Résumé

• les variables ;
• les structures de contrôle ;
• les listes, les chaînes de caractères, les dictionnaires ;
• les fichiers ;
• les expressions rationnelles.

Objectif(s)

Compétences et apprentissages visés

Volume d'enseignement

Cours : 10h
TP : 10h

Nombre de Crédits Européens

2

Modalités de Contrôle des Connaissances et de Compétences

Épreuve écrite CM : 20%
Épreuve écrite TP : 80%

Contenu de l'Unité d'Enseignement

• le langage de structuration de pages Hyper Text Markup Language HTML5
• le langage de description de style Cascading Style Sheet CSS3
• les extensions de type Canvas, SVG, MathML, Highcharts/Googlecharts etc
• les formulaires utilisateurs et les actions serveur (essentiellement en PHP)
  
• le langage à balisage markdown (utilisation du façonneur pandoc, de codimd, du markdown de github etc)
• une introduction au langage côté client JavaScript

Compétences et connaissances acquises à l'issue de cette Unité d'Enseignement

À l'issue de cet enseignement, l'étudiant pourra :

• comprendre les mécanismes à mettre en œuvre pour la conception d'un site www simple
• modifier et étendre un site www existant

Volume d'enseignement

Cours : 8h
TP : 16h

Nombre de Crédits Européens

2

Modalités de Contrôle des Connaissances et de Compétences

Épreuve écrite TP : 100%

Contenu de l'Unité d'Enseignement

• environnement Linux et connexion à des serveurs distants avec ou sans VPN
• langage bash et son interface graphique yad
• aperçu des langages AWK et sed
• traitement de flux de données : présentation de certains pipelines (Nextflow, snakemake etc)
• machines virtuelles et containeurs : docker, singularity

Compétences et connaissances acquises à l'issue de cette Unité d'Enseignement

À l'issue de cet enseignement, l'étudiant pourra :

• créer ses propres scripts bash et modifier des scripts existants
• mettre en place une chaîne de traitement en utilisant un système de pipeline de type Nextflow ou snakemake ou autre
• utiliser docker de façon à travailler sur un container ou à créer un container

Programme et objectifs:

Ce module a pour objectif la maîtrise des outils d'analyse, calcul et visualisation de données en Python: NumPy, SciPy, Pandas et Matplotlib. Le module permettra aussi une première prise en main de la bibliothèque Scikit-learn pour une initiation pratique à l'utilisation des méthodes d'apprentissage automatique. Le cours intègre, pour chaque outil, un apprentissage des techniques de manipulation et de traitement de données, il est ensuite mis en application lors de travaux pratiques. Les cas d'études traduisent des problématiques du monde de la bio-informatique comme la manipulation des données du génome humain de référence ou de la classification d'espèces. L'objectif étant de concevoir des projets qui vont de l’importation et le prétraitement de données nécessaires jusqu'à la visualisation des résultats de l'analyse.

Modalités d'évaluation:

L'enseignement s'organise en CM et en TP en salle informatique. Le cours présente sa documentation essentiellement en langue anglaise. Il a lieu en présentiel (18h : 6h CM, 12h TP). L'UE est évaluée en contrôle continu intégral par travaux pratiques.

Pré-requis:

Programmation Python.

Compétences attestées :

• Maîtriser les bibliothèques Python d’exploration de données et de calcul scientifique.
• Manipulation avancée de séries, de tableaux de données hétérogènes et de tableaux de calcul.
• Collecter des données, les organiser, les traiter, et les transformer en informations exploitables.
• Identifier les caractéristiques structurantes des données, les transformer et les visualiser.
• Programmer et résoudre un problème d’optimisation numérique (linéaire, non linéaire). Interpréter les résultats.
• Choisir et mettre en œuvre les différents modèles d'apprentissage. Mesurer, comparer et analyser la qualité des prédictions.

Objectifs :

L'étudiant devra apprendre à maitriser la statistique bivariée tout d'abord en comprenant la notion de corrélation puis en s'appropriant les différentes étapes de la modélisation statistique, du choix du modèle à son utilisation en passant par la validation et la qualité de ce modèle.

Contenu :

_ Corrélation entre deux variables (Pearson, Spearman): notion et tests de corrélation.

_ Régression linéaire simple : les différentes étapes de la modélisation sur des exemples.

_ ANOVA : tests de comparaisons de plusieurs moyennes

_ Régression non-linéaire simple et problème de choix de modèles.

La totalité de l'enseignement se fera en salle machine en utilisant le logiciel R. L'enseignement se fera par des études de cas : présentation du problème biologique, du protocole expérimental et des données obtenues puis un traitement statistique.

Volume horaire : 42h (12h CM, 6h TD, 24h TP)
Évaluation : Devoir Maison + CC écrit

Programme :
• Statistique exploratoire multidimensionnelle : ACP, AFC.
• Classification supervisée : arbres de décision, k-plus proches voisins.
• Classification non supervisée : Kmeans, CAH, Modèles de mélange.
• Mise en œuvre sous R. Manipulation du logiciel R, fonctions graphiques pour l'exploration et l'analyse de données.

Pré-requis :
• savoir : bases d'algèbre linéaire, diagonalisation de matrices, changement de bases.
• savoir-faire : logiciel R.
• équivalent UE existante : M1S1 Algèbre linéaire.

Stage de bioinformatique de 4 mois minimum en France ou à l'étranger - M1 BIMS et M2 CCB4