Skip to content
Snippets Groups Projects

Objectifs

Last edited by Vincent GUILLEMOT

Objectifs du cours « Python scientifique»

Mercredi 20 septembre 2023

François Laurent, Bertrand Néron, Vincent Guillemot, Étienne Kornobis

Objectifs

  • Savoir importer des données dans un environnement Python
  • Savoir appliquer des méthodes univariées : t-test, régression linéaire, ANOVA, test du Chi-deux d’indépendance ou de comparaison des proportions, tests non paramétriques
  • Savoir appliquer des méthodes multivariées : ACP, classification ascendante hiérarchique, distances
  • Savoir visualiser des données et des résultats d’analyse
  • Savoir réaliser un rapport d’analyse statistique avec Jupyter

Objectifs supplémentaires

Connaître les concepts clefs du Machine Learning : apprentissage, test, biais, classification, validation croisée, scoring. Savoir construire un pipeline de Machine Learning avec scikitlearn. Quelles sont les méthodes ?

Prérequis

  • Maîtriser la manipulation de chemins d’accès aux fichiers
  • Savoir faire une boucle et des boucles imbriquées
  • Comprendre la notion de classe et d’objet en Python, et savoir utiliser des objets
  • Avoir des connaissances de base en statistique
  • Être familier avec les environnements virtuels

[ENGLISH] Course Objectives for "Scientific Python"

Wednesday, September 20, 2023

François Laurent, Bertrand Néron, Vincent Guillemot, Étienne Kornobis

Objectives:

  • Know how to import data into a Python environment.
  • Understand and apply univariate methods: t-test, linear regression, ANOVA, Chi-square test of independence or comparison of proportions, non-parametric tests.
  • Understand and apply multivariate methods: PCA (Principal Component Analysis), hierarchical clustering, distances.
  • Know how to visualize data and analysis results.
  • Know how to create a statistical analysis report using Jupyter.

Additional Objectives:

  • Understand key concepts of Machine Learning: learning, testing, bias, classification, cross-validation, scoring. Know how to build a Machine Learning pipeline with scikit-learn.

Prerequisites:

  • Proficiency in manipulating file paths.
  • Ability to create loops and nested loops.
  • Understanding the concept of class and object in Python, and ability to use objects.
  • Basic knowledge of statistics.
  • Familiarity with virtual environments.