Atelier de formation destiné aux chercheurs et étudiants en sciences humaines et sociales pour découvrir l'utilisation du langage Python dans leurs travaux de recherche. L'événement combine présentations théoriques, démonstrations pratiques et exercices interactifs pour initier les participants aux bases de la programmation et à son application concrète dans l'analyse de données.

EDNA2 est un framework open source conçu pour automatiser et simplifier le traitement de données scientifiques, notamment dans le domaine de la cristallographie et de la diffraction des rayons X. Il permet de gérer des workflows complexes de manière asynchrone, en s'appuyant sur une structure de données légère et des tâches configurables. Le projet vise à moderniser l'outil EDNA en adoptant des standards actuels comme JSON et Python 3, tout en conservant son esprit initial pour la recherche académique et industrielle.

Le projet slide est une application de présentation interactive pour des ateliers, offrant une visualisation de données de la recherche. Il s'appuie sur une charte graphique spécifique et un plan détaillé, comprenant des sections sur les liens historiques, la reproductibilité, l'épistémologie de l'objet, sa place dans le cycle des données de la recherche, les initiatives en la matière, et une présentation du groupe de travail. Il inclut également des TP de storytelling en Python et R.

Ce projet contient les supports de cours d'une auto-formation d'initiation à Python, proposée sur le SSP Cloud. Les différents chapitres peuvent être déployés en un clic sous la forme d'un Notebook Jupyter. Les sources des supports de cours sont disponibles au format qmd dans le dossier source/ et peuvent être générées en notebooks ipynb exécutables grâce à Quarto et aux packages Python nécessaires.

Ce projet propose une implémentation Python des tests RCIT et RCoT, initialement développés en R. Il permet d'évaluer l'indépendance conditionnelle entre variables dans des jeux de données complexes grâce à des méthodes basées sur des approximations de matrices de noyaux. Utilisé principalement en recherche académique et en analyse de données, il facilite la validation de modèles et l'exploration de relations statistiques avancées.