Objectifs :
Vous prenez des notes et vous voulez vous y retrouver ? Vous faites des calculs sur ordinateur et vos résultats changent d’un jour à l’autre ? Vous aimeriez partager avec vos collègues vos analyses de données et vos derniers travaux et qu’ils puissent les réutiliser ? Ce Mooc est pous vous, quelque soit votre domaine.
Le cours aborde de manière pratique des thématiques telles que la prise de notes, le document computationnel, la réplicabilité des analyses.
À l’issue de ce MOOC, vous aurez acquis les techniques vous permettant de préparer des documents computationnels réplicables et de partager en toute transparence les résultats de vos travaux.

Programme :
Vous vous formerez à des environnements de rédaction et de publication ainsi qu'à des outils variés et fiables, pouvant répondre aux besoins de nombreuses disciplines :


Markdown pour la prise de note structurée : ce langage fonctionne avec peu de balises et permet d'automatiser la production de documents de recherche notamment grâce à ses nombreux formats de sortie (PDF, HTML, Word, ...)
des outils d'indexation (DocFetcher et ExifTool)

GitLab pour le suivi de version et le travail collaboratif. Cet outil n'est pas réservé aux développeurs. Il facilite la révision de textes rédigés à plusieurs voire seul et au long cours : on peut par exemple connaitre les raisons qui ont poussé à apporter tel changement ou encore consulter une version antérieure du document. Dans la 3e session du Mooc, vous trouverez des vidéos sur git/GitLab pour les débutants.

Notebooks pour combiner efficacement calcul, représentation et analyse des données

Nous proposons dans ce MOOC trois parcours différents utilisant chacun une technologie de Notebook :

Le premier parcours repose sur Jupyter et le langage Python (ou R). Il ne nécessite aucune installation de votre part sur votre ordinateur.
Le deuxième parcours repose sur RStudio et le langage R.
Le troisième parcours repose sur Emacs/Org-Mode et les langages Python et R.
Nous vous présenterons également les enjeux et les difficultés de la recherche reproductible.

Pour illustrer et approfondir certaines notions, vous pourrez écouter ou lire des interviews de nombreux chercheurs de domaines différents.

Plan du cours :

Posons le décor : La reproductibilité, en crise ? Reproductibilité et transparence
Module 1 : Cahier de notes, cahier de laboratoire
Module 2 : La vitrine et l’envers du décor : le document computationnel
Module 3 : La main à la pâte : une analyse réplicable
Module 4 : Vers une étude reproductible : la réalité du terrain

Pré-requis :
Le premier module ne requiert aucune connaissance particulière. Dès le deuxième module, une connaissance des bases du langage Python (librairies pandas, numpy et matplotlib) ou du langage R est nécessaire.
Dans le quatrième module, nous traitons des sujets plus spécialisés dont chacun peut nécessiter des compétences particulières.
Une familiarité avec l'analyse de données et les statistiques est nécessaire pour certains exercices de cette session.
Néanmoins, même si vous ne parvenez pas à réaliser totalement ces exercices, cela ne vous empêchera pas de vous former sur de nombreux outils et méthodes pour la recherche reproductible.

Equipe pédagogique :
Konrad Hinsen est chercheur CNRS au Centre de Biophysique Moléculaire à Orléans et au Synchrotron SOLEIL à Saint Aubin. Il explore la structure et la dynamique des protéines par des méthodes computationnelles, qu’il tente de rendre reproductibles. Arnaud Legrand est chercheur CNRS au Laboratoire d’Informatique de Grenoble. Il s’intéresse à l’évaluation de la performance de grandes infrastructures. Que ça soit lors de l’expérimentation ou lors de l’analyse des mesures, il est indispensable de capturer rigoureusement le processus utilisé. Christophe Pouzat est chercheur CNRS au laboratoire MAP5, mathématiques appliquées à Paris-Descartes. Il est en fait neurophysiologiste et travaille sur l’analyse de données ; la recherche reproductible lui permet une communication explicite avec les expérimentateurs, ce qui évite bien des erreurs.

Méthode pédagogique :
Ce cours est proposé sous la forme d'un Mooc.
Ce MOOC est composé de quatre modules qui combinent des vidéos de cours, de nombreuses ressources notamment sur l'installation et l'utilisation des outils présentés (sous forme de vidéos ou de pages web), des quizz, et des exercices pour la mise en pratique des méthodes présentées.
Les exercices sont basés sur des cas concrets, permettent aux apprenants d’être en situation de recherche.
Pour réaliser ces projets, nous proposons trois parcours, chacun utilisant une technologie différente pour écrire des documents computationnels (Jupyter, Rstudio ou Emacs/Org-mode). Un de ces parcours, Jupyter, ne nécessite aucune installation de la part de l'élève car chacun dispose d'un espace Jupyter intégré à FUN.
De plus, pour favoriser les aspects collaboratifs de la formation, un espace personnalisé et accessible à tous a été mis en place pour chaque élève via l’outil Gitlab.

Les Compétences et capacités visées à l'issue de la formation (fiches RNCP)

Arrêté du 22 février 2019 définissant les compétences des diplômés du doctorat et inscrivant le doctorat au répertoire national de la certification professionnelle. https://www.legifrance.gouv.fr/loda/id/JORFTEXT000038200990/

Bloc 2 : Mise en œuvre d’une démarche de recherche et développement, d’études et prospective

- Garantir la validité des travaux ainsi que leur déontologie et leur confidentialité en mettant en œuvre les dispositifs de contrôle adaptés

Bloc 3 : Valorisation et transfert des résultats d’une démarche R&D, d’études et prospective

- Mobiliser les techniques de communication de données en « open data » pour valoriser des démarches et résultats

La formation participe à l'objectif suivant :former à la science ouverte