Ce projet consiste en une étude de la signature énergétique des bâtiments à partir de données nationales, en utilisant l'inférence bayésienne pour définir des archétypes statistiques de bâtiments. Il contient le code et les données utilisés pour la publication [Bayesian inference of dwellings energy signature at national scale: case of the French residential stock](https://www.mdpi.com/1262982) dans MDPI Energies.

Ce projet a pour but de développer des méthodes pour l'inférence et le regroupement de guildes microbiennes à partir de données d'écosystèmes microbiens. Il utilise des techniques statistiques et d'apprentissage automatique pour identifier et caractériser les guildes, qui sont des groupes de micro-organismes interagissant entre eux dans un écosystème donné.

Ce projet vise à fournir une formation en ligne sur la programmation en Python et l'analyse de données. Les modules couvrent les bases de la programmation, la manipulation de données avec la bibliothèque Pandas, les statistiques descriptives et inférentielles, les modèles avancés de régressions et clustering, et la collecte de données sur internet et l'utilisation d'API.

Ce module est destiné aux scientifiques souhaitant s'approprier les bases de la statistique descriptive et inférentielle. Il vise une initiation à la résolution de problème par une approche stochastique. Les concepts d'analyse des données, d'estimation et tests, d'analyse de la variance et de régression seront abordés d'un point de vue pratique.