Ressources pédagogiques

Ressources pédagogiques#

À propos de ces ressources

Cette page recense des ressources pédagogiques libres pour découvrir la programmation, le calcul et le traitement de données avec Jupyter, Python, C++, etc. Pour une bonne part, ce sont des supports de cours de formations de licence la Faculté des Sciences d’Orsay; bien entendu une partie des informations contenues dans ces supports ne sera pas pertinentes dans un contexte plus large: planning, modalités d’évaluation, etc.

Ces ressources servent notamment de support d’un dispositif expérimental annuel d’accompagnement des étudiants et personnels de l’Université Paris-Saclay sur ces thématiques. Pour les informations sur l’édition 2024-2025, voir l”espace sur e-campus. Dans le cadre de ce dispositif, n’hésitez pas à nous consulter si vous souhaitez travailler sur d’autres supports (MOOC, …) ou vos projets propres; nous vous indiquerons si nous sommes en capacité de vous accompagner dessus.

Attention

🚧Les instructions pour utiliser les ressources pédagogiques ci-dessous n’ont pas encore été complètement mises à jour pour 2024-2025.🚧

Comment utiliser ces ressources

Pour la plupart des ressources ci-dessous, nous proposons des instructions permettant leur utilisation en ligne sans avoir à installer de logiciel. Selon les cas, ces instructions proposent

  • Une utilisation sur le service MyDocker@Paris-Saclay, ouvert aux enseignants et personnels de L’Université Paris-Saclay, ou plus généralement d’un établissement de la Fédération Enseignement Supérieur et Recherche.

  • Une utilisation dans le navigateur (JupyterLite), sans restriction d’accès, mais sans persistance des données.

Tutoriel de prise en main des carnets Jupyter#

Site web, Ouvrir avec MyDocker@Paris-Saclay, Utilisation anonyme dans le navigateur.

Objectif pédagogique

Se familiariser avec l’environnement interactif de calcul Jupyter, d’une première découverte à une utilisation plus avancée.

Prérequis: aucun

À propos

Ce tutoriel est produit dans le cadre de SaclAI-School. Il a pour vocation de fournir socle commun de fiches réutilisables pouvant être insérée dans les différents cours utilisant JupyterLab, à Saclay ou ailleurs. Il peut aussi être utilisé de façon autonome.

Auteurs: Souphiane Jender et Nicolas M. Thiéry

Par où commencer

  1. Connectez vous au service MyDocker@Paris-Saclay avec vos identifiants Adonis et «demandez un environnement».

  2. Cliquez sur le bouton «Connexion à l’interface» pour le «Tutoriel JupyterLab».

  3. Suivez les instructions de la feuille de prise en main et explorez ensuite à volonté. Vous pourrez par exemple travailler sur les trois premières feuilles, puis revenir ultérieurement pour approfondir votre maîtrise de l’environnement.

Introduction à la programmation, avec Python et Jupyter#

Site web Dépôt Git, Ouvrir avec MyDocker@Paris-Saclay.

Objectif pédagogique

Découvrir les bases de la programmation (prérequis: aucun).

  • Découvrir en jouant

  • Calculer: expressions, valeurs, variables, types

  • S’adapter au contexte: les conditionnelles

  • Répéter: les boucles

  • Structurer un programme: les fonctions

  • Structurer les données: les tableaux (listes), les tableaux numpy, les tables pandas

  • Communiquer: Entrées Sorties (en cours)

À propos

Ce support de cours est produit avec l’appui de SaclAI-School, par mutualisation de matériel pédagogique de différents cours existants. Il a pour vocation à devenir un socle commun de fiches réutilisables pour divers cours d’introduction à la programmation, à Saclay ou ailleurs. Il peut aussi être utilisé de façon autonome.

Auteurs: Éléonore Bartenlian, Viviane Pons, Nicolas M. Thiéry et al.

Par où commencer

  1. Connectez vous à l’environnement Jupyter et Python du service MyDocker@Paris-Saclay, choisissez votre établissement et «demandez un environnement».

  2. Cliquez sur le bouton «Connexion à l’interface» pour «Cours: Introduction à la programmation, avec Python».

  3. Suivez les instructions de la page d’accueil.

Autres cours d’introduction à la programmation en Python#

Le MOOC Python d’Inria sur FUN-MOOC: des fondamentaux aux concepts avancés du langage.#

Site web

Par où commencer

Vous pouvez suivre ce MOOC directement sur FUN-MOOC en suivant le lien ci-dessus, ou bien télécharger les ressources. Depuis votre environnement Jupyter, ouvrez le Terminal et tapez la commande suivante:

git clone https://github.com/geilerloui/Python.git

Le MOOC Python d’Openclassroom: pour débutants#

Site web

Programmation pour les Géosciences#

Attention

Les instructions pour ce cours n’ont pas encore été mises à jour pour 2024-2025

Dépôt Git, Ouvrir avec MyDocker@Paris-Saclay.

Objectif pédagogique

Découvrir les bases de la programmation et du calcul avec Python.

