Organisation du cours
& méthdologie
Nicolas Rochet
Fevrier 26
Qui suis je ?
Data for Good
Senior data scientist
Programme et outils du cours
Site du cours : contient tous les supports
Dépot moodle : pour gérer les groupes & rendus
Wooclap : pour le contenu interactif
Structure du cours
1. Chaque séance : Leçon thématique
1.1 Lecon/démo vulgarisée sur les fondamentaux
1.2 Mini ateliers
1.3 Apprentissage autonome encadré
2. Synthèse participative de fin de cours
3. Préparation de questions de révisions
0. Réactivation du cours précédant
0.1 Rappel collectif libre
0.1 Questions d'entrainement
0.1 Question du QCM d'évaluation
Maths & Data Science B3
Evaluations
Rendu intermédiaire
Individuelle
Groupe
1 notes (coeff 1)
3 notes (coeff 1)
1 note évaluant rendu et soutenance
Contribution individuelle au projet :
participation en classe
Projet : data story telling
1 note évaluant le dashboard
1 note évaluant sa soutenance
réponse aux questions
rôle dans le projet
Maths & Data Science M1
Evaluations
QCM bayésien
Exploration de données
Individuelle
Groupe
4 notes (coeff 2)
3 notes (coeff 1)
1 note évaluant rendu et soutenance
Contribution individuelle aux projets x2
note de participation
& réactivation de cours
1 note bonus (coeff 1)
Projet
1 note évaluant l'application
1 note évaluant sa soutenance
+
Maths & Data Science M2
Evaluations
QCM bayésien
Projet 1
Individuelle
Groupe
4 notes (coeff 2)
3 notes (coeff 1)
1 note évaluant rendu et soutenance
Contribution individuelle aux projets x2
note de participation
1 note bonus (coeff 1)
Projet 2
1 note évaluant l'application
1 note évaluant sa soutenance
Machine learning
B3
Evaluations
QCM bayésien
Individuelle
Groupe
3 notes (coeff 2)
2 notes (coeff 1)
Data challenge performance
note de participation
1 note bonus (coeff 1)
Présentation algo
Data challenge explicabilité
Machine learning
Masters
Evaluations
QCM bayésien
Projet phase2
Individuelle
Groupe
2 notes (coeff 2)
3 notes (coeff 1.5)
1 note de rendu
Data challenge
note de participation
1 note bonus (coeff 1)
Projet phase 1
1 note de soutenance
Evaluations
QCM bayésien
Individuelle
Groupe
2 notes (coeff 2)
3 notes (coeff 1.5)
1 note de rendu
Data challenge
note de participation
1 note bonus (coeff 1)
Projet
1 note de soutenance
1 note de rendu
Deep Learning
Evaluations
QCM bayésien
Projet 1
Individuelle
Groupe
2 notes (coeff 2)
3 notes (coeff 1)
1 note pour le rendu + soutenance
note de participation
1 note bonus (coeff 1)
Exercice sur le MLP
1 note pour pour le rendu
Projet 2
1 note pour pour la soutenance
IA & Jeux Vidéos
Evaluations
QCM bayésien
Projet
Individuelle
Groupe
2 notes (coeff 2)
2 notes de groupes (coeff2 )
note de participation
1 note bonus (coeff 1)
1 note pour pour le rendu
1 note pour pour la soutenance
Note individuelle de projet
Traitement Automatique du Langage
Evaluations
QCM bayésien
Projet1
Individuelle
Groupe
2 notes (coeff 2)
4 notes de groupes (coeff2 )
note de participation
1 note bonus (coeff 1)
1 note pour pour le rendu
1 note pour pour la soutenance
Note individuelles de projet
Projet2
1 note pour pour le rendu
1 note pour pour la soutenance
Méthode de travail
Quelques principes que je vous conseille d'adopter
Pour vos projets
Découpez votres projets en taches élémentaires et répartissez les vous
Faites l'inventaire de toutes les tâches à réaliser
Suivez l'évolution de la réalisation des tâches
Le gestion des tâches est souvent le facteur de réussite le plus important !
Travailler par blocs
Travailler par alternance de blocs de temps avec forte concentration (40min à 1h) et de courtes pauses (5min)
Avantage : exploite mieux votre concentration et favorise votre productivité
Votre état d'esprit
Développer votre réflexion & esprit critique !
Essayez d'avoir du recul et de réfléchir aux contenu que vous produisez
Croisez vos sources d'informations et citez les !
Apprendre efficacement
Adoptez des bonnes méthodes d'apprentissage
Faites des réactivations régulières de vos connaissances
Essayez d'expliquer le sujet à un novice
Synthétiser vos connaissances : par exemple avec des cartes mentale