Ce projet propose une formation en apprentissage automatique appliquée aux sciences environnementales et au secteur énergétique. Il utilise des notebooks Python pour enseigner l'analyse de données climatiques et énergétiques, en combinant méthodes statistiques traditionnelles et techniques avancées de machine learning. Les étudiants apprennent à extraire des motifs pertinents, modéliser des relations entre variables et prédire des tendances pour prendre des décisions éclairées dans des contextes environnementaux concrets.

Ce projet propose une formation complète en apprentissage automatique appliqué aux sciences du climat et au secteur de l'énergie. Il combine des cours théoriques et des travaux pratiques sur des données réelles pour enseigner aux étudiants comment extraire des motifs pertinents, prédire des variables et optimiser des processus. Les cas concrets incluent l'analyse de données de capteurs pour améliorer l'efficacité énergétique des bâtiments ou l'exploitation de prévisions climatiques pour anticiper les tendances futures.

Formation dispensée par l'Université de Lausanne (UNIL) pour initier les participants à la programmation en Python, avec un focus sur les applications en sciences humaines et sociales. Les séances couvrent les bases du langage, la manipulation de données avec des bibliothèques comme Pandas, et la création de visualisations. Destinée aux chercheurs, étudiants et professionnels souhaitant acquérir des compétences en analyse de données.

Ce projet est une formation en présentiel de 7 heures destinée aux sciences humaines et sociales. Il couvre les bases du langage Python, l'installation et la recherche de bibliothèques, l'utilisation de la bibliothèque Pandas pour manipuler des données, et des exemples d'usages un peu plus avancés. L'objectif est de se doter des compétences pour identifier les usages possibles et de poser les bases de l'autonomie dans l'apprentissage.

RDFNeo est un outil conçu pour convertir et exploiter des données au format RDF (Resource Description Framework) dans des bases de graphes Neo4j. Il facilite l'intégration de données sémantiques dans des environnements orientés graphes, permettant une analyse plus intuitive et performante des relations entre entités. Utilisé dans des domaines comme la recherche, l'industrie ou les sciences des données, il optimise les requêtes complexes et améliore la visualisation des réseaux sémantiques.

Ce projet vise à fournir une formation méthodologique en Python pour les sciences humaines et sociales au Centre Émile Durkheim à Bordeaux. Il couvre les bases de la programmation Python, l'utilisation de bibliothèques pour le traitement de données et la manipulation de données avec la bibliothèque Pandas.

Ce projet propose des formations en Python destinées aux chercheurs et professionnels des sciences humaines et sociales (SHS). Il couvre l'introduction à Python et le traitement de données textuelles, avec des sessions organisées par l'URFIST Paris en 2026. Les participants apprennent à manipuler des jeux de données et à appliquer des méthodes d'analyse modernes.

Le projet SHiNeMaS-Tutorial est un dépôt de code source dédié à la gestion et l'analyse de données environnementales. Il permet de créer des instances de tutoriel SHiNeMaS pour la formation et la recherche en sciences de l'environnement. Ce dépôt inclut des scripts exécutables et des jeux de données pour faciliter la prise en main de l'outil.

Ce projet est une ressource pédagogique destinée aux étudiants de l'Université Grenoble Alpes (UGA) et aux formations associées comme l'ERCA. Il fournit des supports pratiques pour des travaux en data science, incluant des notebooks Jupyter et des jeux de données. Les étudiants peuvent cloner le dépôt pour accéder aux matériaux de cours et les utiliser dans leur environnement de travail.

Ce projet propose une formation complète à Python destinée aux chercheurs et étudiants en sciences humaines et sociales. Il couvre les bases de la programmation, l'algorithmie, et l'utilisation de bibliothèques scientifiques comme Pandas, NumPy et Matplotlib pour analyser des données et visualiser des résultats.