création d'un flux de travail de modélisation répétable.
  • Feature Engineering with recipes : Utilisation de recipes pour l'ingénierie des caractéristiques.

Séance 4: Techniques avancées pour l'évaluation des modèles

  • Resampling for Evaluating Performance : Techniques de rééchantillonnage pour l'évaluation des modèles.
  • Comparing Models with Resampling : Comparaison de différents modèles via le rééchantillonnage.
  • Model Tuning and the Dangers of Overfitting : Ajustement des modèles et sensibilisation au surajustement.

Séance 5: Recherche et sélection de modèles

  • Grid Search and Iterative Search : Techniques de recherche exhaustive et itérative pour l'optimisation des hyperparamètres.
  • Screening Many Models : Évaluation et sélection parmi un large éventail de modèles.

Séance 6: Au-delà des fondamentaux de la modélisation

  • Dimensionality Reduction, Encoding Categorical Data : Techniques de réduction de dimensionnalité et d'encodage des données catégorielles.
  • Explaining Models and Predictions : Méthodes pour expliquer les modèles et les prédictions.
  • Trust, Ensembles, and Inferential Analysis : Quand faire confiance aux prédictions, utilisation des modèles ensembles et analyse inférentielle.



Évaluation :
Basée sur les travaux pratiques, un projet final, et la participation en classe.

Ressources :
Le cours inclura des ressources variées telles que des lectures, des vidéos et des présentations interactives.

Le cours 3 est un pré-requis.

Cours 7. Entrepreneuriat technologique au féminin

Titre du cours : Entrepreneuriat Technologique au Féminin en Afrique

Professeurs: Bernice Bancole, PhD et Thierry Warin, PhD

Description du cours :
Ce cours met l'accent sur l'entrepreneuriat technologique féminin en Afrique, en explorant les stratégies, défis et succès spécifiques à ce domaine.

Structure du cours :

  1. Séance 1 : Introduction à l'entrepreneuriat technologique féminin

    • Vue d'ensemble du paysage technologique en Afrique et rôle des femmes.

  2. Séance 2 : Innovation et technologie

    • Focus sur l'innovation technologique portée par les femmes.

  3. Séance 3 : Réseautage dans le secteur technologique

    • Importance du réseautage et collaboration dans la tech.

  4. Séance 4 : Financement des startups technologiques féminines

    • Accès au capital et financement participatif.

  5. Séance 5 : Marketing digital et présence en ligne

    • Stratégies de marketing numérique pour startups technologiques.

  6. Séance 6 : Témoignages d'entrepreneures technologiques

    • Études de cas et parcours de femmes leaders en tech.

Ces séminaires seront animés par des expertes et entrepreneures reconnues, offrant un aperçu précieux dans l'entrepreneuriat technologique féminin en Afrique.

Cours 8. Cours projet II : Incubation

Titre du cours : Projet II - Incubation et Développement

Professeurs: Bernice Bancole, PhD et Thierry Warin, PhD

Description du cours :
Ce cours se concentre sur l'incubation de projets avec un potentiel de devenir des ONG, startups, ou solutions pour les politiques publiques.

Structure du cours :

  1. Séance 1 : Fondations de l'incubation de projet

    • Principes de l'incubation, structure et planification.

  2. Séance 2 : Études de marché et validation de concept

    • Techniques pour évaluer la viabilité et l'acceptation du marché.

  3. Séance 3 : Stratégies de financement et modèles économiques

    • Exploration des options de financement et élaboration de modèles économiques durables.

  4. Séance 4 : Marketing et branding

    • Stratégies de marketing efficaces pour lancer et promouvoir le projet.

  5. Séance 5 : Aspects juridiques et réglementaires

    • Compréhension des enjeux juridiques et réglementaires liés au lancement d'un projet.

  6. Séance 6 : Pitch et présentation du projet

    • Préparation et présentation du projet à des investisseurs potentiels ou parties prenantes.

Ce cours vise à doter les étudiants des compétences nécessaires pour transformer leurs idées en projets viables.


Cours 9. IA Générative et ses applications

L'IA générative et ses applications

Objectifs du cours :

  • Comprendre les fondements de l'IA générative.
  • Explorer comment l'IA générative abaisse le coût de l'expertise à travers le monde.
  • Appréhender comment l'IA générative peut augmenter les capacités humaines.
  • Étudier des cas d'application concrets de l'IA générative.

Contenu du cours :

  1. Introduction à l'IA générative :

    • Définitions et concepts clés.
    • Histoire et évolution de l'IA générative.
    • Technologies et outils principaux (modèles de langage, GANs, etc.).

  2. Abaissement du coût de l'expertise :

    • Analyse de l'impact économique de l'IA générative.
    • Études de cas sur la démocratisation de l'expertise.
    • Comparaison des coûts traditionnels versus l'IA générative.

  3. Augmentation des capacités humaines :

    • IA générative et amélioration des processus créatifs.
    • Applications dans la traduction de langues anciennes.
    • Restauration d'œuvres d'art et de bâtiments historiques.

