Démarche scientifique

content/getting-started/03_data_analysis.qmd

@@ -20,17 +20,23 @@ categories:
 
 Pour bien débuter des travaux sur une base de données,
 il est nécessaire de se poser quelques questions de bon sens
-et de suivre une démarche assez simple.
-
-## Une démarche scientifique
+et de suivre une démarche scientifique dont un certain
+nombre de gestes sont assez simple.
 
 Dans un projet sur des jeux de données, on peut schématiquement
 séparer les étapes en quatre grandes parties :
 
-* la récupération et structuration des données;
-* leur analyse (notamment descriptive) ;
-* la modélisation ;
-* la valorisation finale des étapes précédentes.
+1. La récupération et structuration des données;
+2. L'analyse de celle-ci, notamment la production de statistiques descriptives indispensables pour orienter les exploitations ultérieures ;
+3. La modélisation ;
+4. La valorisation finale des étapes précédentes et la communication de résultats ou la mise en oeuvre d'une chaine de production.
+
+Ce cours explore ces différentes étapes de manière progressive grâce à
+l'écosystème `Python` qui est très complet. Chaque chapitre du cours
+peut être vu comme une manière de progresser dans ce fil conducteur. 
+Dans ce chapitre, nous allons plutôt mettre en avant quelques réflexions
+à avoir avant de se lancer dans chaque étape. 
+
 
 
 ## Lors de la récupération des données
@@ -76,7 +82,7 @@ implique de faire attention à la manière dont certains producteurs
 codent les valeurs manquantes: certains ont la facheuse tendance à 
 être imaginatifs sur les codes pour valeurs manquantes: _"-999"_, _"XXX"_, _"NA"_ 
 - les __variables servant d'identifiants__ sont bien les mêmes d'une table à l'autre (notamment dans le cas de jointure) : même format, même modalités
-- pour des __variables textuelles__, qui peuvent etre mal saisies, avoir corrigé les éventuelles fautes (ex "Rolland Garros" > "Roland Garros")
+- pour des __variables textuelles__, qui peuvent etre mal saisies, avoir corrigé les éventuelles fautes (ex "Rolland Garros" -> "Roland Garros")
 - créer des variables qui synthétisent l'information dont vous avez besoin
 - supprimer les éléments inutiles (colonne ou ligne vide)
 - renommer les colonnes avec des noms compréhensibles
@@ -143,7 +149,12 @@ publics. Une visualisation de données dynamiques parlera à des publics
 moins experts de la donnée mais est plus dure à mettre en oeuvre
 qu'un graphique standard. 
 
-{{% box status="hint" title="Conseil" icon="fa fa-lightbulb" %}}
+::: {.cell .markdown}
+```{=html}
+<div class="alert alert-info" role="alert">
+<h3 class="alert-heading"><i class="fa-solid fa-comment"></i> Note</h3>
+```
+
 
 Les Notebooks `Jupyter` ont eu beaucoup de succès dans le monde de 
 la _data-science_ pour valoriser des travaux. Pourtant il ne s'agit
@@ -152,21 +163,29 @@ de _notebooks_ tentent à empiler des pavés de code et du texte, ce
 qui les rend difficilement lisibles. 
 
 Sur un projet conséquent, il vaut mieux reporter le plus de code 
-possible dans des scripts bien structurés et avoir un notebook
+possible dans des scripts bien structurés et avoir un _notebook_
 qui appelle ces scripts pour produire des outputs. Ou alors ne
 pas utiliser un notebook et privilégier un autre format (un 
-tableau de bord, un site web, une appli réactive...)
-{{% /box %}}
+tableau de bord, un site web, une appli réactive...). 
+
+Dans le cours de dernière année de
+l'ENSAE, [Mise en production de projets data science]((https://ensae-reproductibilite.github.io/website/)), Romain
+Avouac et moi revenons sur les moyens de communication et de partage de code alternatifs au _notebook_. 
+
+::: {.cell .markdown}
+```{=html}
+</div>
+```
 
 
 
-# Ethique et responsabilité du data-scientist
+## Ethique et responsabilité du data-scientist
 
-## La reproductibilité est importante
+### La reproductibilité est importante
 
-Les données sont une représentation synthétique de la vie des gens et les
+Les données sont une représentation synthétique de la réalité et les
 conclusions de certaines analyses peuvent avoir un vrai impact sur 
-leur vie. Les chiffres erronés de 
+la vie des citoyens. Les chiffres erronés de 
 Reinhart et Rogoff ont ainsi pu servir de justification théorique à des
 politiques d'austérité qui ont pu avoir des conséquences violentes
 pour certains citoyens de
@@ -202,7 +221,7 @@ substituait les chiffres officiels, les résultats n'étaient plus valides.
 [cet article](https://www.lemondeinformatique.fr/actualites/lire-un-mauvais-usage-d-excel-evince-16-000-cas-positifs-covid-19-en-uk-80607.html) ou [celui-là](https://www.bbc.com/news/technology-54423988)
 
 
-## Lutter contre les biais cognitifs
+### Lutter contre les biais cognitifs
 
 La transparence sur les intérêts et limites d'une méthode mise en oeuvre
 est donc importante.
@@ -226,11 +245,16 @@ radar sont par exemple
 à exclure car l'oeil humain perçoit mal ces formes circulaires. Pour une raison
 similaire, les cartes avec aplat de couleur (cartes
 choroplèthes) sont trompeuses. 
+Les _posts_ de blog pour [_datawrapper_](https://blog.datawrapper.de/)
+de Lisa Charlotte Muth ou ceux d'Eric Mauvière sont d'excellentes ressources
+pour apprendre les bonnes et mauvaises pratiques de
+visualisation (voir la [partie visualisation](../visualisation/index.qmd) de ce cours
+pour plus de détails). 
 
 [^5]: On suppose ici que le message erroné est transmis sans volonté de 
 manipulation. La manipulation manifeste est un problème encore plus grave. 
 
-## Réglementation desc données
+### Réglementation des données
 
 Le cadre réglementaire de protection des données a évolué ces dernières 
 années avec le __RGPD__. Cette réglementation a permis de mieux faire 
@@ -265,7 +289,7 @@ sert une action publique basée sur la discrimination entre catégories
 de la population. 
 
 
-## Partager les moyens de reproduire une analyse
+### Partager les moyens de reproduire une analyse
 
 Un [article récent de `Nature`](https://www.nature.com/articles/d41586-022-01692-1),
 qui reprend les travaux d'une équipe d'épidémiologistes [@gabelica2022many]
@@ -312,7 +336,7 @@ par ([l'avis 20230314 de la CADA](https://www.cada.fr/20230314)))
 n'ont pas vocation à être partagés. 
 
 
-## Adopter une approche écologique
+### Adopter une approche écologique
 
 Le numérique constitue une part croissante des
 émissions de gaz à effet de serre.
@@ -378,7 +402,7 @@ les _data-scientists_ et ainsi permettre un
 meilleur partage des ressources. 
 
 
-# Références
+## Références
 
 ::: {#refs}
 :::