URFIST : Formations du 1er semestre 2019

Formations dédiées à l'information et l'édition scientifique et technique et au droit appliqué à la recherche

L’unité régionale de formation à l’information scientifique (Urfist) de Bordeaux propose des formations dédiées à l’information et l’édition scientifique et technique et au droit appliqué à la recherche.

Les formations sont gratuites pour : les doctorants, les chercheurs et enseignants-chercheurs, les personnels scientifiques des universités et des EPST.

> Les formations

Workshops, hackathon

07/03 : [save the date] Meet up « To cheat or not to cheat : The dark side of data science » ; organisé en partenariat avec l’école doctorale « Mathématiques et informatique », Université de Bordeaux

08/03 : Un hackathon dataviz pour aider une ONG. De la théorie aux (bonnes) pratiques de la data visualisation

L’Urfist de Bordeaux s’associe à Viz for Social Good pour permettre à une ONG de s’appuyer sur les compétences en dataviz de scientifiques.

Les ONG ont des données à traiter pour défendre leurs activités, les faire comprendre, les analyser.

Vous êtes doctorant.e, chercheur.se, personnel scientifique et vous recourez régulièrement aux techniques de dataviz? ce hackathon est fait pour vous.

29/03 : Repenser la robustesse et la fiabilité en recherche : les chercheurs face à la crise de la reproductibilité ; journée organisée en partenariat avec le CNRS (délégation Aquitaine), le Centre Inria Bordeaux – Sud-Ouest, l’Université de Bordeaux (pôle RHDS)

Concevoir et rédiger des écrits scientifiques, produire et gérer des données scientifiques

Bonnes pratiques de programmation, statistiques (des méthodes conventionnelles aux méthodes robustes), dataviz, data wrangling, optimisation, algorithmes reproductibles et performants, traitement des données manquantes ou imprécises sous R …

29-30/11, 09-10/04 : Perfectionner sa pratique de Stat R : analyse de variance et analyse multivariée, régressions (stage sur 2 jours)

07/12 : Créer des modèles prédictifs avec R en présence de données manquantes : arbres de décision

10-11/12 : Science collaborative : introduction à Git et GitHub pour gérer et valoriser ses projets de recherche (stage sur 2 jours)

14/12 : « Save my ACP »: revoir son raisonnement ou changer de méthode ? Atelier « Bring your data »

15-16/01 : Publier mieux et plus vite : rédaction scientifique en sciences du vivant et de la santé (stage sur 2 jours)

22-23/01, 26-27/03 : Analyse statistique et création de graphiques avec Stat R : initiation (stage sur 2 jours)

30/01 : Évaluation et synthèse des connaissances, identification des faits avérés : introduction aux revues systématiques

Identifier tous les faits avérés publiés et non publiés sur un sujet en particulier, dans le but d’avoir une vue d’ensemble objective et transparente sur ce sujet
Limiter les biais, notamment le selective reporting

31/01 : Data wrangling avec DplyR : initiation à la manipulation de données tabulaires sous R

19-20/02, 12-13/03 : Premiers pas en programmation avec Python : initiation (stage sur 2 jours)

06/03 : Bonnes pratiques de programmation en Python : versionner, documenter, créer des packages

Concevoir un code plus fiable en mettant en œuvre des pratiques inspirées par les Python Enhancement Proposals
Documenter efficacement son code pour soi et pour les autres
Gérer ses scripts
Concevoir des packages adaptés à ses besoins
Lancer rapidement son application en développement

07/03 : Optimisation en Python : type de base, profiling, multi-thread et multi-processing

Choisir le type de base ad hoc pour l’utilisation souhaitée (variables, données, etc.)
Mettre en œuvre une stratégie d’optimisation maîtrisée : diagnostiquer précisément les parties du code à améliorer, hiérarchiser les besoins, concevoir une stratégie sur le long terme

08/03 : Traiter les données manquantes et les données imprécises avec R : bring your data

Déterminer le type de données manquantes qui vous concerne
Comprendre l’impact des données manquantes et mesurer les dégâts qu’elles engendrent sur les données présentes
Traiter les données manquantes par génération de valeurs avec R
Mener l’analyse finale après régénération de données avec R
Traiter les imprécisions de mesures et mener l’analyse finale
Traiter les problèmes de limites de détection

28/03 : Statistiques : méthodes robustes et méthodes conventionnelles. Quelles méthodes pour quels résultats?

Fournir un panorama critique des méthodes statistiques prioritairement pour un public de non statisticiens. La formation peut aussi s’adresser à des spécialistes souhaitant actualiser leurs connaissances (la formation mêle apports méthodologiques et exercices)
Identifier les limites des méthodes traditionnelles, notamment en termes de puissance statistique et de résultats vecteurs d’interprétations erronées
Identifier quand, comment et pourquoi certaines techniques statistiques plus modernes doivent être mobilisées

01-02/04 : Simuler, tester, optimiser : initiation au calcul scientifique avec Python (stage sur 2 jours)

03-04/04 : Développer un code modulaire et facile à gérer : initiation à la programmation objet en Python (stage sur 2 jours)

11/04 : Dataviz avancée sous R : bien choisir son package, mettre en œuvre une stratégie de visualisation pour ses données

12/04 : Concevoir des algorithmes reproductibles et performants : diagnostiquer un code de calcul haute performance

Appréhender les liens entre reproductibilité et justesse du résultat
Approfondir la compréhension de l’arithmétique des ordinateurs
Comprendre le fonctionnement des briques algorithmiques de base permettant d’améliorer la qualité des codes : algorithmes compensés, précision étendue, accumulateurs de Kulisch, etc.
Savoir implémenter ces méthodes dans un code HPC (ex. algorithmes de type BLAS1/BLAS2)

17/05 : Construire des modèles de régression avec R : bring your data