Informations et cours

Nouvelles

2022-01-04, le cours du 17/01 est reporté au mercredi 26/01, même heure, même salle

Infos pratiques

Quoi « Données structurées »
Où Salle 219, bâtiment Paul Ricœur, Université Paris Nanterre, 200 avenue de la République, Nanterre
Quand 8 séances, les lundis de 13:30 à 16:30, du 29/11 au 24/01
- Voir le planning pour les dates exactes
Contact Loïc Grobol <lgrobol@parisnanterre.fr>

Séances

Tous les supports sont sur github, voir Utilisation en local pour les utiliser sur votre machine comme des notebooks. À défaut, ce sont des fichiers Markdown assez standards, qui devraient se visualiser correctement sur la plupart des plateformes (mais ne seront pas dynamiques).

Les slides et les notebooks ci-dessous ont tous des liens Binder pour une utilisation interactive sans rien installer. Les slides ont aussi des liens vers une version HTML statique utile si Binder est indisponible.

2021-11-20 — Graphes et algorithmes d’exploration

Slides Graphes et algorithmes d’exploration

2021-12-01 — Graphes particuliers et réseaux lexicaux

2021-12-06 — Graphes aléatoires

Slides Graphes aléatoires

2021-12-13 – Analyseurs syntaxiques automatiques

2022-02-07 — Partiel

Vous pouvez travailler dans Binder, mais attention à faire en sorte de ne pas perdre votre travail

Lire les slides en local

Les supports de ce cours sont écrits en Markdown, convertis en notebooks avec Jupytext. C’est entre autres une façon d’avoir un historique git propre, mais malheureusement ça signifie que pour les ouvrir en local, il faut installer les extensions adéquates. Le plus simple est de procéder ainsi :

Récupérez le dossier du cours, soit en téléchargeant et décompressant l’archive soit en le clonant avec git : git clone https://github.com/LoicGrobol/structured-data.git et placez-vous dans ce dossier.

Créez un environnement virtuel pour le cours

python3 -m virtualenv .venv
source .venv/bin/activate

Installez les dépendances
```
pip install -U -r requirements.txt
```
Lancez Jupyter
```
jupyter notebook
```
JupyterLab est aussi utilisable, mais la fonctionnalité slide n’y fonctionne pas pour l’instant.

Ressources

Python général

Il y a beaucoup, beaucoup de ressources disponibles pour apprendre Python. Ce qui suit n’est qu’une sélection.

Livres

How to think like a computer scientist, Jeffrey Elkner, Allen B. Downey, et Chris Meyers. Vous pouvez l’acheter. Vous pouvez aussi le lire ici
Dive into Python, Mark Pilgrim. Ici vous pouvez le lire ou télécharger le pdf.
Learning Python, Mark Lutz.
Beginning Python, Magnus Lie Hetland.
Python Algorithms: Mastering Basic Algorithms in the Python Language, Magnus Lie Hetland. Peut-être un peu costaud pour des débutants.
Programmation Efficace. Les 128 Algorithmes Qu’Il Faut Avoir Compris et Codés en Python au Cours de sa Vie, Christoph Dürr et Jill-Jênn Vie. Si le cours vous paraît trop facile. Le code Python est clair, les difficultés sont commentées. Les algos sont très costauds.

Web

Il vous est vivement conseillé d’utiliser un (ou plus) des sites et tutoriels ci-dessous.

Real Python, des cours et des tutoriels souvent de très bonne qualité et pour tous niveaux.
Coding Game. Vous le retrouverez dans les exercices hebdomadaires.
Code Academy
newcoder.io. Des projets commentés, commencer par ‘Data Visualization’
Google’s Python Class. Guido a travaillé chez eux. Pas ce Guido, celui-là
Mooc Python. Un mooc de l’INRIA, carré.
Code combat

Divers

La chaîne YouTube 3blue1brown pour des vidéos de maths générales.
La chaîne YouTube de Freya Holmér plutôt orientée game design, mais avec d’excellentes vidéos de géométrie computationnelle.

Licences

Sauf indication contraire, les fichiers présents dans ce dépôt sont distribués selon les termes de la licence Creative Commons Attribution 4.0 International. Voir le README pour plus de détails.

Un résumé simplifié de cette licence est disponible à https://creativecommons.org/licenses/by/4.0/.

Le texte intégral de cette licence est disponible à https://creativecommons.org/licenses/by/4.0/legalcode