  4. Intégration de l'IA générative dans le monde des affaires :

    • Utilisation de l'IA générative dans la stratégie d'entreprise.
    • Automatisation et optimisation des processus commerciaux.
    • Exemples d'implémentations réussies dans diverses industries.

  5. Ateliers pratiques et études de cas :

    • Travaux pratiques sur des projets réels.
    • Analyse et discussion de cas d'études.
    • Développement de projets utilisant des outils d'IA générative.

  6. Éthique et défis de l'IA générative :

    • Enjeux éthiques liés à l'utilisation de l'IA générative.
    • Considérations sur les biais et la transparence.
    • Discussion sur les implications sociétales et économiques.

Méthodologie :

  • Cours magistraux : Présentations et discussions dirigées par des experts du domaine.
  • Travaux pratiques : Sessions de laboratoire pour expérimenter avec des outils d'IA générative.
  • Études de cas : Analyse approfondie de projets utilisant l'IA générative.
  • Projets en groupe : Développement de solutions pratiques en équipe.

Ressources :

  • Lectures recommandées : Articles académiques, livres blancs, et rapports sur l'IA générative.
  • Outils et logiciels : Accès à des plateformes et outils d'IA générative pour les travaux pratiques.
  • Invités spéciaux : Conférences et discussions avec des professionnels et chercheurs en IA générative.

Ce cours vise à fournir aux étudiantes une compréhension approfondie de l'IA générative et de ses vastes applications, tout en mettant en lumière son potentiel pour transformer divers domaines et industries.

Cours 10. Analyse des réseaux avec R

Analyse des réseaux avec R

Objectifs du cours :

  • Comprendre les concepts fondamentaux de l'analyse des réseaux.
  • Apprendre à utiliser le langage R pour l'analyse et la visualisation des réseaux.
  • Explorer des applications pratiques de l'analyse des réseaux dans divers domaines.

Contenu du cours :

  1. Introduction à l'analyse des réseaux :

    • Définition et importance de l'analyse des réseaux.
    • Concepts clés : nœuds, liens, degrés, centralité, etc.
    • Exemples de réseaux dans différents contextes (social, biologique, technologique).

  2. Fondamentaux de R pour l'analyse des réseaux :

    • Introduction au langage R et aux packages de base.
    • Packages spécifiques pour l'analyse des réseaux : igraph, network, tidygraph, ggraph.
    • Installation et configuration de l'environnement de travail R.

  3. Manipulation et visualisation des réseaux avec R :

    • Création et manipulation des objets de réseau.
    • Calcul des mesures de réseau (centralité, distance, cliques, etc.).
    • Techniques de visualisation des réseaux avec ggraph et autres outils.

  4. Applications pratiques de l'analyse des réseaux :

    • Analyse des réseaux sociaux : structure des réseaux, influence et diffusion de l'information.
    • Réseaux biologiques : analyse des interactions protéiques, réseaux de gènes.
    • Réseaux technologiques : analyse des réseaux de communication, infrastructures technologiques.

  5. Études de cas et projets pratiques :

    • Analyse détaillée de cas d'études réels.
    • Développement de projets en groupe utilisant des données réelles.
    • Présentation et discussion des résultats.

  6. Outils avancés et extensions :

    • Utilisation de R pour des analyses de réseaux dynamiques.
    • Intégration avec d'autres outils et langages (Python, Gephi, etc.).
    • Exploration des tendances et avancées récentes dans l'analyse des réseaux.

Méthodologie :

  • Cours magistraux : Présentations et discussions dirigées par des experts en analyse des réseaux.
  • Travaux pratiques : Sessions de laboratoire pour expérimenter avec R et les packages d'analyse des réseaux.
  • Études de cas : Analyse approfondie de projets réels utilisant l'analyse des réseaux.
  • Projets en groupe : Développement de solutions pratiques en équipe, avec des présentations finales.

Ressources :

  • Lectures recommandées : Articles académiques, livres et manuels sur l'analyse des réseaux et R.
  • Outils et logiciels : Accès aux packages R et autres outils nécessaires pour l'analyse des réseaux.
  • Invités spéciaux : Conférences et discussions avec des professionnels et chercheurs en analyse des réseaux.

Ce cours vise à fournir aux étudiantes une compréhension approfondie de l'analyse des réseaux et des compétences pratiques en utilisant R pour explorer et visualiser des réseaux complexes.


Cours 11. Introduction à Python pour les utilisatrices de R

Introduction à Python pour les utilisateurs de R

Objectifs du cours :

  • Acquérir une compréhension de base du langage de programmation Python.
  • Apprendre à écrire des scripts Python pour des tâches courantes.
  • Comparer et intégrer Python avec R pour des applications en science des données.

Contenu du cours (6 séances) :

  1. Séance 1 : Introduction à Python :

    • Histoire et évolution de Python.
    • Installation et configuration de l'environnement Python.
    • Syntaxe de base et structures de contrôle.
    • Comparaison avec R : similarités et différences.