À propos

Cette UE d’introduction à la programmation et au calcul en Python est donnée aux étudiants de L3 en géosciences à la Faculté des Sciences d’Orsay.

Par où commencer

  1. Connectez vous à l’environnement Jupyter et Python du service MyDocker@Paris-Saclay, choisissez votre établissement et «demandez un environnement».

  2. Cliquez sur le bouton «Connexion à l’interface» pour «Programmation pour les géosciences».

  3. Suivez les instructions de la page d’accueil. Note: seules les premières feuilles du cours sont disponibles ici.

Méthodes numériques#

Site web, Ouvrir avec MyDocker@Paris-Saclay.

Objectif pédagogique

Méthodes Numériques en L1: Initiation au calcul numérique

Détails

Il n’y a pas de prérequis en programmation, mais la progression est rapide. Les exemples traités, notamment pour le calcul numérique font l’hypothèse d’un public avec un bagage mathématique de terminale (maths spécialités ou complémentaires).

  • Programmation en Python: variables, listes, fonctions, tableaux (numpy), visualisations simples.

  • Calcul numérique: analyse de données, intégrales, statistiques, nombres aléatoires, interpolation.

Méthodes Numériques en L2 et L3: approfondissement du calcul numérique.

À propos

Méthodes Numériques est une série de trois UEs (unités d’enseignement) des formations de L1 maths-physique puis physique (L2, L3) et de la licence double diplôme associée à la Faculté des Sciences d’Orsay.

Enseignants: Jérémie Neveu et al.

Attention

Les instructions pour ce cours n’ont pas encore été mises à jour pour 2024-2025

Par où commencer

  1. Connectez vous à l’environnement Jupyter et Python et bibliothèques scientifiques du service MyDocker@Paris-Saclay, choisissez votre établissement et «demandez un environnement».

  2. Cliquez sur le bouton «Connexion à l’interface» pour «Méthodes Numériques».

  3. Suivez les instructions de la page d’accueil. Si vous êtes déjà familier avec la programmation Python, vous pouvez passer rapidement sur les premières séances.

Introduction à la programmation impérative#

Site web

Objectif pédagogique

Cette UE est une introduction aux bases de la programmation impérative (en C++): variables, types, conditionnelles, boucles, fonctions, tableaux (1D et 2D), chaînes ce caractères, fichiers, compilation séparée. Elle mets un accent sur les bonnes pratiques (tests, documentation, débogage, programmation modulaire), et donne au passage des aperçus de ce qu’est l’informatique, en tant que science.

À propos

Cette UE est donnée aux étudiants de L1 Math-Info et des Licences double diplôme associées à la Faculté des Sciences d’Orsay.

Enseignants: Nicolas Thiéry et al.

Par où commencer

  1. Suivez les consignes de la Case Départ pour télécharger la séance Semaine1; vous pouvez directement commencer par le TP et travailler ultérieurement le cours et le TD.

  2. Pour les séances suivantes (Semaine2, …), il est impératif de commencer par lire les notes de cours et effectuer le TD.

Initiation à la Science des Données#

Site web, Ouvrir avec MyDocker@Paris-Saclay.

Objectif pédagogique

Cette UE est une initiation à la Science des données. Les premières séances sont consacrées à des premières analyse de données en Python, pour répondre à diverses questions en s’appuyant sur de la visualisation de données et des tests statistiques simples, à l’aide des bibliothèques Pandas, Numpy, Matplotlib et Seaborn. Les séances suivantes visent à donner un aperçu complet d’une chaîne de traitement en apprentissage statistique, du prétraitement des données à l’interprétation, avec comme fil directeur de la classification automatique d’images.

Prérequis: connaître les bases de la programmation Python.

À propos

Cette UE est donnée au deuxième semestre du L1 math-info de la faculté d’Orsay.

Enseignants: Fanny Pouyet, Nicolas Thiéry et al.

En savoir plus sur le cours

Par où commencer

  1. Connectez vous au service MyDocker@Paris-Saclay avec vos identifiants Adonis et «demandez un environnement».

  2. Cliquez sur le bouton «Connexion à l’interface» pour «Initiation à la Science des Données».

  3. Suivez les instructions de la page d’accueil. Si vous êtes déjà familier avec la programmation Python, vous pouvez passer rapidement sur les premières séances.

Le MOOC scikit-learn d’Inria sur FUN-MOOC#

Site web

Objectif pédagogique

Approfondir la science des données avec Scikit-learn

Par où commencer

Vous pouvez:

  • Suivre le MOOC, avec quizz, support et certification sur FUN-MOOC.

  • Consulter en ligne le matériel pédagogique.

  • Visionner les vidéos.

  • Télécharger le matériel pédagogique pour travailler dessus depuis myDocker: ouvrez un terminal avec New -> Terminal et tapez la commande suivante:

    git clone https://github.com/INRIA/scikit-learn-mooc.git

Fidle: MOOC d’introduction à l’apprentissage profond#

Site web