Science des données au féminin en Afrique

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.

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.

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.

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.