  2. Séance 2 : Types de données et structures de données :

    • Types de données de base (entiers, flottants, chaînes, booléens).
    • Listes, tuples, dictionnaires et ensembles.
    • Opérations de base sur les structures de données.
    • Comparaison avec les structures de données en R.

  3. Séance 3 : Fonctions et modules :

    • Définition et utilisation des fonctions.
    • Concepts de portée et de durée de vie des variables.
    • Utilisation des modules et des packages.
    • Comparaison avec les fonctions et packages en R.

  4. Séance 4 : Programmation orientée objet en Python :

    • Concepts de base de la programmation orientée objet.
    • Définition des classes et des objets.
    • Héritage, polymorphisme et encapsulation.
    • Intégration avec les concepts de programmation en R.

  5. Séance 5 : Introduction à la science des données avec Python :

    • Bibliothèques Python pour la science des données (NumPy, pandas, Matplotlib).
    • Importation et manipulation de données.
    • Visualisation de données avec Matplotlib.
    • Comparaison et intégration avec les outils de science des données en R.

  6. Séance 6 : Projets pratiques et études de cas :

    • Développement de scripts Python pour résoudre des problèmes réels.
    • Analyse et discussion de cas d'études.
    • Intégration des compétences Python avec les outils R pour des projets en science des données.

Méthodologie :

  • Cours magistraux : Présentations et discussions dirigées par des experts en programmation Python et R.
  • Travaux pratiques : Sessions de laboratoire pour expérimenter avec Python et son intégration avec R.
  • Études de cas : Analyse approfondie de projets réels utilisant Python et R.
  • Projets en groupe : Développement de solutions pratiques en équipe, avec des présentations finales.

Ressources :

  • Lectures recommandées : Livres et tutoriels sur Python et R.
  • Outils et logiciels : Accès aux environnements de développement Python et R, ainsi qu'aux bibliothèques nécessaires.
  • Invités spéciaux : Conférences et discussions avec des professionnels et chercheurs utilisant Python et R.

Ce cours vise à fournir aux étudiantes une compréhension solide des bases de Python et à les préparer à utiliser ce langage en complément de leurs compétences en R pour divers contextes, y compris la science des données.


Cours 12. Introduction à Julia pour les utilisatrices de R

Introduction à Julia pour utilisatrices de R

Objectifs du cours :

  • Acquérir une compréhension de base du langage de programmation Julia.
  • Apprendre à écrire des scripts Julia pour des tâches courantes.
  • Comparer et intégrer Julia avec R pour des applications en science des données.

Contenu du cours (6 séances) :

  1. Séance 1 : Introduction à Julia :

    • Histoire et évolution de Julia.
    • Installation et configuration de l'environnement Julia.
    • Syntaxe de base et structures de contrôle.
    • Comparaison avec R : similarités et différences.

  2. Séance 2 : Types de données et structures de données :

    • Types de données de base (entiers, flottants, chaînes, booléens).
    • Tableaux, matrices, dictionnaires et ensembles.
    • Opérations de base sur les structures de données.
    • Comparaison avec les structures de données en R.

  3. Séance 3 : Fonctions et modules :

    • Définition et utilisation des fonctions.
    • Concepts de portée et de durée de vie des variables.
    • Utilisation des modules et des packages.
    • Comparaison avec les fonctions et packages en R.

  4. Séance 4 : Programmation orientée objet en Julia :

    • Concepts de base de la programmation orientée objet.
    • Définition des classes et des objets.
    • Héritage, polymorphisme et encapsulation.
    • Intégration avec les concepts de programmation en R.

  5. Séance 5 : Introduction à la science des données avec Julia :

    • Bibliothèques Julia pour la science des données (DataFrames.jl, Plots.jl, etc.).
    • Importation et manipulation de données.
    • Visualisation de données avec Plots.jl.
    • Comparaison et intégration avec les outils de science des données en R.

  6. Séance 6 : Projets pratiques et études de cas :

    • Développement de scripts Julia pour résoudre des problèmes réels.
    • Analyse et discussion de cas d'études.
    • Intégration des compétences Julia avec les outils R pour des projets en science des données.

Méthodologie :

  • Cours magistraux : Présentations et discussions dirigées par des experts en programmation Julia et R.
  • Travaux pratiques : Sessions de laboratoire pour expérimenter avec Julia et son intégration avec R.
  • Études de cas : Analyse approfondie de projets réels utilisant Julia et R.
  • Projets en groupe : Développement de solutions pratiques en équipe, avec des présentations finales.

Ressources :

  • Lectures recommandées : Livres et tutoriels sur Julia et R.
  • Outils et logiciels : Accès aux environnements de développement Julia et R, ainsi qu'aux bibliothèques nécessaires.
  • Invités spéciaux : Conférences et discussions avec des professionnels et chercheurs utilisant Julia et R.

Ce cours vise à fournir aux étudiantes une compréhension solide des bases de Julia et à les préparer à utiliser ce langage en complément de leurs compétences en R pour divers contextes, y compris la science des données.