Objectifs d’apprentissage¶
- Démontrer des compétences de calcul en Python et en carnets (notebooks) Jupyter
- Créer un dépôt GitHub documenté
- Démontrer la maîtrise du clonage, de l’ajout, du push, du pull, des branches, des pull requests et de la contribution par issues GitHub
- Reconnaître les différences entre un environnement local, un JupyterHub distant, l’architecture d’un système HPC et un système cloud
- S’exercer à installer des logiciels Python open source dans tout environnement Linux
- Installer un assistant de code IA agentique dans son éditeur ou son terminal, et l’utiliser avec discernement : vous le dirigez, vous vérifiez ses sorties, vous déclarez son rôle
- Énoncer la politique d’usage de l’IA du cours et ce qu’elle exige de vous (voir 1.8 L’IA dans votre flux de travail)
Le chapitre se termine par 1.9 Installer votre poste de travail (Devoir 1), un parcours numéroté qui vous mène d’une machine nue à un environnement de travail vérifié et à votre propre dépôt de cours. C’est le premier devoir noté ; chaque étape précise à quoi ressemble la réussite, et les utilisateurs de Windows disposent d’un chemin officiel via WSL2 ou GitHub Codespaces.
Partir de zéro¶
C’est possible ! Les ressources ci-dessous aident à démarrer. MLGeo attend des étudiants qu’ils maîtrisent l’essentiel du contenu des Software Carpentries :
Leçons à consulter (en anglais) :
- Toutes les leçons sur Unix
- Les leçons sur Git, largement reprises en cours
- Python : manipuler les types de variables, dont les tableaux et les listes, les boucles
for, les instructionsif, créer des fonctions - Tracer avec Matplotlib : savoir produire des figures simples, avec sous-figures et axes légendés
Projet final¶
Le cours est fondé sur un projet dès la première semaine. Lisez tôt la description et la grille d’évaluation du projet final, pour savoir où mène le trimestre.