Learning outcomes

Appliquer les outils de Data Science à des situations rencontrées en physique.

Goals

Parmi les nombreuses classes de situations auxquelles s'appliquent les Data Sciences, nous verrons quelques exemples rencontrés en physique. Outre la mise en œuvre des outils développés dans d'autres cours, le cours développera différentes méthodes théoriques utiles à l’analyse, la représentation ou la classification de données en physique.

Content

Le cours se basera sur une ou plusieurs situations rencontrées en physique dont la résolution ou l'analyse nécessite l’utilisation de méthodes de type « Data Science ».  A titre d'illustration, le site public Kaggle.com fournit une grande variété de datasets associés à des challenges liés à des problèmes de physique (par exemple, la détection d'ondes gravitationnelles). Des données issues d'expériences menées à l'UNamur pourront aussi être traitées.
 
Les contenus théoriques et méthodologiques nécessaires, comme par exemple les réseaux neuronaux et le 'deep learning', seront enseignés. Les bases nécessaires au travail en Python et à l’utilisation de librairies telles que Numpy, Matplotlib, TensorFlow et Keras seront présentées. 
 
Un ou plusieurs séminaires sur d'autres aspects de l'utilisation des 'data sciences' en physique seront proposés.
 
L'étudiant devra résoudre pratiquement le challenge proposé.

Teaching methods

Les cours ex-cathedra seront complétés par l'utilisation de ressources en ligne et par les séminaires des intervenants invités. Les étudiants seront suivis individuellement pour la résolution pratique des challenges.

Assessment method

L’évaluation portera sur le travail de l’année. L’étudiant devra montrer qu’il est parvenu à appliquer les méthodes enseignées au cours et qu'il maîtrise les enseignements suivis lors des cours ex-cathedra ou en ligne. La méthodologie développée et les résultats obtenus pour le challenge seront pris en compte.

Language of instruction